CN113971694B 一种点云数据处理方法及装置 （商汤集团有限公司）

道西一号核心大楼第二座2楼226-230室本公开提供了一种点云数据处理方法及装出目标点云数据；对所述目标点云数据进行检2获取设置所述雷达装置的智能行驶设备的位置信息，基于所基于有效感知范围内的参考位置点在所述目标场景中的坐标信基于所述有效坐标范围、以及所述待处理点云数据中每一个雷达扫描点的坐标信息，将对应的坐标信息位于所述有效坐标范围内的雷达扫描点作为所述目标点云数据中对所述目标点云数据进行栅格化处理，得到栅格矩阵；所述栅格矩根据所述栅格矩阵以及所述目标场景中的待识别对象的尺寸信息，生成与根据所述栅格矩阵以及所述目标场景中的待识别对象的尺寸信息，对所述栅格矩阵中的目标元素进行至少一次移位处理以及逻辑运3对当前次膨胀处理操作前的栅格矩阵中的元素进行第一取反操基于第一预设卷积核对所述第一取反操作后的栅格矩阵进行至少一次卷对所述至少一次卷积运算后的具有预设稀疏度的栅格矩阵中的元素进行第二取反操基于第二预设卷积核，对当前次膨胀处理操作前的栅格矩阵中除9.根据权利要求7或8所述的方法，其特征在于，所述针对首次卷积运算，将所述第一取反操作后的栅格矩阵与所述若否，则循环执行将上一次卷积运算后的栅格矩阵与所述第针对首次卷积运算，按照第一预设卷积核的大小以及预设针对选取的每个所述栅格子矩阵，将该栅格子矩阵与所述权基于第三预设卷积核对待处理的栅格矩阵进行至少一次卷积运4将所述至少一次卷积运算后的具有预设稀疏度的栅格矩阵，确定为对所述目标点云数据进行栅格化处理，得到栅格矩阵以及该栅格矩所述基于生成的所述稀疏矩阵，确定所述待识别对象在所述目标场景中的位置范围，基于所述栅格矩阵中各个元素与各个点云点坐标范围信息之间的对将所述稀疏矩阵中各个所述目标元素所对应的坐标信息进行组合，基于训练好的卷积神经网络对生成的所述稀疏矩阵中的每个目标元素进行至少一次基于所述检测结果控制设置所述雷达装置的筛选模块，用于获取设置所述雷达装置的智能行驶设备过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至14任一所述的点序，该计算机程序被处理器运行时执行如权利要求1至14任意一项所述的点云数据处理方56[0019]将对应的坐标信息位于所述有效坐标范围内的雷达扫描点作为所述目标点云数[0024]这里，智能行驶设备位于不同道路类型的道路上时所需处理的点云数据可能不[0025]一种可能的实施方式中，所述检测结果包括在所述目标场景中待识别对象的位尺寸信息，对所述栅格矩阵中的目标元素进行至少一次膨胀处理操作或者腐蚀处理操作，的待识别对象的尺寸大小之间的差值在预设阈值7[0037]基于第一预设卷积核对所述第一取反操作后的栅格矩阵[0038]对所述至少一次卷积运算后的具有预设稀疏度的栅格矩阵中的元素进行第二取[0048]针对选取的每个所述栅格子矩阵，将该栅格子矩阵与所述权值矩阵进行乘积运[0049]基于各个所述栅格子矩阵对应的第二运算结果，确定首次卷积运算后的栅格矩8[0059]基于训练好的卷积神经网络对生成的所述稀疏矩阵中的每个目标元素进行至少所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方9[0074]图3示出了本公开实施例所提供的一种确定所述参考位置点的坐标信息的方法的[0081]图7(a)示出了本公开实施例一所提供的一种第一取反操作后的栅格矩阵的示意[0088]针对以上方案所存在的缺陷，均是发明人在经过实践并备可以为用户设备(UserEquipment，UE)、移动设备、用户终端、终端、个人数字处理该点云数据处理方法可以通过处理器调用存储器中存储的计算机可[0099]构成基于x轴方向上的最大值x_max和最小值x_min、y轴方向上的最大值y_max和下，还可以限制参考雷达扫描点再各个坐标维度上的空间体素的个数不超过空间体素阈[0114]以计算资源信息包括中央处理器CPU的内存为例，各个等级的计算资源信息与有[0124]其中，所述参考位置点的坐标信息可以是参考位置点在雷达坐标系下的坐标信点在参考坐标系下各个坐标维度上的坐标阈值对应的阈值坐标点与参考位置点之间的相考坐标系下各个坐标维度上的坐标阈值，在激光雷达坐标系下各个坐标维度上的坐标阈的有效感知范围信息中的参考雷达扫描点在雷达坐标系下各个坐标维度上的坐标阈值也将对应的坐标信息位于所述有效坐标范围内的雷达扫描点作为所述目标点云数据中的雷[0137]在获取智能行驶设备的位置信息时，例如可以基于全球定位系统(Global[0138]步骤302、基于所述智能行驶设备的位置信息确定所述智能行驶设备所在道路的[0139]具体实施中，可以预先设置智能行驶设备可行驶范围内于高速路上时，智能行驶设备所需处理的点云数据可能是智能行驶设备前方的点云数据，[0142]这里，智能行驶设备位于不同道路类型的道路上时所需处理的点云数据可能不[0143]在一种可能的实施方式中，在从所述待处理点云数据中筛选出目标点云数据之场景中的待识别对象的尺寸信息对上述零一矩阵进行膨胀处理操作(对应增多零一矩阵中指示为1的元素的处理结果)或者腐蚀处理操作(对应减少零一矩阵中指示为1的元素的处理结果)的过程。接下来对上述栅格化处理的过程以及稀疏处理的过程进行更进一步的描[0152]为了便于理解上述栅格化的处理过程，接下来可以结合一个示例进行具体说隔大小可配置。此时可以使用零一矩阵(即上述栅格矩阵)编码栅格化后的目标点云数据，[0157]本公开实施例中，有关稀疏处理操作可以是对栅格矩阵中的目标元素(即表征对应的栅格处存在点云点的元素)进行至少一次膨胀处理操作，这里的膨胀处理操作可以是到的稀疏矩阵的坐标范围大小与所述目标场景中的待识别对象的尺寸大小之间的差值是[0160]本公开实施例中，上述膨胀处理操作可以是基于移位操作和逻辑或操作所实现[0166]本公开实施例中基于生成的稀疏矩阵，可以确定待识别对象在目标场景中的位[0168]步骤一、基于栅格矩阵中各个元素与各个点云点坐标范点坐标范围信息之间的对应关系来确定与该稀疏矩阵中每个目标元素所对应的坐标信息，[0173]为了便于理解上述反栅格化的处理过程，接下来可以结合一个示例进行具体说[0174]本公开实施例不仅可以基于上述稀疏矩阵与目标检测结果的近似关系来实现待识别对象的位置范围的确定，还可以基于训练的卷积神经网络确定待识别对象的位置范[0176]在相关利用卷积神经网络来实现目标检测的技术中，需供的方法仅需要通过快速遍历稀疏矩阵中的目标元素，来找到有效点所在位置(即零一矩述方法对首次膨胀处理操作后的稀疏矩阵中的目标元素进行多个预设方向的移位处理和矩阵的坐标范围大小与目标场景中的待识别对象的尺寸大小之间的差值属于预设阈值范可以将当前次膨胀处理操作前的栅格矩阵与选取出的移位后的栅格矩阵进行逻辑或运算，[0191]本公开实施例中，首先可以使用矩阵移位确定零一矩阵中所有元素值为1的元素结果可以再和下移以后的栅格矩阵逻辑或起来，从而得到首次膨胀处理操作后的稀疏矩反操作方式实现的。为了便于配合后续的应用网络(如进行目标检测所采用的卷积神经网积核)和一个线性整流函数(RectifiedLinearUnit,ReLU)来实现。上述第一预设卷积核一取反操作后的栅格矩阵*权重+偏置量)}来实现上述腐蚀[0219]同理，本公开实施例中的腐蚀处理操作可以是以目标元积运算后的栅格矩阵，在判断首次卷积运算后的栅格矩阵的稀疏度未达到预设稀疏度之[0242]将对应的坐标信息位于所述有效坐标范围内的雷达扫描点作为所述目标点云数[0247]一种可能的实施方式中，所述检测结果包括在所述目标场景中待识别对象的位的待识别对象的尺寸大小之间的差值在预设阈值[0259]基于第一预设卷积核对所述第一取反操作后的栅格矩阵[0260]对所述至少一次卷积运算后的具有预设稀疏度的栅格矩阵中的元素进行第二取[0270]针对选取的每个所述栅格子矩阵，将该栅格子矩阵与所述权值矩阵进行乘积运[0271]基于各个所述栅格子矩阵对应的第二运算结果，确定首次卷积运算后的栅格矩[0281]基于训练好的卷积神经网络对生成的所述稀疏矩阵中的每个目标元素进行至少例中，计算机程序产品具体体现为软件产品，例如软件开发包(SoftwareDevelopment合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方