CN115984803B - 数据处理方法、设备、驾驶设备和介质 - Google Patents

Abstract

本发明提供了一种数据处理方法、设备、驾驶设备和介质，包括获取当前环境内的待识别点云数据；对所述待识别点云数据进行特征提取，至少得到所述待识别点云数据的分布特征；至少基于所述分布特征，确定所述待识别点云数据中点云点的类型；所述点云点的类型包括实体点云点和伪点云点；若所述待识别点云数据中点云点的类型为伪点云点，对所述伪点云点进行过滤。这样，可以利用实体类点云点与伪点云点的分布特征的明显不同，准确地识别出伪点云点，进行过滤，防止基于伪点云的轮廓输出目标检测框，提高了目标检测精确度。

Description

数据处理方法、设备、驾驶设备和介质

技术领域

本发明涉及目标检测技术领域，具体提供一种数据处理方法、设备、驾驶设备和介质。

背景技术

激光雷达在辅助驾驶和自动驾驶中扮演着重要的角色。相比于被动视觉传感器，激光雷达有着受光照影响小，提供准确的3D信息等重要优势。

相关技术中，可以获取包含目标的感兴趣区域的点云数据，根据点云数据确定出几何形状类似于目标形状的点云，并基于点云的轮廓输出目标检测框，然而，激光雷达有自己特殊的失效场景，如受天气影响（雨/雾/雪），以及高反射率物体引起的噪声点，导致目标检测精确度低。

发明内容

为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决激光雷达在一些特殊的失效场景目标检测精确度低的技术问题的数据处理方法、设备、驾驶设备和介质。

在第一方面，本发明提供一种数据处理方法，所述数据处理方法包括：

获取当前环境内的待识别点云数据；

对所述待识别点云数据进行特征提取，至少得到所述待识别点云数据的分布特征；

至少基于所述分布特征，确定所述待识别点云数据中点云点的类型；所述点云点的类型包括实体点云点和伪点云点；

若所述待识别点云数据中点云点的类型为伪点云点，对所述伪点云点进行过滤。

进一步地，上述所述的数据处理方法中，所述分布特征包括空间分布特征和/或时帧分布特征；

基于所述分布特征，确定所述待识别点云数据中点云点的类型，包括：

确定所述空间分布特征对应的第一规则度，若所述第一规则度小于第一预设规则度，确定所述待识别点云数据中的点云点为伪点云点；和/或

确定所述时帧分布特征对应的第二规则度，若所述第二规则度小于第二预设规则度，确定所述待识别点云数据中的点云点为伪点云点。

进一步地，上述所述的数据处理方法中，所述空间分布特征包括点云点间夹角和/或扫描线间距离；

确定所述空间分布特征对应的第一规则度，包括：

根据所述点云点间夹角，确定第一规则分值；和/或，根据所述扫描线间距离，确定第二规则分值；

根据所述第一规则分值和/或所述第二规则分值，确定所述第一规则度。

进一步地，上述所述的数据处理方法中，所述时帧分布特征包括法向量变化信息和/或分布方差变化信息；

确定所述时帧分布特征对应的第二规则度，包括：

根据所述法向量变化信息，确定第三规则分值；和/或，根据所述分布方差变化信息，确定第四规则分值；

根据所述第三规则分值和/或所述第四规则分值，确定所述第二规则度。

进一步地，上述所述的数据处理方法中，基于所述分布特征，确定所述待识别点云数据中点云点的类型，包括：

将所述分布特征输入预先训练的感知检测模型，输出所述待识别点云数据中点云点的类型。

进一步地，上述所述的数据处理方法中，对所述待识别点云数据进行特征提取，至少得到所述待识别点云数据的分布特征，包括：

对所述待识别点云数据进行特征提取，得到所述待识别点云数据的物理特征和所述待识别点云数据的分布特征；

至少基于所述分布特征，确定所述待识别点云数据中点云点的类型，包括：

基于所述分布特征，确定所述待识别点云数据中点云点的第一子类型；

基于所述物理特征，确定所述待识别点云数据中点云点的第二子类型；

基于所述第一子类型和所述第二子类型，确定所述待识别点云数据中点云点的类型。

进一步地，上述所述的数据处理方法中，所述物理特征包括所述待识别点云数据的回波宽带、回波高度、雷达发射能量、雷达接收能量和点云点的坐标中的至少一种。

在第二方面，本发明提供一种数据处理设备，该数据处理设备包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述任一项所述的数据处理方法。

在第三方面，提供一种驾驶设备，该驾驶设备包括如上所述的数据处理设备。

在第四方面，提供一种计算机可读存储介质，该计算机可读存储介质存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行上述任一项所述的数据处理方法。

本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：

在实施本发明的技术方案中，在获取当前环境内的待识别点云数据后，对所述待识别点云数据进行特征提取，至少得到所述待识别点云数据的分布特征，然后至少基于所述分布特征，在确定出所述待识别点云数据中点云点的类型为伪点云点时，对所述伪点云点进行过滤。这样，可以利用实体类点云点与伪点云点的分布特征的明显不同，准确地识别出伪点云点，进行过滤，防止基于伪点云的轮廓输出目标检测框，提高了目标检测精确度。

附图说明

参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。此外，图中类似的数字用以表示类似的部件，其中：

图1是根据本发明的一个实施例的数据处理方法的主要步骤流程示意图；

图2是根据本发明的另一个实施例的数据处理方法的主要步骤流程示意图；

图3是根据本发明的识别点云数据类别的主要步骤流程示意图；

图4是根据本发明的一个实施例的数据处理设备的主要结构框图。

具体实施方式

下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。

在本发明的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合，比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似，可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。

在进行目标识别过程中，可以获取包含目标的感兴趣区域的点云数据，根据点云数据确定出几何形状类似于目标形状的点云，并基于点云的轮廓输出目标检测框，然而，激光雷达有自己特殊的失效场景，如受天气影响（雨/雾/雪），以及高反射率物体引起的噪声点，导致目标检测精确度低。

因此，为了解决上述技术问题，本发明提供了以下技术方案：

参阅附图1，图1是根据本发明的一个实施例的数据处理方法的主要步骤流程示意图。如图1所示，本发明实施例中的数据处理方法主要包括下列步骤101-步骤104。

步骤101、获取当前环境内的待识别点云数据；

在一个具体实现过程中，可以通过激光雷达、毫米波雷达等对当前环境进行感知，得到当前环境内的待识别点云数据。

步骤102、对所述待识别点云数据进行特征提取，至少得到所述待识别点云数据的分布特征；

在一个具体实现过程中，对于实体目标而言，其点云数据在空间上的分布通常是具有一定结构化的形状，在不同时帧下点云的几何形状、占据状态（点云数据的有无、数量等）是相对固定的，而雾气、尾气等伪目标中，由于其流动性，点云数据在空间上的分布通常不具有一定结构化的形状，在不同时帧下点云的几何形状、占据状态（点云数据的有无、数量等）是变化较大的，因此，可以基于预设的特征提取网络对待识别点云数据进行特征提取，至少得到所述待识别点云数据的分布特征。其中，待识别点云数据的分布特征可以包括待识别点云数据的空间分布特征和/或待识别点云数据的时帧分布特征。

步骤103、至少基于所述分布特征，确定所述待识别点云数据中点云点的类型；

在一个具体实现过程，可以至少基于所述分布特征，利用预设的规则确定所述待识别点云数据中点云点的类型，和/或，利用预先训练的感知检测模型确定所述待识别点云数据中点云点的类型。其中，所述点云点的类型包括实体点云点和伪点云点。预先训练的感知检测模型可以基于多层感知机进行训练得到，也可以基于卷积神经网络训练得到。

在一个具体实现过程中，在利用预设的规则确定所述待识别点云数据中点云点的类型时，可以确定所述空间分布特征对应的第一规则度，若所述第一规则度小于第一预设规则度，确定所述待识别点云数据中的点云点为伪点云点。

在一个具体实现过程中，所述空间分布特征包括但不限制于点云点间夹角和/或扫描线间距离。可以根据所述点云点间夹角，确定第一规则分值；和/或，根据所述扫描线间距离，确定第二规则分值；根据所述第一规则分值和/或所述第二规则分值，确定所述第一规则度。

具体地，若点云点间夹角一致或者成规律的变化或者小于预设角度阈值的夹角比例的大于第一预设比例，则可以得到一个较高的第一规则分值，否则，得到一个较低的第一规则分值。同理，扫描线间距离一致或者成规律的变化或者小于预设距离阈值的距离的比例大于第二预设比例，则可以得到一个较高的第一规则分值，否则，得到一个较低的第一规则分值。然后将第一规则得分作为第一规则度，或者，将第二规则分值作为第一规则度，或者，对第一规则分值和所述第二规则分值进行加权求和等方式得到第一规则度。

在一个具体实现过程中，在利用预设的规则确定所述待识别点云数据中点云点的类型时，还可以确定所述时帧分布特征对应的第二规则度，若所述第二规则度小于第二预设规则度，确定所述待识别点云数据中的点云点为伪点云点。其中，该方式可以与前述确定所述空间分布特征对应的第一规则度，若所述第一规则度小于第一预设规则度，确定所述待识别点云数据中的点云点为伪点云点的过程独立实现，也可以同时实现，本实施例不做具体限制。

在一个具体实现过程中，所述时帧分布特征包括法向量变化信息和/或分布方差变化信息；可以根据所述法向量变化信息，确定第三规则分值；和/或，根据所述分布方差变化信息，确定第四规则分值；根据所述第三规则分值和/或所述第四规则分值，确定所述第二规则度。

具体地，若大部分时帧或者全部时帧下，点云数据形成的面的法向量并未发生变化，则可以得到一个较高的第三规则分值，否则，得到一个较低的第三规则分值。同理，若大部分时帧或者全部时帧下，点云数据的分布方差并未发生变化，则可以得到一个较高的第四规则分值，否则，得到一个较低的第四规则分值。然后将第三规则得分作为第二规则度，或者，将第四规则分值作为第二规则度，或者，对第三规则分值和所述第四规则分值进行加权求和等方式得到第二规则度。

步骤104、若所述待识别点云数据中点云点的类型为伪点云点，对所述伪点云点进行过滤。

在一个具体实现过程中，若所述待识别点云数据中点云点的类型为伪点云点，说明待识别点云数据中存在雾气、尾气等环境因素引起的噪音点，会影响目标检测结果，因此，可以对所述伪点云点进行过滤，防止生成目标检测框。否则，若所述待识别点云数据中点云点的类型为实体点云点，说明待识别点云数据中不存在噪音点，可以基于该待识别点云数据生成目标检测框，并输出。

本实施例的数据处理方法，在获取当前环境内的待识别点云数据后，对所述待识别点云数据进行特征提取，至少得到所述待识别点云数据的分布特征，然后至少基于所述分布特征，在确定出所述待识别点云数据中点云点的类型为伪点云点时，对所述伪点云点进行过滤。这样，可以利用实体类点云点与伪点云点的分布特征的明显不同，准确地识别出伪点云点，进行过滤，防止基于伪点云的轮廓输出目标检测框，提高了目标检测精确度。

参阅附图2，图2是根据本发明的另一个实施例的数据处理方法的主要步骤流程示意图。如图2所示，本发明实施例中的数据处理方法主要包括下列步骤201-步骤206。

步骤201、获取当前环境内的待识别点云数据；

步骤202、对所述待识别点云数据进行特征提取，得到所述待识别点云数据的物理特征和所述待识别点云数据的分布特征；

在一个具体实现过程中，实体目标的点云数据和伪目标的点云数据，在物体特征上也是存在一定的区别的，其中，所述待识别点云数据的物理特征可以包括待识别点云数据的回波宽带、回波高度、雷达发射能量、雷达接收能量和点云点的坐标中的至少一种。例如，伪目标的点云数据的回波宽度和高度通常为“矮胖”形状，而实体目标点云数据的回波宽度和高度通常为“细高”形状。

步骤203、基于所述分布特征，确定所述待识别点云数据中点云点的第一子类型；

步骤204、基于所述物理特征，确定所述待识别点云数据中点云点的第二子类型；

步骤205、基于所述第一子类型和所述第二子类型，确定所述待识别点云数据中点云点的类型；

在一个具体实现过程中，可以基于所述分布特征，确定所述待识别点云数据中点云点的第一子类型；基于所述物理特征，确定所述待识别点云数据中点云点的第二子类型；基于所述第一子类型和所述第二子类型，利用加权求和等方式确定所述待识别点云数据中点云点的类型。

具体地，以采用预先训练的感知检测模型，输出所述待识别点云数据中点云点的类型为例进行说明。

对于利用多层感知机训练得到的感知检测模型而言，其输入为点云数据的特征向量，输出为点云的类别（是否为“伪”点云）。其中，多层感知机旨在求出将输入空间中的实例划分为两类的分离超平面。为求得超平面，感知机导入了基于误分类的损失函数，利用梯度下降法对损失函数进行最优化求解。可以将待识别点云数据的物理特征，空间分布特征，以及时帧特征输入多层感知机，通过与自动梯度下降回传到的权重相乘，每个特征对应的输出结果，然后通过多层感知机对每个输出结果进行加权输出叠加，作出最终正确的判断决定。

对于利用卷积神经网络训练得到的感知检测模型而言，其输入为点云的特征网格，输出为点云的类别（是否为“伪”点云）。卷积神经网络通过卷积层提取图像中的局部特征，并且通过多层卷积层叠加从而增加感受野。通过在最后一层以及多分类交叉熵函数，对比点云的编码标签，回传误差值，给卷积层，对卷积核的数值进行梯度更新，实现卷积核数值的自我学习。可以待识别点云数据的物理特征，空间分布特征，以及时帧特征输入多层卷积网络。将不同特征对应的输出结果进行特征维度的拼接，从而帮助卷积神经网络作出最终正确的判断决定。

在一个具体实现过程中，还可以预先设置一个判断规则实现伪点云点的识别。

下面以一种具体实现方式对本发明的技术方案进行说明，其中本发明并不限制该实现方式：

参阅附图3，图3是根据本发明的识别点云数据类别的主要步骤流程示意图。图3中，以待识别点云数据的物理特征包括回波宽度，待识别点云数据的分布特征包括空间分布特征和时帧分布特征为例进行说明。

如图3所示，本发明实施例识别点云数据类别时主要包括下列步骤301-步骤305。

步骤301、检测回波宽度是否大于预设宽度；若是，执行步骤305，若否，执行步骤302；

步骤302、检测空间分布特征对应的第一规则度是否大于第一预设规则度；若是，执行步骤305，若否，执行步骤303；

步骤303、检测时帧分布特征对应的第二规则度是否大于第二预设规则度；若是，执行步骤305，若否，执行步骤304；

步骤304、确认待识别点云数据中的点云点为实体点云点；

步骤305、确认待识别点云数据中的点云点为伪点云点。

需要说明的，上述示例以检测回波宽度、空间分布特征和时间分布特征的顺序为例进行说明的，但是实际上并不限制于上述顺序。

步骤206、若所述待识别点云数据中点云点的类型为伪点云点，对所述伪点云点进行过滤。

需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时（并行）执行或以其他顺序执行，这些变化都在本发明的保护范围之内。

本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。

进一步，本发明还提供了一种数据处理设备。

参阅附图4，图4是根据本发明的一个实施例的数据处理设备的主要结构框图。如图4所示，本发明实施例中的数据处理设备可以包括处理器41和存储装置42。

存储装置42可以被配置成存储执行上述方法实施例的数据处理方法的程序，处理器41可以被配置成用于执行存储装置42中的程序，该程序包括但不限于执行上述方法实施例的数据处理方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该数据处理设备可以是包括各种电子设备形成的控制设备。

在一个具体实现过程中，该存储装置42和处理器41的数目均可以为多个。而执行上述方法实施例的数据处理方法的程序可以被分割成多段子程序，每段子程序分别可以由处理器41加载并运行以执行上述方法实施例的数据处理方法的不同步骤。具体地，每段子程序可以分别存储在不同的存储装置42中，每个处理器41可以被配置成用于执行一个或多个存储装置42中的程序，以共同实现上述方法实施例的数据处理方法，即每个处理器41分别执行上述方法实施例的数据处理方法的不同步骤，来共同实现上述方法实施例的数据处理方法。

上述多个处理器41可以是部署于同一个设备上的处理器，例如上述设备可以是由多个处理器组成的高性能设备，上述多个处理器41可以是该高性能设备上配置的处理器。此外，上述多个处理器41也可以是部署于不同设备上的处理器，例如上述设备可以是服务器集群，上述多个处理器41可以是服务器集群中不同服务器上的处理器。

进一步，本发明还提供了一种驾驶设备，该驾驶设备包括如上述实施例的数据处理设备。

进一步，本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的数据处理方法的程序，该程序可以由处理器加载并运行以实现上述数据处理方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。

进一步，应该理解的是，由于各个模块的设定仅仅是为了说明本发明的装置的功能单元，这些模块对应的物理器件可以是处理器本身，或者处理器中软件的一部分，硬件的一部分，或者软件和硬件结合的一部分。因此，图中的各个模块的数量仅仅是示意性的。

本领域技术人员能够理解的是，可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理，因此，拆分或合并之后的技术方案都将落入本发明的保护范围内。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (9)

1.一种数据处理方法，其特征在于，包括：

获取当前环境内的多个时帧的待识别点云数据；

对所述多个时帧中的每帧待识别点云数据进行特征提取，至少得到所述待识别点云数据的分布特征，其中，所述分布特征包括时帧分布特征，所述时帧分布特征包括所述每帧待识别点云数据形成的面的法向量之间的法向量变化信息和/或所述每帧待识别点云数据的分布方差之间的分布方差变化信息；

至少基于所述分布特征，确定所述待识别点云数据中点云点的类型；所述点云点的类型包括实体点云点和伪点云点；其中，所述伪点云点为环境因素引起的噪音点；

若所述待识别点云数据中点云点的类型为伪点云点，对所述伪点云点进行过滤；

其中，基于所述分布特征，确定所述待识别点云数据中点云点的类型；所述点云点的类型包括实体点云点和伪点云点，包括：

根据所述法向量变化信息，确定第三规则分值，其中，当所述多个时帧中的大部分时帧或全部时帧下的所述法向量未发生变化时，所述第三规则分值为高；当所述多个时帧中的大部分时帧或全部时帧下的所述法向量发生变化时，所述第三规则分值为低；

和/或，

根据所述分布方差变化信息，确定第四规则分值；其中，当所述多个时帧中的大部分时帧或全部时帧下的所述分布方差未发生变化时，所述第四规则分值为高；当所述多个时帧中的大部分时帧或全部时帧下的所述分布方差发生变化时，所述第四规则分值为低；

根据所述第三规则分值和/或所述第四规则分值，确定第二规则度；

若所述第二规则度小于第二预设规则度，确定所述待识别点云数据中的点云点为伪点云点。

2.根据权利要求1所述的数据处理方法，其特征在于，所述分布特征还包括空间分布特征；

基于所述分布特征，确定所述待识别点云数据中点云点的类型，还包括：

确定所述空间分布特征对应的第一规则度，若所述第一规则度小于第一预设规则度，确定所述待识别点云数据中的点云点为伪点云点。

3.根据权利要求2所述的数据处理方法，其特征在于，所述空间分布特征包括点云点间夹角和/或扫描线间距离；

确定所述空间分布特征对应的第一规则度，包括：

根据所述点云点间夹角，确定第一规则分值；和/或，根据所述扫描线间距离，确定第二规则分值；

根据所述第一规则分值和/或所述第二规则分值，确定所述第一规则度。

4.根据权利要求1所述的数据处理方法，其特征在于，基于所述分布特征，确定所述待识别点云数据中点云点的类型，还包括：

将所述分布特征输入预先训练的感知检测模型，输出所述待识别点云数据中点云点的类型。

5.根据权利要求1所述的数据处理方法，其特征在于，对所述待识别点云数据进行特征提取，至少得到所述待识别点云数据的分布特征，包括：

对所述待识别点云数据进行特征提取，得到所述待识别点云数据的物理特征和所述待识别点云数据的分布特征；

至少基于所述分布特征，确定所述待识别点云数据中点云点的类型，包括：

基于所述分布特征，确定所述待识别点云数据中点云点的第一子类型；

基于所述物理特征，确定所述待识别点云数据中点云点的第二子类型；

基于所述第一子类型和所述第二子类型，确定所述待识别点云数据中点云点的类型。

6.根据权利要求5所述的数据处理方法，其特征在于，所述物理特征包括所述待识别点云数据的回波宽带、回波高度、雷达发射能量、雷达接收能量和点云点的坐标中的至少一种。

7.一种数据处理设备，其特征在于，包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行权利要求1至6中任一项所述的数据处理方法。

8.一种驾驶设备，其特征在于，包括如权利要求7所述的数据处理设备。

9.一种计算机可读存储介质，其特征在于，存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至6中任一项所述的数据处理方法。