CN117392000A - 一种噪点去除方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种噪点去除方法、装置、电子设备及存储介质。该方法包括：基于激光雷达接收到的回波中的原始三维点云，生成鸟瞰视图；确定鸟瞰视图中包括的每个回波点的线性索引，建立每个线性索引和对应的回波点的身份标识之间的哈希映射关系；基于哈希映射关系和预先存储的回波点的点数据，确定出原始三维点云中噪点的噪点身份标识，基于噪点身份标识对噪点进行去除操作。本发明实施例的技术方案，可以降低确定噪点过程中的空间复杂度，减少内存占用；并且基于哈希映射关系确定噪点身份标识，提高了确定噪点的效率，减少确定噪点的耗时。

Description

一种噪点去除方法、装置、电子设备及存储介质

技术领域

本发明实施例涉及图像处理技术领域，尤其涉及一种噪点去除方法、装置、电子设备及存储介质。

背景技术

激光雷达作为一种主动传感器，通过向自动驾驶车辆周围环境发射激光束，实现对静态与动态实体的感知。但激光雷达容易受雨、雾和雪等极端天气条件干扰，返回大量噪点；并且，路面过滤不完全的残留点、扬尘与飞虫等也会形成噪点，噪点具有明显的稀疏性特征，会被车辆的感知系统误识别为障碍物，造成自动驾驶车辆无法启动或者急刹，降低车辆的行驶平顺性和乘坐舒适性。

为去除激光雷达接收到的回波中的噪点，避免感知系统的误识别，现有技术中对接收到的回波中对三维点云构建KDTree，以执行球形范围搜索，从而确定出点云中的噪点进行去除。但是，在实现本发明的过程中，发现现有技术至少存在以下技术问题：三维空间内的KDTree构建与噪点搜索耗时长，且内存占用大，不能较好地满足车辆实时过滤稀疏噪点的要求。

发明内容

本发明实施例提供了一种噪点去除方法、装置、电子设备及存储介质，以实现在确定噪点过程中减少内存占用和耗时的目的。

根据本发明的一方面，提供了一种噪点去除方法，包括：

基于激光雷达接收到的回波中的原始三维点云，生成鸟瞰视图；

确定所述鸟瞰视图中包括的每个回波点的线性索引，建立每个所述线性索引和对应的所述回波点的身份标识之间的哈希映射关系；

基于哈希映射关系和预先存储的回波点的点数据，确定出所述原始三维点云中噪点的噪点身份标识，基于所述噪点身份标识对噪点进行去除操作。

根据本发明的另一方面，提供了一种噪点去除装置，该装置包括：

鸟瞰视图生成模块，用于基于激光雷达接收到的回波中的原始三维点云，生成鸟瞰视图；

线性索引确定模块，用于确定所述鸟瞰视图中包括的每个回波点的线性索引，建立每个所述线性索引和对应的所述回波点的身份标识之间的哈希映射关系；

噪点身份标识确定模块，用于基于哈希映射关系和预先存储的回波点的点数据，确定出所述原始三维点云中噪点的噪点身份标识，基于所述噪点身份标识对噪点进行去除操作。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

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，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的噪点去除方法。

根据本发明的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的噪点去除方法。

本发明实施例的技术方案，通过基于激光雷达接收到的回波中的原始三维点云，生成鸟瞰视图；确定鸟瞰视图中包括的每个回波点的线性索引，建立每个线性索引和对应的回波点的身份标识之间的哈希映射关系；基于哈希映射关系和预先存储的回波点的点数据，确定出原始三维点云中噪点的噪点身份标识，基于噪点身份标识对噪点进行去除操作。本实施例通过将原始三维点云映射至鸟瞰视图，降低了确定噪点过程中的空间复杂度，减少内存占用；并且基于哈希映射关系确定噪点身份标识，提高了确定噪点的效率，减少确定噪点的耗时。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例提供的一种噪点去除方法的流程图；

图2是根据本发明实施例提供的一种相邻栅格与目标栅格的对应关系示意图；

图3是根据本发明实施例提供的一种噪点去除装置的结构示意图；

图4是实现本发明实施例的噪点去除方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“等”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在介绍技术方案之前，可以先对应用场景进行示例性说明。本技术方案可以应用于在自动驾驶时，对激光雷达接收到的回波点云中稀疏的噪点进行去除的场景。通过去除噪点，排除掉对车辆行人等交通参与者检测与跟踪的干扰。示例性的，稀疏的噪点可包括以下三种类型：行驶道路中凹凸不平的地面，拟合后存在的残留离散噪点；在小雨、小雪、雾天等天气条件下，空气中的雨滴、雪花和雾霾形成的稀疏的噪点；马路上的扬尘和飞虫形成的稀疏的噪声。实施例将以上三类统称为激光雷达的稀疏的噪点，通过确定出噪点并进行去除，避免车辆感知系统的误识别，提高车辆的行驶平顺性和乘坐舒适性。

图1是根据本发明实施例提供的一种噪点去除方法的流程图。本实施例可适用于对目标车辆上的激光雷达接收到的回波中，进行噪点去除的情况，该方法可以由噪点去除装置来执行，该噪点去除装置可以采用硬件和/或软件的形式实现。

如图1所示，本实施例的方法具体可包括：

S110、基于激光雷达接收到的回波中的原始三维点云，生成鸟瞰视图。

在具体实施中，可将激光雷达接收到的回波中的点云数据作为原始三维点云。为减少空间占用，可将原始三维点云投影至二维的鸟瞰视图，通过鸟瞰视图确定出噪点。

本实施例中，生成鸟瞰视图的方式可为，将原始三维点云全部向鸟瞰视图内投影，得到鸟瞰视图。

或者，为了减少确定噪点时的工作量，生成鸟瞰视图时，可将不属于检测噪点范围的点云进行剔除操作。其中，不属于检测噪点的范围包括地面或不影响目标车辆行驶的周边范围。

可选的，基于激光雷达接收到的回波中的原始三维点云，生成鸟瞰视图的方式包括：确定原始三维点云中的地面点，对地面点进行剔除操作；基于目标车辆的特征信息和激光雷达的属性，在进行剔除操作后的剩余三维点云中提取出目标区域点云；将目标区域点云进行二维视图投影，得到鸟瞰视图。

其中，目标车辆为安装有激光雷达的自动驾驶车辆，地面点为原始三维点云中，由行驶地面构成的回波点。

可选的，可确定出原始三维点云中的地面点进行剔除操作。确定原始三维点云中的地面点的方式可为：基于主成分分析方式，确定原始三维点云中的各点的法向量，基于每个点的法向量，确定出候选地面点集合；得到候选地面点集合；基于随机抽样一致性算法和候选地面点集合，确定原始三维点云中的地面点。

在具体实施中，通过主成分分析方式，将法向量与水平平面的夹角在预设夹角范围内的点，确定为候选地面点，由各候选地面点组成地面点集合。其中，预设夹角范围可为[89°，91°]，从而确定出法向量近似为竖直的地面点。具体的，基于主成分分析方式确定各点的法向量的方式可为：对于原始三维点云中的每个点，搜索与其近邻的多个相邻点，然后计算各相邻点的最小二乘意义上的局部平面，将该平面的法向量确定为该点的法向量。

进一步地，可应用随机抽样一致性算法对候选地面点集合中的点进行平面拟合操作，将拟合得到的平面中的各点确定为地面点，对地面点进行剔除操作。

进一步的，考虑到交通参与者主要集中在道路边界之内及其附近区域，为了缩小噪点的确定范围，本实施例在目标车辆前方划定一个长方体的感兴趣区域，对感兴趣区域内的原始三维点云进行检测，以减少计算量。

具体的，基于目标车辆的特征信息和激光雷达的属性，在进行剔除操作后的剩余三维点云中提取出目标区域点云；其中，特征信息包括目标车辆的长、宽、高等轮廓信息；激光雷达的属性包括激光雷达的发射水平角度、垂直角度和能够检测到的最大长度。目标区域点云即为感兴趣区域的点云。

在具体实施中，可以将目标车辆的宽和高，作为感兴趣区域的宽和高；将激光雷达能够检测到的最大长度作为感兴趣区域的长，从而构成长方体形状的感兴趣区域。或者，可将目标车辆所属的道路的宽作为感兴趣区域的宽，将目标车辆的高与预设冗余值的和值，作为感兴趣区域的高度值，将激光雷达能够检测到的最大长度作为感兴趣区域的长，从而构成长方体形状的感兴趣区域。示例性的，预设冗余值可为0.5米；本领域技术人员可根据实际应用情况设定预设冗余值，对此本方案不做限定。最后基于剔除地面点后的剩余三维点云，确定出感兴趣区域对应的点云作为目标区域点云，通过对目标区域点云进行二维视图投影，得到鸟瞰视图。

本实施例中，通过对地面点进行剔除，并提取出目标区域点云后生成鸟瞰视图，减少生成鸟瞰视图的工作量，并且为后续确定噪点的过程提供了便利性。

S120、确定鸟瞰视图中包括的每个回波点的线性索引，建立每个线性索引和对应的回波点的身份标识之间的哈希映射关系。

其中，回波点即为接收到的回波中的原始三维点云。

可选的，确定线性索引的方式包括：按照预设的噪点搜索半径对鸟瞰视图进行视图划分，得到至少一个视图栅格；在各视图栅格中确定出目标栅格，针对每个目标栅格，确定目标栅格中包括的每个目标点的线性索引；其中，目标栅格为包括回波点的栅格，目标点为属于目标栅格中的回波点。

本实施例中，可预先确定噪点搜索半径，通过噪点搜索半径沿着鸟瞰视图内2个坐标轴方向离散，完成对鸟瞰视图进行视图划分。将划分后得到的视图栅格中，包括回波点的栅格作为目标栅格，对每个目标栅格中的目标点确定线性索引。从而减少了确定噪点的范围，节省时间。

具体的，确定目标栅格中包括的每个目标点的线性索引，包括：确定目标栅格中的各目标点的二维坐标中的最小横坐标和最小纵坐标；其中，二维坐标包括二维横坐标和二维纵坐标；针对每个目标点，确定二维横坐标与最小横坐标之间的横坐标差值，对横坐标差值与噪点搜索半径之间的比值进行向下取整，得到目标点的行索引，确定二维纵坐标与最小纵坐标之间的纵坐标差值，对纵坐标差值与噪点搜索半径之间的比值进行向下取整，得到目标点的列索引，确定行索引与目标列数的乘积，将乘积与列索引之和作为线性索引；其中，目标列数为鸟瞰视图中包括的栅格的列数。

示例性的，目标栅格的目标点的行索引和列索引的确定方式如下所示：

其中，row表示行索引，col表示列索引；pt.x和pt.y分别为鸟瞰视图下的二维横坐标和二维纵坐标，pt_x_min和pt_y_min分别为整个目标区域点云的最小横坐标和最小纵坐标；R为噪点搜索半径；floor()表示向下取整数。为了便于对栅格索引进行哈希运算，需将行索引和列索引转换为线性索引，公式如下：

其中，bev表示目标列数；idx表示线性索引。

进一步的，可预先确定出每个回波点的身份标识；示例性的，身份标识包括编号、名称等标识。通过确定出的线性索引，建立每个线性索引和对应的回波点的身份标识之间的哈希映射关系。由于不同目标点确定出的线性索引可能相同，因此每个目标栅格中可形成一对多的映射关系。从而在通过确定出噪点的线性索引，再确定出噪点身份标识，能够提高确定噪点身份标识的便捷性。

本实施例，以哈希映射形式存储该映射关系，将线性索引作为关键字，将落在目标栅格中的各目标点的身份标识的集合作为值，构成键值对。哈希映射的空间复杂度与占据栅格数目和点数成线性关系。通过确定出噪点的线性索引，在利用哈希映射关系确定出噪点身份标识，能够提高确定噪点身份标识的便捷性，在空间和时间复杂度上均更为高效。

S130、基于哈希映射关系和预先存储的回波点的点数据，确定出原始三维点云中噪点的噪点身份标识，基于噪点身份标识对噪点进行去除操作。

其中，点数据包括点云的横坐标、纵坐标、竖坐标、反射率（亦称为反射强度）中的至少一项。

具体的，可基于点数据和预先构建的机器学习模型，确定出为噪点的目标点的线性索引；也可确定各点数据是否满足预设确定条件，将满足预设确定条件的目标点确定为噪点，基于哈希映射关系，确定出噪点身份标识。本实施例基于回波点的点数据，确定出为噪点的线性索引，基于哈希映射关系，确定出与该线性索引对应的身份标识作为噪点身份标识，提高了确定噪点身份标识的便捷性。

可选的，基于哈希映射关系和预先存储的回波点的点数据，确定出原始三维点云中噪点的噪点身份标识，包括：针对每个目标栅格，确定出与目标栅格对应的相邻栅格，基于相邻栅格中包括的相邻点的第一点数据和目标点的第二点数据，确定出目标栅格中的目标点是否为噪点，在目标点为噪点的情况下，基于哈希映射关系确定噪点的噪点身份标识。

其中，相邻栅格为在鸟瞰视图中，与目标栅格共用同一栅格边界的栅格；在具体确定目标栅格的相邻栅格时，可以以目标栅格为中心，确定出其它8个方向的相邻栅格。具体的，可确定出目标栅格中的任一目标点对应的目标线性索引，通过目标线性索引确定出相邻栅格的相邻线性索引，则确定出与相邻线性索引对应的栅格作为相邻栅格。

为更清晰地对相邻栅格和目标栅格的对应关系进行描述，可参见图2。示例性的，目标栅格的行索引和列索引分别为0时，相邻栅格中的相邻点的行、列索引组成的分别数组为（-1，-1）、（-1，0）、（-1，1）、（0，-1）、（0，1）、（1，-1）、（1，0）和（1，1），则可确定出8个相邻线性索引分别为-1-bev、-bev、1-bev、-1、1、bev-1、bev和bev+1。基于确定出的相邻线性索引，可确定出与之对应的相邻栅格。

具体的，在确定出相邻栅格后，可基于相邻栅格中包括的每个相邻点的第一点数据和目标点的第二点数据，确定目标栅格中的各目标点是否为噪点，若为噪点，则基于哈希映射关系确定噪点的噪点身份标识；若不为噪点，则无需继续操作。需要说明的是，确定目标栅格中的各目标点是否为噪点的方式可为通过第一点数据和第二点数据，确定目标栅格是否为噪点所属栅格，若是则基于目标栅格和相邻栅格中包括的点的数量，确定出噪点。具体的，若点的数量大于预设点数量，则再基于目标点的第二点数据分别对每个目标点进行判断；若点的数量小于或等于预设目标点数量，则可将该目标栅格中的全部目标点均作为噪点。

本实施例通过相邻栅格中的相邻点的第一点数据，确定目标栅格中的噪点，考虑到目标栅格周围环境的因素，能够全面、准确地确定出噪点。

可选的，基于相邻栅格中包括的相邻点的第一点数据和目标点的第二点数据，确定出目标栅格中的目标点是否为噪点的方式为：将第一点数据和第二点数据输入至预先训练完成的机器学习模型中，基于输出结果确定目标栅格中的目标点是否为噪点；或者，确定第一点数据和第二点数据是否满足预设确定条件；若是，则确定目标栅格中的目标点为噪点。

具体的，可通过预先训练完成的机器学习模型，确定出目标点是否为噪点。还可通过确定第一数据和第二数据是否满足预设确定条件，确定出目标栅格中的目标点是否为噪点。若满足预设确定条件，则确定目标栅格中的目标点为噪点；若不满足，则确定该目标栅格中的目标点不为噪点。示例性的，由于噪点具有稀疏性，可通过第一点数据和第二点数据，确定目标栅格和相邻栅格构成的区域的平均点密度，若平均点密度小于预设密度值，则可确定该目标栅格中的目标点为噪点。

在具体实施中，第一点数据包括相邻点的第一竖坐标和第一反射率；第二点数据包括目标点的第二竖坐标和第二反射率；预设确定条件包括下述条件中的至少一项：

第一竖坐标和第二竖坐标中，最大竖坐标值和最小竖坐标值之间的差值小于预设高度值；其中，最大竖坐标值为第一竖坐标和第二竖坐标中的最大值，最小竖坐标值为第一竖坐标和第二竖坐标中的最小值；

相邻点和目标点的数量之和，小于预设数量值；

第一反射率数量与第二反射率数量的比值大于预设比值；其中，第一反射率数量为第一反射率和第二反射率中小于预设反射率的反射率数量，第二反射率数量为第一反射率和第二反射率中全部反射率数量。预设比值小于1。

具体的，考虑到小物体如锥桶等在鸟瞰视图下也会呈现稀疏特征，为避免对噪点的误判断，可基于目标点和相邻点的竖坐标值，确定出点云对应的物体的高度值，从而确定出目标栅格中的目标点属于锥桶还是噪点。其中，最大竖坐标值与最小竖坐标值的差值即为目标栅格中对应的物体的高度值，若大于或等于预设高度值，则说明目标栅格中的物体为锥桶等物体，若小于预设高度值，则说明目标栅格中存在噪点。

进一步的，天气噪点、扬尘噪点与地面拟合后的残留噪点的反射率低，所以可基于点云的反射率特征，确定目标栅格中的点是否为噪点。具体的，可确定出第一反射率数量与第二反射率数量的比值，若该比值大于预设比值，说明相邻栅格和目标栅格中，反射率低于预设反射率的点的数量多，则可在目标栅格中确定出噪点；例如，可将目标栅格中的全部目标点均作为噪点；或者将目标栅格中的反射率低于预设反射率的点确定为噪点。

另外，由于栅格的大小为预先确定的固定的噪点搜索半径，因此可通过相邻栅格和目标栅格中的点的数量，反映出目标栅格和相邻栅格的点的密度。具体的，可确定相邻点和目标点的数量之和是否小于预设数量值；若小于预设数量值，则确定目标点为噪点。若大于或等于预设值，则确定目标点不为噪点。

为提高确定噪点的准确性，可通过将同时满足上述三项条件的目标栅格的目标点，确定为噪点。

需要说明的是，激光雷达点云具有随着距离增加而逐渐变稀疏的固有特性，则可按照各目标栅格与目标车辆之间的距离远近，将目标车辆前方区域划分为近距离、中距离和远距离3大区域，对3个区域分别设定不同的预设数量值、预设高度值、预设反射率和预设比值，从而更加准确地确定出噪点。

基于哈希映射关系，可确定出满足预设确定条件的目标点的噪点身份标识，基于噪点身份标识在已存储的原始三维点云中，去除与噪点身份标识对应的噪点数据，以完成噪点去除操作。

本发明实施例的技术方案，通过基于激光雷达接收到的回波中的原始三维点云，生成鸟瞰视图；确定鸟瞰视图中包括的每个回波点的线性索引，建立每个线性索引和对应的回波点的身份标识之间的哈希映射关系；基于哈希映射关系和预先存储的回波点的点数据，确定出原始三维点云中噪点的噪点身份标识，基于噪点身份标识对噪点进行去除操作。本实施例通过将原始三维点云映射至鸟瞰视图，降低了确定噪点过程中的空间复杂度，减少内存占用；并且基于哈希映射关系确定噪点身份标识，提高了确定噪点的效率，减少确定噪点的耗时。

图3是根据本发明实施例提供的一种噪点去除装置的结构示意图，该装置用于执行上述任意实施例所提供的噪点去除方法。该装置与上述各实施例的噪点去除方法属于同一个发明构思，在噪点去除装置的实施例中未详尽描述的细节内容，可以参考上述噪点去除方法的实施例。如图3所示，该装置包括：

鸟瞰视图生成模块10，用于基于激光雷达接收到的回波中的原始三维点云，生成鸟瞰视图；

线性索引确定模块11，用于确定鸟瞰视图中包括的每个回波点的线性索引，建立每个线性索引和对应的回波点的身份标识之间的哈希映射关系；

噪点身份标识确定模块12，用于基于哈希映射关系和预先存储的回波点的点数据，确定出原始三维点云中噪点的噪点身份标识，基于噪点身份标识对噪点进行去除操作。

在本发明实施例中任一可选技术方案的基础上，可选的，鸟瞰视图生成模块10包括：

地面点剔除单元，用于确定原始三维点云中的地面点，对地面点进行剔除操作；

目标区域点云提取单元，用于基于目标车辆的特征信息和激光雷达的属性，在进行剔除操作后的剩余三维点云中提取出目标区域点云；

投影单元，用于将目标区域点云进行二维视图投影，得到鸟瞰视图。

在本发明实施例中任一可选技术方案的基础上，可选的，线性索引确定模块11包括：

视图划分单元，用于按照预设的噪点搜索半径对鸟瞰视图进行视图划分，得到至少一个视图栅格；

目标栅格确定单元，用于在各视图栅格中确定出目标栅格，针对每个目标栅格，确定目标栅格中包括的每个目标点的线性索引；

其中，目标栅格为包括回波点的栅格，目标点为属于目标栅格中的回波点。

在本发明实施例中任一可选技术方案的基础上，可选的，目标栅格确定单元，包括：

坐标确定子单元，用于确定目标栅格中的各目标点的二维坐标中的最小横坐标和最小纵坐标；其中，二维坐标包括二维横坐标和二维纵坐标；

线性索引确定子单元，用于针对每个目标点，确定二维横坐标与最小横坐标之间的横坐标差值，对横坐标差值与噪点搜索半径之间的比值进行向下取整，得到目标点的行索引，确定二维纵坐标与最小纵坐标之间的纵坐标差值，对纵坐标差值与噪点搜索半径之间的比值进行向下取整，得到目标点的列索引，确定行索引与目标列数的乘积，将乘积与列索引之和作为线性索引；

其中，目标列数为鸟瞰视图中包括的栅格的列数。

在本发明实施例中任一可选技术方案的基础上，可选的，噪点身份标识确定模块12，包括：

噪点身份标识确定单元，用于针对每个目标栅格，确定出与目标栅格对应的相邻栅格，基于相邻栅格中包括的相邻点的第一点数据和目标点的第二点数据，确定出目标栅格中的目标点是否为噪点，在目标点为噪点的情况下，基于哈希映射关系确定噪点的噪点身份标识。

在本发明实施例中任一可选技术方案的基础上，可选的，噪点身份标识确定单元包括：

模型确定子单元，用于将第一点数据和第二点数据输入至预先训练完成的机器学习模型中，基于输出结果确定目标栅格中的目标点是否为噪点；或者，

条件确定子单元，用于确定第一点数据和第二点数据是否满足预设确定条件；若是，则确定目标栅格中的目标点为噪点。

在本发明实施例中任一可选技术方案的基础上，可选的，第一点数据包括相邻点的第一竖坐标和第一反射率；第二点数据包括目标点的第二竖坐标和第二反射率；

预设确定条件包括下述条件中的至少一项：

第一竖坐标和第二竖坐标中，最大竖坐标值和最小竖坐标值之间的差值小于预设高度值；其中，最大竖坐标值为第一竖坐标和第二竖坐标中的最大值，最小竖坐标值为第一竖坐标和第二竖坐标中的最小值；

相邻点和目标点的数量之和，小于预设数量值；

第一反射率数量与第二反射率数量的比值大于预设比值；其中，第一反射率数量为第一反射率和第二反射率中小于预设反射率的反射率数量，第二反射率数量为第一反射率和第二反射率中大于或等于预设反射率的反射率数量。

本发明实施例的技术方案，通过基于激光雷达接收到的回波中的原始三维点云，生成鸟瞰视图；确定鸟瞰视图中包括的每个回波点的线性索引，建立每个线性索引和对应的回波点的身份标识之间的哈希映射关系；基于哈希映射关系和预先存储的回波点的点数据，确定出原始三维点云中噪点的噪点身份标识，基于噪点身份标识对噪点进行去除操作。本实施例通过将原始三维点云映射至鸟瞰视图，降低了确定噪点过程中的空间复杂度，减少内存占用；并且基于哈希映射关系确定噪点身份标识，提高了确定噪点的效率，减少确定噪点的耗时。值得注意的是，上述噪点去除装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

图4是实现本发明实施例的噪点去除方法的电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图4所示，电子设备20包括至少一个处理器21，以及与至少一个处理器21通信连接的存储器，如只读存储器（ROM）22、随机访问存储器（RAM）23等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器21可以根据存储在只读存储器（ROM）22中的计算机程序或者从存储单元28加载到随机访问存储器（RAM）23中的计算机程序，来执行各种适当的动作和处理。在RAM23中，还可存储电子设备20操作所需的各种程序和数据。处理器21、ROM22以及RAM23通过总线24彼此相连。输入/输出（I/O）接口25也连接至总线24。

电子设备20中的多个部件连接至I/O接口25，包括：输入单元26，例如键盘、鼠标等；输出单元27，例如各种类型的显示器、扬声器等；存储单元28，例如磁盘、光盘等；以及通信单元29，例如网卡、调制解调器、无线通信收发机等。通信单元29允许电子设备20通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器21可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器21的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器21执行上文所描述的各个方法和处理，例如噪点去除方法。

在一些实施例中，噪点去除方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元28。在一些实施例中，计算机程序的部分或者全部可以经由ROM22和/或通信单元29而被载入和/或安装到电子设备20上。当计算机程序加载到RAM23并由处理器21执行时，可以执行上文描述的噪点去除方法的一个或多个步骤。备选地，在其他实施例中，处理器21可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行噪点去除方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种噪点去除方法，其特征在于，包括：

基于激光雷达接收到的回波中的原始三维点云，生成鸟瞰视图；

确定所述鸟瞰视图中包括的每个回波点的线性索引，建立每个所述线性索引和对应的所述回波点的身份标识之间的哈希映射关系；

基于哈希映射关系和预先存储的回波点的点数据，确定出所述原始三维点云中噪点的噪点身份标识，基于所述噪点身份标识对噪点进行去除操作。

2.根据权利要求1所述的方法，其特征在于，所述基于激光雷达接收到的回波中的原始三维点云，生成鸟瞰视图，包括：

确定所述原始三维点云中的地面点，对所述地面点进行剔除操作；

基于目标车辆的特征信息和所述激光雷达的属性，在进行剔除操作后的剩余三维点云中提取出目标区域点云；

将所述目标区域点云进行二维视图投影，得到所述鸟瞰视图。

3.根据权利要求1所述的方法，其特征在于，所述确定所述鸟瞰视图中包括的每个回波点的线性索引，包括：

按照预设的噪点搜索半径对所述鸟瞰视图进行视图划分，得到至少一个视图栅格；

在各所述视图栅格中确定出目标栅格，针对每个所述目标栅格，确定所述目标栅格中包括的每个目标点的线性索引；

其中，所述目标栅格为包括回波点的栅格，目标点为属于所述目标栅格中的回波点。

4.根据权利要求3所述的方法，其特征在于，所述确定所述目标栅格中包括的每个目标点的线性索引，包括：

确定所述目标栅格中的各目标点的二维坐标中的最小横坐标和最小纵坐标；其中，所述二维坐标包括二维横坐标和二维纵坐标；

针对每个所述目标点，确定所述二维横坐标与所述最小横坐标之间的横坐标差值，对所述横坐标差值与所述噪点搜索半径之间的比值进行向下取整，得到所述目标点的行索引，确定所述二维纵坐标与所述最小纵坐标之间的纵坐标差值，对所述纵坐标差值与所述噪点搜索半径之间的比值进行向下取整，得到所述目标点的列索引，确定所述行索引与目标列数的乘积，将所述乘积与列索引之和作为所述线性索引；

其中，所述目标列数为所述鸟瞰视图中包括的栅格的列数。

5.根据权利要求3所述的方法，其特征在于，所述基于哈希映射关系和预先存储的回波点的点数据，确定出所述原始三维点云中噪点的噪点身份标识，包括：

针对每个所述目标栅格，确定出与所述目标栅格对应的相邻栅格，基于所述相邻栅格中包括的相邻点的第一点数据和所述目标点的第二点数据，确定出所述目标栅格中的目标点是否为噪点，在所述目标点为噪点的情况下，基于所述哈希映射关系确定所述噪点的噪点身份标识。

6.根据权利要求5所述的方法，其特征在于，所述基于所述相邻栅格中包括的相邻点的第一点数据和所述目标点的第二点数据，确定出所述目标栅格中的目标点是否为噪点，包括：

将所述第一点数据和所述第二点数据输入至预先训练完成的机器学习模型中，基于输出结果确定所述目标栅格中的目标点是否为噪点；或者，

确定所述第一点数据和所述第二点数据是否满足预设确定条件；

若是，则确定所述目标栅格中的目标点为噪点。

7.根据权利要求6所述的方法，其特征在于，所述第一点数据包括相邻点的第一竖坐标和第一反射率；所述第二点数据包括目标点的第二竖坐标和第二反射率；

所述预设确定条件包括下述条件中的至少一项：

所述第一竖坐标和所述第二竖坐标中，最大竖坐标值和最小竖坐标值之间的差值小于预设高度值；其中，所述最大竖坐标值为所述第一竖坐标和所述第二竖坐标中的最大值，所述最小竖坐标值为所述第一竖坐标和所述第二竖坐标中的最小值；

所述相邻点和所述目标点的数量之和，小于预设数量值；

第一反射率数量与第二反射率数量的比值大于预设比值；其中，所述第一反射率数量为所述第一反射率和所述第二反射率中小于预设反射率的反射率数量，所述第二反射率数量为所述第一反射率和所述第二反射率中大于或等于预设反射率的反射率数量。

8.一种噪点去除装置，其特征在于，包括：

鸟瞰视图生成模块，用于基于激光雷达接收到的回波中的原始三维点云，生成鸟瞰视图；

线性索引确定模块，用于确定所述鸟瞰视图中包括的每个回波点的线性索引，建立每个所述线性索引和对应的所述回波点的身份标识之间的哈希映射关系；

噪点身份标识确定模块，用于基于哈希映射关系和预先存储的回波点的点数据，确定出所述原始三维点云中噪点的噪点身份标识，基于所述噪点身份标识对噪点进行去除操作。

9.一种电子设备，其特征在于，所述电子设备包括：

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，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的噪点去除方法。

10.一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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的噪点去除方法。