The invention discloses a method, device and computer equipment for densification of laser point clouds. The method for densification of laser point clouds includes acquiring the original point clouds of the target scene, projecting the original point clouds to a cylinder according to the front view angle, and generating the first front view. The front view angle is related to the azimuth angle when the laser radar collects the original point clouds. Based on the mapping relationship between different resolution front views constructed by the depth learning model, the second front view is mapped from the first front view, and the resolution of the second front view is higher than that of the first front view. The second front view is projected into the coordinate system of the original point cloud to obtain the dense point cloud of the target scene. The method, device and computer equipment for densification of laser point clouds provided by the invention solve the problem that the densification effect of laser point clouds in the prior art is relatively poor.
【技术实现步骤摘要】
实现激光点云稠密化的方法、装置及计算机设备
本专利技术涉及计算机
,尤其涉及一种实现激光点云稠密化的方法、装置及计算机设备。
技术介绍
高精度地图,是用于辅助驾驶、半自动驾驶或者无人驾驶的地图,由一系列地图要素构成,例如,地图要素包括:路牙、护栏等。其中,高精度地图的生成过程中,首先从激光点云提取得到地图要素,再通过人工方式对提取得到的地图要素进行编辑,以生成高精度地图。由上可知,地图要素的提取依赖于激光点云,如果激光点云过于稀疏,将导致地图要素的准确性不高,并最终影响高精度地图的生产效率。为此,现有的激光点云稠密化方案通常采用内插值方法,以此进行激光点云的上采样,达到激光点云的稠密化效果。然而,受限于内插值方法所依赖的规则,例如,规则包括近邻插值、双线性插值等,使得激光点云的稠密化效果相对较差。
技术实现思路
为了解决相关技术中存在的激光点云的稠密化效果相对较差的问题,本专利技术各实施例提供一种实现激光点云稠密化的方法、装置及计算机设备。其中,本专利技术所采用的技术方案为:根据本专利技术公开的第一方面,一种实现激光点云稠密化的方法,包括:获取目标场景的原始点云;按照前视图视角将所述原始点云投影至一柱面,生成第一前视图,所述前视图视角与激光雷达采集所述原始点云时的方位角有关;基于深度学习模型所构建不同分辨率前视图之间的映射关系,由所述第一前视图映射得到第二前视图,所述第二前视图的分辨率高于所述第一前视图的分辨率;将第二前视图投影至所述原始点云所在坐标系,得到所述目标场景的稠密点云。根据本专利技术公开的第二方面,一种实现激光点云稠密化的装置,包括:原始点云 ...
【技术保护点】
1.一种实现激光点云稠密化的方法,其特征在于,包括:获取目标场景的原始点云;按照前视图视角将所述原始点云投影至一柱面,生成第一前视图,所述前视图视角与激光雷达采集所述原始点云时的方位角有关;基于深度学习模型所构建不同分辨率前视图之间的映射关系,由所述第一前视图映射得到第二前视图,所述第二前视图的分辨率高于所述第一前视图的分辨率;将所述第二前视图投影至所述原始点云所在坐标系,得到所述目标场景的稠密点云。
【技术特征摘要】
1.一种实现激光点云稠密化的方法,其特征在于,包括:获取目标场景的原始点云;按照前视图视角将所述原始点云投影至一柱面,生成第一前视图,所述前视图视角与激光雷达采集所述原始点云时的方位角有关;基于深度学习模型所构建不同分辨率前视图之间的映射关系,由所述第一前视图映射得到第二前视图,所述第二前视图的分辨率高于所述第一前视图的分辨率;将所述第二前视图投影至所述原始点云所在坐标系,得到所述目标场景的稠密点云。2.如权利要求1所述的方法,其特征在于,所述按照前视图视角将所述原始点云投影至一柱面,生成第一前视图,包括:对所述激光雷达采集所述原始点云时的方位角进行遍历,通过遍历到的方位角确定所述前视图视角;获取所述原始点云在所述前视图视角的待投影视图;将所述待投影视图投影至所述柱面中对应于所述前视图视角的局部区域;待完成所述遍历,将所述柱面展开得到所述第一前视图。3.如权利要求2所述的方法,其特征在于,所述获取所述原始点云在所述前视图视角的待投影视图,包括:获取所述原始点云在所述前视图视角的距离视图、高度视图和强度视图;按照图像通道编码方式,将所述距离视图、高度视图和强度视图合成为所述待投影视图。4.如权利要求1所述的方法,其特征在于,所述深度学习模型为卷积神经网络模型;所述基于深度学习模型所构建不同分辨率前视图之间的映射关系,由所述第一前视图映射得到第二前视图,包括:将所述第一前视图输入所述卷积神经网络模型,提取得到多通道图像特征;将所述多通道图像特征进行全连接,得到全局特征;基于所述卷积神经网络模型构建的映射关系,对所述全局特征进行特征映射,得到所述第二前视图。5.如权利要求1所述的方法,其特征在于,所述将第二前视图投影至所述原始点云所在坐标系,得到所述目标场景的稠密点云,包括:按照图像通道编码方式,将所述第二前视图分割为距离视图、高度视图和强度视图;将所述距离视图、高度视图和强度视图按照所述前视图视角分别投影至所述原始点云所在坐标系,得到所述目标场景的稠密点云。6.如权利要求1所述的方法,其特征在于,所述方法还包括:针对同一目标场景,获取待训练原始点云和待训练稠密点云;由待训练原始点云和待训练稠密点云投影生成对应的前视图,并以待训练原始点云的前视图和待训练稠密点云的前视图作为所述训练样本;根据所述训练样本引导所述深度学习模型进行模型训练,通过完成模型训练的深度学习模型构建不同分辨率前视图之间的映射关系。7.如权利要求6所述的方法,其特征在于,所述针对同一目标场景,获取待训练原始点云和待训练稠密点云,包括:获取所述目标场景的单帧激光点云,以单帧激光点云作为所述待训练原始点云,并以所述待训练原始点云的采集时刻作为当前时刻;根据所述当前时刻确定相邻时刻,并针对所述目标场景,获取所述相邻时刻采集到的若干帧激光点云;将获取到的若干帧激光点云进行叠加,得到所述待训练稠密点云。8.如权利要求7所述的方法,...
【专利技术属性】
技术研发人员:陈仁,孙银健,黄天,
申请(专利权)人:腾讯科技深圳有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。