实现激光点云稠密化的方法、装置及计算机设备制造方法及图纸

本发明专利技术公开了一种实现激光点云稠密化的方法、装置及计算机设备，所述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。采用本发明专利技术所提供的实现激光点云稠密化的方法、装置及计算机设备解决了现有技术中激光点云的稠密化效果相对较差的问题。

Method, Device and Computer Equipment for Densification of Laser Point Cloud

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：原始点云获取模块，用于获取目标场景的原始点云；前视图获取模块，用于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；前视图映射模块，用于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；稠密点云获取模块，用于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三方面，一种计算机设备，包括处理器及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如上所述的实现激光点云稠密化的方法。根据本专利技术公开的第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的实现激光点云稠密化的方法。在上述技术方案中，对目标场景的原始点云按照前视图视角进行柱面投影，生成第一前视图，以根据深度学习模型所构建不同分辨率前视图之间的映射关系，由第一前视图映射得到第二前视图，进而将该第二前视图投影至原始点云所在坐标系，以得到所述目标场景的稠密点云，也就是说，基于深度学习模型，构建了不同分辨率前视图之间的映射关系，以使该映射关系应用在第一前视图的实际场景中，得到分辨率高于第一前视图分辨率的第二前视图，以此形成目标场景的稠密点云，从而实现原始点云的稠密化，避免受限于内插值方法所依赖的规则，解决了现有技术中存在的激光点云的稠密化效果相对较差的问题。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并于说明书一起用于解释本专利技术的原理。图1是根据本专利技术所涉及的实施环境的示意图。图2是根据一示例性实施例示出的一种服务器的硬件结构框图。图3是根据一示例性实施例示出的一种实现激光点云稠密化的方法的流程图。图4是图3对应实施例所涉及的激光雷达采集的激光点云的示意图。图5是图4的简化示意图。图6是图3对应实施例中步骤330在一个实施例的流程图。图7是图6对应实施例所涉及的前视图生成过程的具体实现示意图。图8是图6对应实施例所涉及的合成待投影视图的距离视图、高度视图、强度视图的示意图。图9是图6对应实施例所涉及的分辨率较低的第一前视图的示意图。图10是图3对应实施例中步骤350在一个实施例的流程图。图11是图10对应实施例中卷积神经网络模型的模型结构示意图。图12是图10对应实施例所涉及的分辨率较高的第二前视图的示意图。图13是根据一示例性实施例示出的另一种实现激光点云稠密化的方法的流程图。图14是图13对应实施例中步骤410在一个实施例的流程图。图15是图14对应实施例中步骤415在一个实施例的流程图。图16是根据一示例性实施例示出的基于参考目标的配准过程的对比示意图。图17是图15对应实施例中步骤4153在一个实施例的流程图。图18是根据一示例性实施例示出的另一种实现激光点云稠密化的方法的流程图。图19是根据一示例性实施例示出的一种实现激光点云稠密化的装置的框图。图20是根据一示例性实施例示出的一种计算机设备的框图。通过上述附图，已示出本专利技术明确的实施例，后文中将有更详细的描述，这些附图和文字描述并不是为了通过任何方式限制本专利技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本专利技术的概念。具体实施方式这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本专利技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本专利技术的一些方面相一致的装置和方法的例子。如前所述，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。为了克服上述内插值方法所存在的缺陷，进一步引入边缘保护、区域保护的插值方法：其中，基于边缘的插值方法，对激光点云的边缘有一定的增强，能够使激光点云的视觉效果更好，进而改善激光点云的稠密化效果。基于区域的插值方法，首先将原始低分辨率的激光点云分割成不同区域，然后将插值点映射到该原始低分辨率的激光点云，判断插值点所属区域，再根据插值点的邻域像素设计不同的插值公式，最后根据不同的插值公式计算所属区域不同的插值点的值，以此改善激光点云的稠密化效果。由上可知，现有的激光点云稠密化方案依然受限于内插值方法所依赖的规则，不可避免地存在激光点云的稠密化效果相对较差的缺陷，进而容易造成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，本专利技术特提出了一种实现激光点云稠密化的方法，避免受限于内插值方法所依赖的规则，大大改善了激光点云的稠密化效果，相应地，该种实现激光点云稠密化的方法适用于实现激光点云稠密化的装置，可部署于架构冯诺依曼体系结构的计算机设备，例如，计算机设备为服务器，以实现实现激光点云稠密化的方法。图1为一种实现激光点云稠密化的方法所涉及的实施环境的示意图。该实施环境包括用户端110和服务器端130。其中，用户端110部署于车辆、飞机、机器人中，可以是台式电脑、笔记本电脑、平板电脑、智能手机、掌上电脑、个人数字助理、导航仪、智能计算机等，在此不进行限定。用户端110与服务器端130通过无线或者有线网络等方式预先建立网络连接，并通过此网络连接实现本文档来自技高网...

【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