[发明专利]点云数据的处理方法、装置及电子设备

说明书

本发明提供了一种点云数据的处理方法、装置及电子设备，涉及数据处理的技术领域，该方法包括：获取原始点云数据集，提取点云数据集中的每个点的特征信息，对原始点云数据集进行采样处理，以生成原始点云数据集的关键点集；对于关键点集中的每个关键点，根据特征信息计算原始点云数据集中所有的点到该关键点的高斯距离；基于高斯距离确定该关键点的相邻点集；对相邻点集进行特征聚合，生成该关键点对应的特征点；统计每个关键点对应的特征点，生成原始点云数据集的特征点集。本发明提供的点云数据的处理方法、装置及电子设备，由于减少了人工干预的过程，因此，能减少错误特征提取的可能性，不仅增强了特征鲁棒性，也改善了最终的感知性能。

技术领域

本发明数据处理的技术领域，尤其是涉及一种点云数据的处理方法、装置及电子设备。

背景技术

随着3D传感器技术（激光雷达、RGB-D摄像头、多目摄像头等）的快速发展和成本降低，越来越多的自动驾驶设备开始把3D传感器作为必备的感知传感器。相比传统的2D传感器（如彩色摄像头），3D传感器能够获取交通环境中丰富的几何位置信息，提升无人驾驶车辆的感知性能，进而使自动驾驶设备的安全性和高效性都得到保证。

通常，3D传感器对目标进行检测时，得到的是三维点云数据，由于点云数据的稀疏性，无序性，旋转不变性等特点，因此，目前基于点云数据的感知方法主要还是先将点云数据转成稠密，有序，和结构化的数据（例如，栅格化和体素化），然后再使用传统2D卷积方法，对已经结构化的点云数据进行特征提取和完成感知任务。此类方法在将点云结构化的过程中，无法避免的会造成原始点云信息的损失，而将2D卷积方法用在3D数据上也会造成提取的特征不够鲁棒，并且，现有技术中的卷积方法，多需要较多的人工干预，难以保障计算的准确性和普遍适用性，从而影响最终的感知性能。

发明内容

有鉴于此，本发明的目的在于提供一种点云数据的处理方法、装置及电子设备，以缓解上述技术问题。

第一方面，本发明实施例提供了一种点云数据的处理方法，包括：获取原始点云数据集，其中，所述原始点云数据集为3D传感器感知周围环境后生成的；对于所述原始点云数据集进行下述卷积操作：提取所述点云数据集中的每个点的特征信息，其中，所述特征信息包括每个点的类别，每个点相对于目标中心的偏移向量，以及，每个点对所述偏移向量的不确定参数；对所述原始点云数据集进行采样处理，以生成所述原始点云数据集的关键点集；对于所述关键点集中的每个关键点，均执行以下过程：根据所述特征信息计算所述原始点云数据集中所有的点到该关键点的高斯距离；基于所述高斯距离确定该关键点的相邻点集；对所述相邻点集进行特征聚合，生成该关键点对应的特征点；统计每个所述关键点对应的特征点，生成所述原始点云数据集的特征点集。

优选地，在一种可能的实施方式中，上述方法还包括：将所述特征点集确定为所述卷积操作的输入点集；循环执行所述卷积操作，直至所述卷积操作的执行次数达到预设的次数阈值结束；将所述卷积操作结束时对应的特征点集确定为目标点集，以对目标进行检测处理。

优选地，在一种可能的实施方式中，上述基于所述高斯距离确定该关键点的相邻点集的步骤包括：将所述高斯距离大于预设距离阈值的点确定为该关键点的相邻点；将所述相邻点加入到该关键点的相邻点集，以生成该关键点的相邻点集。

优选地，在一种可能的实施方式中，上述提取所述点云数据集中的每个点的特征信息的步骤包括：将所述原始点云数据集输入至预先训练完成的特征提取神经网络，通过所述特征提取神经网络输出所述点云数据集中的每个点的特征信息。

优选地，在一种可能的实施方式中，上述对所述原始点云数据集进行采样处理，以生成所述原始点云数据集的关键点集的步骤包括：获取预设的采样算法；通过所述采样算法提取所述原始点云数据集中包括的多个关键点；将多个所述关键点确定为所述关键点集中的点，以生成所述关键点集；其中，所述关键点为所述卷积操作的卷积中心位置对应的点。