[发明专利]一种激光点云数据的识别方法、装置、设备和介质

说明书

本发明实施例公开了一种激光点云数据的识别方法、装置、设备和介质。其中，方法包括：将待测激光点云数据的原始数据点，输入点云深度学习模型；从所述点云深度学习模型输出各个数据点的类别信息；根据具有类别信息的待测激光点云数据，进行障碍物识别处理。本发明实施例通过将待测激光点云的原始数据点直接输入至预先训练好的点云深度学习模型中获得原始数据中每个数据点的类别信息，进而根据获得的类别信息识别障碍物，解决了在没有拍摄图像辅助的情况下，难以判断障碍物类型的问题；可以无需拍摄图辅助对障碍物进行识别，并提高了对激光点云数据的标注效率。

技术领域

本发明实施例涉及激光点云数据的处理技术，尤其涉及一种激光点云数据的识别方法、装置、设备和介质。

背景技术

在自动驾驶和辅助驾驶的技术领域中，采用激光雷达进行环境感知是一种广泛被采用的技术。

现有技术中，首先通过激光雷达发射激光射线，激光射线遇到不可穿透的障碍物时会被反射回来，由激光雷达的接收设备接收；通过记录发射和接收之间的时延，再结合射线的传输速度来计算障碍物与激光雷达之间的距离。通过大量的激光射线检测，能够进行周围环境的感知。以64线激光雷达为例，每秒可产生130万个点，每个点能反映对应的距离,并可折算为该点在空间的坐标值。激光雷达的一次检测获取的点云数据，可称为一帧激光点云数据。

为了基于激光点云数据进一步进行障碍物识别,现有技术采用对激光点云数据进行标注的方法来实现。在3D点云标注中，目前常用的方法是标注障碍物的boundingbox(包围盒),将3D包围盒投影到2D图像中查看障碍物类型，如大车、小车、行人、自行车、摩托车等。

现有的标注方法中遇到的问题是：一方面，在没有拍摄图像辅助的情况下，判断障碍物类型比较困难；另一方面，在标注中比较耗时的环节是定位障碍物位置和判断障碍物类型。激光雷达扫描的点云数据只包含了障碍物的三维空间坐标，因此需要用包围盒的形状和尺寸来粗略判断障碍物类型，然后将包围盒顶点投影到图像中进一步验证，才能确定障碍物。

发明内容

本发明实施例提供一种激光点云数据的识别方法、装置、设备和介质，以提高对激光点云数据的标注效率。

第一方面，本发明实施例提供了一种激光点云数据的识别方法，该方法包括：

将待测激光点云数据的原始数据点，输入点云深度学习模型；

从所述点云深度学习模型输出各个数据点的类别信息；

根据具有类别信息的待测激光点云数据，进行障碍物识别处理。

可选的，所述原始数据点至少包括数据点的空间坐标值。

进一步的，在将激光点云数据的原始数据点，输入点云深度学习模型之前，还包括：

标注过类别信息的样本激光点云数据输入点云深度学习模型进行训练，其中，点云深度学习模型的输入数据包括每个数据点的原始数据点和每个数据点的类别信息。

可选的，所述类别信息包括障碍物类型。

可选的，所述点云深度学习模型为神经网络模型。

可选的，从所述点云深度学习模型获取各个数据点的类别信息之后，还包括：

根据所述类别信息配置所述数据点所呈现的颜色值，将呈现不同颜色的三维激光点云数据进行三维渲染显示，其中，不同颜色的数据点代表不同障碍物类别。

第二方面，本发明实施例还提供了一种激光点云数据的识别装置，该装置包括：

数据输入模块，用于将待测激光点云数据的原始数据点，输入点云深度学习模型；

类别信息获取模块，用于从所述点云深度学习模型输出各个数据点的类别信息；