基于点云深度学习的点云数据集制作系统及方法技术方案

本发明专利技术揭露一种基于点云深度学习的点云数据集制作系统及方法。其中方法被配置为：获取点云数据；转换点云数据的经纬度信息为坐标系信息；沿一轨迹方向切割转换后的点云数据为至少一存储区域相同的点云块数据；获取点云块数据中待标识的目标，并且生成标识目标的标注容器；生成描述标注容器中坐标信息及反射强度信息的标注文件；优化标注文件中的坐标信息及反射强度信息；根据优化后的标注文件生成用于输入深度学习网络模型的二进制格式文件。本发明专利技术的方法被执行时能够制作单线及多线融合后的点云数据集，该点云数据集能够匹配较多的深度学习网络模型，可较快的进行工程化应用，并不需要指定点云采集设备可降低工程成本。

Point cloud data set making system and method based on point cloud deep learning

【技术实现步骤摘要】
基于点云深度学习的点云数据集制作系统及方法
本专利技术涉及测控
，尤其涉及一种基于点云深度学习的点云数据集制作系统及方法。
技术介绍
深度学习网络模型一般都是基于64线单帧激光数据集进行。但64线激光器和单帧的限定，造成了工程应用中点云数据到深度学习网络模型不匹配。
技术实现思路
本专利技术实施例至少揭露了一种基于点云深度学习的点云数据集制作方法。本实施例揭露的方法被执行时能够制作单线及多线融合后的点云数据集，该点云数据集能够匹配较多的深度学习网络模型，可较快的进行工程化应用，并不需要指定点云采集设备可降低工程成本。为了实现上述内容，所述方法被配置为：获取点云数据；转换所述点云数据的经纬度信息为坐标系信息；沿一轨迹方向切割转换后的所述点云数据为至少一存储区域相同的点云块数据；获取所述点云块数据中待标识的目标，并且生成标识所述目标的标注容器；生成描述所述标注容器中坐标信息及反射强度信息的标注文件；优化所述标注文件中的所述坐标信息及所述反射强度信息；根据优化后的所述标注文件生成用于输入深度学习网络模型的二进制格式文本文档来自技高网...

【技术保护点】
1.一种基于点云深度学习的点云数据集制作方法，其特征在于，/n所述方法被配置为：/n获取点云数据；/n转换所述点云数据的经纬度信息为坐标系信息；/n沿一轨迹方向切割转换后的所述点云数据为至少一存储区域相同的点云块数据；/n获取所述点云块数据中待标识的目标，并且生成标识所述目标的标注容器；/n生成描述所述标注容器中坐标信息及反射强度信息的标注文件；/n优化所述标注文件中的所述坐标信息及所述反射强度信息；/n根据优化后的所述标注文件生成用于输入深度学习网络模型的二进制格式文件。/n

【技术特征摘要】
1.一种基于点云深度学习的点云数据集制作方法，其特征在于，
所述方法被配置为：
获取点云数据；
转换所述点云数据的经纬度信息为坐标系信息；
沿一轨迹方向切割转换后的所述点云数据为至少一存储区域相同的点云块数据；
获取所述点云块数据中待标识的目标，并且生成标识所述目标的标注容器；
生成描述所述标注容器中坐标信息及反射强度信息的标注文件；
优化所述标注文件中的所述坐标信息及所述反射强度信息；
根据优化后的所述标注文件生成用于输入深度学习网络模型的二进制格式文件。


2.如权利要求1所述的基于点云深度学习的点云数据集制作方法，其特征在于，
获取点云数据，被配置为：
获取单线和/或多线点云融合后的所述点云数据。


3.如权利要求1所述的基于点云深度学习的点云数据集制作方法，其特征在于，
切割转换后的所述点云数据为至少一存储区域相同的点云块数据，被配置为：
切割转换后的所述点云数据为小于或等于40x20x15立方米的点云块数据。


4.如权利要求1所述的基于点云深度学习的点云数据集制作方法，其特征在于，
生成标识所述目标的标注容器，被配置为：
选中所述点云块数据中待标识的所述目标；
生成一可调整的标注方框；
调整后给定所述目标的所述标注方框为所述标注容器。


5.如权利要求1所述的基于点云深度学习的点云数据集制作方法，其特征在于，
生成所述标注文件，被配置为：
生成通过一标记语言描述所述标注容器中坐标信息及反射强度信息的标注文件。


6.如权利要求1所述的基于点云深度学...

【专利技术属性】
技术研发人员：李汉玢，周智颖，王延存，何豪杰，刘奋，
申请(专利权)人：武汉中海庭数据技术有限公司，
类型：发明
国别省市：湖北;42