CN115984805B - 一种数据增强方法、目标检测方法及车辆 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体提供一种数据增强方法、目标检测方法及车辆，旨在解决现有针对小目标的训练数据不足的问题。为此目的，本发明的数据增强方法包括：通过对点云数据经过目标检测得到的初始标注框进行压缩处理，得到压缩标注框；对点云数据中与初始标注框对应的局部点云数据进行压缩处理，得到局部压缩点云数据；基于局部压缩点云数据和压缩标注框得到增强点云数据。该方法通过对初始标注框以及初始标注框对应的局部点云数据进行压缩，一方面可以丰富小目标的数据，另一方面，还可以保证压缩后的质量以及保证得到的增强点云数据的可靠性。

Description

一种数据增强方法、目标检测方法及车辆

技术领域

本发明涉及数据处理技术领域，具体提供一种数据增强方法、目标检测方法及车辆。

背景技术

目前，基于点云的机器学习技术在各个领域被广泛使用，以自动驾驶领域为例，可基于目标检测模型根据由雷达采集的点云数据对自动驾驶场景的目标进行检测。通常目标检测模型可以很好的识别行人、机动车等较大目标，而对于小目标的检测能力比较差，其中主要是因为小目标的训练样本采集难度较大、标注成本高、样本数据量少并且小目标通常集中出现在部分训练帧中，分布很难均匀，导致小目标的训练数据不足，进而造成目标检测模型对小目标的检测能力较差。因此，亟需一种能够丰富小目标的训练数据的方法。

发明内容

本发明旨在解决上述技术问题，即，解决现有针对小目标的训练数据不足的问题。

在第一方面，本发明提供一种数据增强方法，其包括：

对点云数据经过目标检测得到的初始标注框进行压缩处理，得到压缩标注框；

对所述点云数据中与所述初始标注框对应的局部点云数据进行压缩处理，得到局部压缩点云数据；

基于所述局部压缩点云数据和所述压缩标注框得到增强点云数据。

在一些实施例中，所述对点云数据经过目标检测得到的初始标注框进行压缩处理，得到压缩标注框，包括：

根据随机采样比例从所述初始标注框中选取部分初始标注框进行压缩处理。

在一些实施例中，所述根据随机采样比例从所述初始标注框中选取部分初始标注框进行压缩处理，包括：

根据所述随机采样比例从单帧点云数据对应的初始标注框和/或多帧点云数据对应的初始标注框中选取部分初始标注框进行压缩处理。

在一些实施例中，

所述对点云数据经过目标检测得到的初始标注框进行压缩处理，得到压缩标注框，包括：基于第一随机压缩比例，对所述初始标注框进行压缩处理，得到所述压缩标注框；和/或，

所述对所述点云数据中与所述初始标注框对应的局部点云数据进行压缩处理，得到局部压缩点云数据，包括：基于第二随机压缩比例，对所述点云数据中与所述初始标注框对应的局部点云数据进行压缩处理，得到所述局部压缩点云数据；或者，基于第二随机压缩比例，对所述点云数据中与所述初始标注框对应的局部点云数据的部分点云数据进行丢弃并对丢弃后所述局部点云数据中剩余的点云数据进行压缩处理，得到所述局部压缩点云数据。

在一些实施例中，所述对点云数据经过目标检测得到的初始标注框进行压缩处理，得到压缩标注框，包括：

设置压缩基准点，所述压缩基准点为所述初始标注框中的任意一点；

以所述压缩基准点为中心，对所述初始标注框进行压缩处理，得到所述压缩标注框。

在一些实施例中，所述对所述点云数据中与所述初始标注框对应的局部点云数据进行压缩处理，得到局部压缩点云数据，包括：

以所述压缩基准点为中心，对所述点云数据中与所述初始标注框对应的局部点云数据进行压缩处理，得到所述局部压缩点云数据。

在一些实施例中，

所述初始标注框为三维标注框，以笛卡尔坐标系表征，其中所述初始标注框的底平面平行于水平面；

所述设置压缩基准点，包括：将所述初始标注框的底平面上的任意一点设置为所述压缩基准点。

在一些实施例中，所述将所述初始标注框的底平面上的任意一点设置为所述压缩基准点，包括：将所述初始标注框的底平面上的中心点设置为所述压缩基准点。

在一些实施例中，所述以所述压缩基准点为中心，对所述初始标注框进行压缩处理，得到所述压缩标注框，包括：

获取所述初始标注框的位置信息，所述位置信息包括所述初始标注框的体中心点在所述笛卡尔坐标系中的坐标以及所述初始标注框的长度、宽度和高度；

以所述初始标注框的底平面上的中心点为所述压缩基准点，根据第一随机压缩比例分别与所述初始标注框的长度、宽度和高度的乘积，得到所述压缩标注框的长度、宽度和高度；根据所述初始标注框的体中心点在所述笛卡尔坐标系水平面的坐标确定所述压缩标注框的体中心点在所述笛卡尔坐标系水平面的坐标；根据所述初始标注框的体中心点在垂直于所述笛卡尔坐标系水平面的方向上的坐标、所述初始标注框的高度和所述第一随机压缩比例，确定所述压缩标注框的体中心点在垂直于所述笛卡尔坐标系水平面的方向上的坐标。

在一些实施例中，以所述压缩基准点为中心，对所述点云数据中与所述初始标注框对应的局部点云数据进行压缩处理，得到所述局部压缩点云数据，包括：

所述局部点云数据包括与所述初始标注框对应的局部点云中每个点在所述笛卡尔坐标系的坐标；以所述初始标注框的底平面上的中心点为所述压缩基准点，根据第二随机压缩比例、所述初始标注框对应的局部点云中每个点和所述初始标注框的体中心点在所述笛卡尔坐标系水平面的坐标，确定所述局部压缩点云数据中每个点在所述笛卡尔坐标系水平面的坐标；根据所述第二随机压缩比例、所述初始标注框对应的局部点云中每个点和所述初始标注框的体中心点在垂直于所述笛卡尔坐标系水平面的方向上的坐标以及所述初始标注框的高度，得到所述局部压缩点云数据中每个点在垂直于所述笛卡尔坐标系水平面的方向上的坐标。

在一些实施例中，所述基于所述局部压缩点云数据和所述压缩标注框得到增强点云数据，包括：

利用压缩得到的所述局部压缩点云数据和所述压缩标注框分别替换相应点云数据中压缩前的所述局部点云数据和相应点云数据对应的所述初始标注框，得到所述增强点云数据。

在第二方面，本发明提供了一种目标检测方法，其包括：

获取目标场景的待检测点云数据；

将所述待检测点云数据输入目标检测模型，得到目标检测结果，

其中，所述目标检测模型基于上述任一项所述的数据增强方法获取的增强点云数据训练得到。

在第三方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的数据增强方法或上述所述的目标检测方法。

在第四方面，本发明提供了一种车辆，其包括：

至少一个处理器；

以及，与所述至少一个处理器通信连接的存储器；

其中，所述存储器中存储有计算机程序，所述计算机程序被所述至少一个处理器执行时实现上述任一项所述的数据增强方法或上述所述的目标检测方法。

在采用上述技术方案的情况下，本发明能够提供一种数据增强方法，通过对点云数据经过目标检测得到的初始标注框进行压缩处理，得到压缩标注框；对点云数据中与初始标注框对应的局部点云数据进行压缩处理，得到局部压缩点云数据；基于局部压缩点云数据和压缩标注框得到增强点云数据。该方法通过对初始标注框以及初始标注框对应的局部点云数据进行压缩，一方面可以丰富小目标的数据，另一方面，还可以保证压缩后的质量以及保证得到的增强点云数据的可靠性。

附图说明

下面结合附图来描述本发明的优选实施方式，附图中：

图1是本发明实施例提供的一种数据增强方法流程示意图；

图2是本发明实施例提供的另一种数据增强方法流程示意图；

图3是本发明实施例提供的目标检测方法流程示意图；

图4是本发明实施例提供的车辆结构示意图。

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。

参见图1所示，图1是本发明实施例提供的一种数据增强方法流程示意图，其可以包括：

步骤S11：对点云数据经过目标检测得到的初始标注框进行压缩处理，得到压缩标注框；

步骤S12：对点云数据中与初始标注框对应的局部点云数据进行压缩处理，得到局部压缩点云数据；

步骤S13：基于局部压缩点云数据和压缩标注框得到增强点云数据。

在一些实施例中，当有多个初始标注框时，步骤S11可以具体为：根据随机采样比例从初始标注框中选取部分初始标注框进行压缩处理。

在一些实施例中，当多个初始标注框来自于单帧点云数据或多帧点云数据时，根据随机采样比例从初始标注框中选取部分初始标注框进行压缩处理可以具体为：根据随机采样比例从单帧点云数据对应的初始标注框和/或多帧点云数据对应的初始标注框中选取部分初始标注框进行压缩处理。

在一些实施例中，根据随机采样比例从多帧点云数据对应的初始标注框中选取部分初始标注框进行压缩处理时可以为，基于同一随机采样比例分别从多帧点云数据中的每帧点云数据所对应的初始标注框中选取相应随机采样比例的初始标注框进行压缩处理。通过基于随机采样比例从多帧点云数据中选取初始标注框进行压缩处理，可以有利于得到在整个点云数据集中小目标均匀分布的点云数据，从而有利于后续训练得到检测能力更强的目标检测模型。

在一些实施例中，可以基于第一随机压缩比例，对初始标注框进行压缩处理，得到压缩标注框。基于随机压缩比例进行压缩处理，可以有利于后续得到更可靠且丰富度更高的增强点云数据。其中，基于第一随机压缩比例对初始标注框进行压缩处理可以具体为：获取初始标注框为位置信息，该位置信息可以包括初始标注框在笛卡尔坐标系中的坐标以及初始标注框的长度、宽度和高度，基于第一随机压缩比例对初始标注框的位置信息进行压缩，以得到压缩标注框。

在一些实施例中，步骤S12可以具体为：基于第二随机压缩比例，对点云数据中与初始标注框对应的局部点云数据进行压缩处理，得到局部压缩点云数据。

在一些实施例中，局部点云数据可以包括与初始标注框对应的局部点云中每个点在笛卡尔坐标系的坐标，基于第二随机压缩比例，对点云数据中与初始标注框对应的局部点云数据进行压缩处理可以具体为：基于第二随机压缩比例对局部点云数据中每个点的坐标进行压缩，得到局部压缩点云数据。

在另一些实施例中，步骤S12可以具体为：基于第二随机压缩比例，对点云数据中与初始标注框对应的局部点云数据的部分点云数据进行丢弃并对丢弃后局部点云数据中剩余的点云数据进行压缩处理，得到局部压缩点云数据。通过基于第二随机压缩比例先丢弃局部点云数据中的部分点云数据，再对局部点云数据中剩余的点云数据进行压缩处理，得到的局部压缩点云数据更符合真实场景下的点云数据，有利于提高后续得到增强点云数据的真实性和可靠性。

作为示例，第二随机压缩比例可以为0.6，初始标注框对应的局部点云数据包含100个点云数据，可以基于第二随机压缩比例从100个点云数据中随机选取60个点云数据进行丢弃，并基于第二随机压缩比例对剩余的40个点云数据进行压缩处理。

其中，对局部点云数据中剩余的点云数据进行压缩处理可以为基于第二随机压缩比例对局部点云数据中剩余的每个点的坐标进行压缩，得到局部压缩点云数据。

在一些实施例中，第二随机压缩比例可以和第一随机压缩比例相同；在其他实施例中，第二随机压缩比例也可以和第一随机压缩比例不同，具体可根据实际需求进行灵活设置。

在一些实施例中，步骤S13可以具体为：利用压缩得到的局部压缩点云数据和压缩标注框分别替换相应点云数据中压缩前的局部点云数据和相应点云数据对应的初始标注框，得到增强点云数据。

以上为本发明实施例提供的一种数据增强方法，通过对点云数据经过目标检测得到的初始标注框进行压缩处理，得到压缩标注框；对点云数据中与初始标注框对应的局部点云数据进行压缩处理，得到局部压缩点云数据；基于局部压缩点云数据和压缩标注框得到增强点云数据。该方法通过对初始标注框以及初始标注框对应的局部点云数据进行压缩，一方面可以丰富小目标的数据，另一方面，还可以保证压缩后的质量以及保证得到的增强点云数据的可靠性。

在一些实施例中，为了保证数据增强后的可靠性以及保证符合真实应用场景，可以根据需求选择压缩基准点，对初始标注框和与初始标注框对应的局部点云数据进行压缩，具体可参见以下实施例中的描述。

参见图2所示，图2是本发明实施例提供的另一种数据增强方法流程示意图，其可以包括：

步骤S21：设置压缩基准点，压缩基准点为初始标注框中的任意一点；

步骤S22：以压缩基准点为中心，对初始标注框进行压缩处理，得到压缩标注框；

步骤S23：以压缩基准点为中心，对点云数据中与初始标注框对应的局部点云数据进行压缩处理，得到局部压缩点云数据；

步骤S24：基于局部压缩点云数据和压缩标注框得到增强点云数据。

其中，步骤S24可以采用和步骤S13相同的方法实现，为了简要起见在此不再赘述，具体可参见上文中的描述。

在本发明实施例中，初始标注框可以为基于相关技术中现有的目标检测模型对点云数据进行检测后得到。

在一些实施例中，当有多个初始标注框时，步骤S21可以具体为：根据随机采样比例从初始标注框中选取部分初始标注框进行压缩处理。并针对选取出的部分初始标注框分别设置压缩基准点，其中，不同初始标注框对应的压缩基准点可以相同也可以不同。

在一些实施例中，当多个初始标注框来自于单帧点云数据或多帧点云数据时，根据随机采样比例从初始标注框中选取部分初始标注框进行压缩处理可以具体为：根据随机采样比例从单帧点云数据对应的初始标注框和/或多帧点云数据对应的初始标注框中选取部分初始标注框进行压缩处理。

在一些实施例中，根据随机采样比例从多帧点云数据对应的初始标注框中选取部分初始标注框进行压缩处理时可以为，基于同一随机采样比例分别从多帧点云数据中的每帧点云数据所对应的初始标注框中选取相应随机采样比例的初始标注框进行压缩处理。通过基于随机采样比例从多帧点云数据中选取初始标注框进行压缩处理，可以有利于得到在整个点云数据集中小目标均匀分布的点云数据，从而有利于后续训练得到检测能力更强的目标检测模型。

在一些实施例中，初始标注框可以为三维标注框，以笛卡尔坐标系表征。步骤S21可以具体为将三维标注框的顶角、体中心点、边框上的中点或某个侧平面的中点设置为压缩基准点；在另一些实施例中，初始标注框的地平面可以平行于水平面，步骤S21还可以具体为将初始标注框的底平面上的任意一点设置为压缩基准点，该设置方式可以保证基于压缩基准点压缩后得到的压缩标注框的底平面的高度不变，可以更符合驾驶场景等场景，避免出现压缩后压缩标注框悬空的情况。

在一些实施例中，将初始标注框的底平面上的任意一点设置为压缩基准点可以具体为：将初始标注框的底平面上的中心点设置为压缩基准点。在下文中，将以设置初始标注框的底平面上的中心点为压缩基准点为例，对步骤S22和S23进行描述。

在一些实施例中，步骤S22可以具体为：

获取初始标注框的位置信息，位置信息包括初始标注框的体中心点在笛卡尔坐标系中的坐标x_c、y_c和z_c以及初始标注框的长度l、宽度w和高度h；

以初始标注框的底平面上的中心点为压缩基准点，根据第一随机压缩比例分别与初始标注框的长度、宽度和高度的乘积，得到压缩标注框的长度、宽度和高度；根据初始标注框的体中心点在笛卡尔坐标系水平面的坐标确定压缩标注框的体中心点在笛卡尔坐标系水平面的坐标；根据初始标注框的体中心点在垂直于笛卡尔坐标系水平面的方向上的坐标、初始标注框的高度和第一随机压缩比例，确定压缩标注框的体中心点在垂直于笛卡尔坐标系水平面的方向上的坐标。

其中，笛卡尔坐标系可以包括相互垂直设置的x轴、y轴和z轴，x轴和y轴设置在水平面上，z轴设置在垂直于水平面的方向上。

基于以下表达式对初始标注框进行压缩处理得到所述压缩标注框：

x_c’=x_c

y_c’=y_c

l’=l·s₁

w’=w·s₁

h’=h·s₁

其中，(x_c’, y_c’,z_c’)分别代表压缩标注框的体中心点在笛卡尔坐标系中的坐标，(l’, w’, h’)分别代表压缩标注框的长度、宽度和高度，s₁代表第一随机压缩比例。

在一些实施例中，步骤S23可以具体为：局部点云数据包括与初始标注框对应的局部点云中每个点在笛卡尔坐标系的坐标x_i、y_i和z_i；以初始标注框的底平面上的中心点为压缩基准点，根据第二随机压缩比例、初始标注框对应的局部点云中每个点和初始标注框的体中心点在笛卡尔坐标系水平面的坐标，确定局部压缩点云数据中每个点在笛卡尔坐标系水平面的坐标；根据第二随机压缩比例、初始标注框对应的局部点云中每个点和初始标注框的体中心点在垂直于笛卡尔坐标系水平面的方向上的坐标以及初始标注框的高度，得到局部压缩点云数据中每个点在垂直于笛卡尔坐标系水平面的方向上的坐标。

基于以下表达式对点云数据中与初始标注框对应的局部点云数据进行压缩处理得到局部压缩点云数据：

x_i’=(x_i-x_c)·s₂+x_c

y_i’=(y_i-y_c)·s₂+ y_c

其中，(x_i’, y_i’,z_i’)分别代表压缩处理后局部点云中每个点在笛卡尔坐标系中的坐标，s₂代表第二随机压缩比例。

以上为本发明另一实施例提供的数据增强方法，其可以达到与上述图1对应实施例相同的有益效果，此外，通过设置压缩基准点，以压缩基准点为中心对初始标注框以及与初始标注框对应的局部点云数据进行压缩，可以进一步保证压缩后得到的增强点云数据的可靠性。

本发明的另一方面还提供了一种目标检测方法，如图3所示，图3是本发明实施例提供的目标检测方法流程示意图，其可以包括：

步骤S31：获取目标场景的待检测点云数据；

步骤S32：将待检测点云数据输入目标检测模型，得到目标检测结果。

其中，目标检测模型可以基于上述任一实施例所述的数据增强方法获取的增强点云数据训练得到。

本发明实施例提供的目标检测方法，可以有效提高对小目标的检测能力。在一些实施例中，本发明提供的目标检测方法可以应用于对自动驾驶场景下的目标进行检测，从而可以提高自动驾驶的安全性和智能性。

本领域技术人员能够理解的是，本发明实现上述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。

本发明的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时实现上述实施例所述的数据增强方法或目标检测方法。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。

本发明的另一方面还提供了一种车辆，其可以包括至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器中存储有计算机程序，计算机程序被至少一个处理器执行时实现上述实施例所述的数据增强方法或目标检测方法。

参见图4所示，图4中示例性的示出了存储器41和处理器42通过总线连接，且存储器41和处理器42均只设置有一个时的结构。

在另一些实施例中，车辆可以包括多个存储器41和多个处理器42。而执行上述实施例的数据增强方法或目标检测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加载并运行以执行上述方法实施例的数据增强方法或目标检测方法的不同步骤。具体地，每段子程序可以分别存储在不同的存储器41中，每个处理器42可以被配置成用于执行一个或多个存储器41中的程序，以共同实现上述方法实施例的数据增强方法或目标检测方法。在其他实施例中，多个存储器41和多个处理器42还可以部署在不同的设备上，如多个车辆，或车辆和云端。

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 (10)

1.一种数据增强方法，其特征在于，包括：

对点云数据经过目标检测得到的初始标注框进行压缩处理，得到压缩标注框；

对所述点云数据中与所述初始标注框对应的局部点云数据进行压缩处理，得到局部压缩点云数据；

基于所述局部压缩点云数据和所述压缩标注框得到增强点云数据；

其中，设置压缩基准点，所述压缩基准点为所述初始标注框中的任意一点；

以所述压缩基准点为中心，对所述初始标注框进行压缩处理，得到所述压缩标注框；

以所述压缩基准点为中心，对所述点云数据中与所述初始标注框对应的局部点云数据进行压缩处理，得到所述局部压缩点云数据；

所述以所述压缩基准点为中心，对所述初始标注框进行压缩处理，得到所述压缩标注框，包括：

获取所述初始标注框的位置信息，所述位置信息包括所述初始标注框的体中心点在笛卡尔坐标系中的坐标以及所述初始标注框的长度、宽度和高度；以所述初始标注框的底平面上的中心点为所述压缩基准点，根据第一随机压缩比例分别与所述初始标注框的长度、宽度和高度的乘积，得到所述压缩标注框的长度、宽度和高度；根据所述初始标注框的体中心点在所述笛卡尔坐标系水平面的坐标确定所述压缩标注框的体中心点在所述笛卡尔坐标系水平面的坐标；根据所述初始标注框的体中心点在垂直于所述笛卡尔坐标系水平面的方向上的坐标、所述初始标注框的高度和所述第一随机压缩比例，确定所述压缩标注框的体中心点在垂直于所述笛卡尔坐标系水平面的方向上的坐标。

2.根据权利要求1所述的方法，其特征在于，所述对点云数据经过目标检测得到的初始标注框进行压缩处理，得到压缩标注框，包括：

根据随机采样比例从所述初始标注框中选取部分初始标注框进行压缩处理。

3.根据权利要求2所述的方法，其特征在于，所述根据随机采样比例从所述初始标注框中选取部分初始标注框进行压缩处理，包括：

根据所述随机采样比例从单帧点云数据对应的初始标注框和/或多帧点云数据对应的初始标注框中选取部分初始标注框进行压缩处理。

4.根据权利要求1-3中任一项所述的方法，其特征在于，

所述对点云数据经过目标检测得到的初始标注框进行压缩处理，得到压缩标注框，包括：基于第一随机压缩比例，对所述初始标注框进行压缩处理，得到所述压缩标注框；和/或，

所述对所述点云数据中与所述初始标注框对应的局部点云数据进行压缩处理，得到局部压缩点云数据，包括：基于第二随机压缩比例，对所述点云数据中与所述初始标注框对应的局部点云数据进行压缩处理，得到所述局部压缩点云数据；或者，基于第二随机压缩比例，对所述点云数据中与所述初始标注框对应的局部点云数据的部分点云数据进行丢弃并对丢弃后所述局部点云数据中剩余的点云数据进行压缩处理，得到所述局部压缩点云数据。

5.根据权利要求1所述的方法，其特征在于，

所述初始标注框为三维标注框，以笛卡尔坐标系表征，其中所述初始标注框的底平面平行于水平面。

6.根据权利要求5所述的方法，其特征在于，以所述压缩基准点为中心，对所述点云数据中与所述初始标注框对应的局部点云数据进行压缩处理，得到所述局部压缩点云数据，包括：

所述局部点云数据包括与所述初始标注框对应的局部点云中每个点在所述笛卡尔坐标系的坐标；以所述初始标注框的底平面上的中心点为所述压缩基准点，根据第二随机压缩比例、所述初始标注框对应的局部点云中每个点和所述初始标注框的体中心点在所述笛卡尔坐标系水平面的坐标，确定所述局部压缩点云数据中每个点在所述笛卡尔坐标系水平面的坐标；根据所述第二随机压缩比例、所述初始标注框对应的局部点云中每个点和所述初始标注框的体中心点在垂直于所述笛卡尔坐标系水平面的方向上的坐标以及所述初始标注框的高度，得到所述局部压缩点云数据中每个点在垂直于所述笛卡尔坐标系水平面的方向上的坐标。

7.根据权利要求1所述的方法，其特征在于，所述基于所述局部压缩点云数据和所述压缩标注框得到增强点云数据，包括：

利用压缩得到的所述局部压缩点云数据和所述压缩标注框分别替换相应点云数据中压缩前的所述局部点云数据和相应点云数据对应的所述初始标注框，得到所述增强点云数据。

8.一种目标检测方法，其特征在于，包括：

获取目标场景的待检测点云数据；

将所述待检测点云数据输入目标检测模型，得到目标检测结果，

其中，所述目标检测模型基于权利要求1至7中任一项所述的数据增强方法获取的增强点云数据训练得到。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的数据增强方法或权利要求8所述的目标检测方法。

10.一种车辆，其特征在于，包括：

至少一个处理器；

以及，与所述至少一个处理器通信连接的存储器；

其中，所述存储器中存储有计算机程序，所述计算机程序被所述至少一个处理器执行时实现权利要求1至7中任一项所述的数据增强方法或权利要求8所述的目标检测方法。