[发明专利]基于霍夫空间的物体识别方法、系统、设备及存储介质

说明书

本发明实施例公开了基于霍夫空间的物体识别方法、系统、设备及存储介质。本发明实施例先获取当前环境下的环境点云数据；将所述环境点云数据映射至霍夫空间下，并对所述霍夫空间进行栅格化处理，以得到与单元网格对应的累计判别信息；将所述累计判别信息通过预设卷积神经网络进行物体识别。本发明实施例不同于常规的深度学习技术，不会直接处理原始的非结构化分布的三维点云数据，而通过引入霍夫空间下的点云数据处理过程，将预设卷积神经网络的输入量替换为了更加规范化的霍夫空间处理下的累计判别信息，可以将点云数据与深度学习有效结合并提高点云物体识别的精度。

技术领域

本发明涉及物体识别技术领域，尤其涉及基于霍夫空间的物体识别方法、系统、设备及存储介质。

背景技术

随着人工智能技术的日益成熟，在智慧交通体系中，无人驾驶汽车可通过视觉、激光传感器扫描道路地形的图像和三维数据，利用人工智能算法对道路交通信息进行同步感知，还可兼顾全局导航任务，实现了局部区域行驶的安全路径规划。

可见，无人车的自主导航和安全避障会显得更为重要。

而就常规视觉传感器获取到的视觉图像而言，该视觉图像中的远景信息分辨率低，这导致所估算的远景地形的三维坐标精度不高；同时，这些视觉传感器测量精度易受光照和天气的影响，在地貌无特征点的情况下甚至无法获取三维数据。

与常规视觉传感器相比，激光雷达(LiDAR，Light detection and ranging)传感器依据激光测距原理扫描地形环境三维点云数据，使得采集到的三维点云数据具备不易受光照和天气影响、有效测量距离远、获取地形信息精度高及抗有源干扰能力强等特点。

此外，LiDAR传感器已在智能机器人导航、定位、避障及路径规划等研究领域中得到广泛应用，适用于智能汽车的环境感知；智能汽车通过识别LiDAR点云数据中障碍物的位置和类别，实现了自动避撞和路径规划等自主控制行为。

但是，LiDAR传感器采集到的点云数据呈现非结构化分布，若采用常规的结合多视图、体素等方法的深度学习技术来处理该点云数据以进行目标检测与物体识别，易丢失大量有效判别信息，物体识别精度较低。

发明内容

为了解决上述问题，本发明实施例提供基于霍夫空间的物体识别方法、系统、设备及存储介质。

第一方面，本发明实施例提供一种基于霍夫空间的物体识别方法，包括：

获取当前环境下的环境点云数据；

将所述环境点云数据映射至霍夫空间下，并对所述霍夫空间进行栅格化处理，以得到与单元网格对应的累计判别信息；

将所述累计判别信息通过预设卷积神经网络进行物体识别。

优选地，所述获取当前环境下的环境点云数据之后，所述基于霍夫空间的物体识别方法还包括：

从所述环境点云数据中提取非地面点云数据；

对所述非地面点云数据进行分割，以得到单个的物体点云数据；

所述将所述环境点云数据映射至霍夫空间下，并对所述霍夫空间进行栅格化处理，以得到与单元网格对应的累计判别信息，具体包括：

将所述物体点云数据映射至霍夫空间下，并对所述霍夫空间进行栅格化处理，以得到与单元网格对应的累计判别信息。

优选地，所述对所述非地面点云数据进行分割，以得到单个的物体点云数据，具体包括：

基于三维连通区域标记方式对所述非地面点云数据进行分割，以得到单个的物体点云数据。

优选地，所述将所述物体点云数据映射至霍夫空间下，并对所述霍夫空间进行栅格化处理，以得到与单元网格对应的累计判别信息，具体包括：