一种激光点云数据生成方法、装置、设备及介质制造方法及图纸

本发明专利技术实施例公开一种激光点云数据生成方法、装置、设备及介质，其中，激光点云数据生成方法包括：从原始场景点云数据集中提取不同类别的目标点云及其标签信息，所述标签信息中包含有所述目标点云的位置信息和朝向信息；从所述原始场景点云数据集中提取无目标的背景场景点云；将预设数量比例的不同类别的目标点云进行位置变换，所述位置变换包括平移和旋转；将经过位置变换后的目标点云放置到所述背景场景点云中地面区域对应的位置，以形成新的场景点云；对所述新的场景点云进行位置变换和去遮挡处理，得到目标场景点云数据集。通过采用上述技术方案，大规模地扩充了场景数据集，同时解决了多类别样本的不均衡问题。同时解决了多类别样本的不均衡问题。同时解决了多类别样本的不均衡问题。

【技术实现步骤摘要】
一种激光点云数据生成方法、装置、设备及介质


[0001]本专利技术实施例涉及自动驾驶
，具体而言，涉及一种激光点云数据生成方法、装置、设备及介质。

技术介绍

[0002]近年来，自动驾驶对于激光雷达的需求程度很大，基于深度学习的3D点云感知方案也越来越多。大部分感知方案都是基于深度学习的点云目标检测网络实现的，而点云目标检测网络的训练特别依赖大规模的点云数据集。
[0003]从数据的角度，现有开源的大部分数据集的数据规模比较小，且数据集中各类样本的数量相差很大，主要原因如下：一是三维点云场景采集与标注成本比较高；另外数据采集场景中车辆目标出现的频次远远大于人类目标。数据规模小会导致数据层面上对深度学习目标检测网络检测性能的限制，而不同尺寸目标样本不均衡的问题会导致深度学习模型检测不同类别目标时性能差异明显，主要表现为各类目标检测性能较差，限制了自动驾驶领域3D感知算法的准确性和泛化性。
[0004]现有计算机视觉领域中有一些基本的数据增强方法。在对深度学习目标检测网络训练时一般用随机的参数变换来增强现有数据，虽然这种数据增本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种激光点云数据生成方法，其特征在于，包括：从原始场景点云数据集中提取不同类别的目标点云及其标签信息，所述标签信息中包含有所述目标点云的位置信息和朝向信息；从所述原始场景点云数据集中提取无目标的背景场景点云；将预设数量比例的不同类别的目标点云进行位置变换，所述位置变换包括平移和旋转；将经过位置变换后的目标点云放置到所述背景场景点云中地面区域对应的位置，以形成新的场景点云；对所述新的场景点云进行位置变换和去遮挡处理，得到目标场景点云数据集。2.根据权利要求1所述的方法，其特征在于，所述将预设数量比例的不同类别的目标点云进行位置变换，包括：根据所述位置信息，统计不同朝向和不同位置的目标点云的数量分布；基于所述数量分布，将预设数量比例的不同类别的目标点云进行位置变换。3.根据权利要求1或2所述的方法，其特征在于，所述背景场景点云中地面区域对应的位置，通过如下方式得到：基于点云的地面分割法，从所述原始场景点云数据集中分割出地面区域BEV鸟瞰图区域；将所述鸟瞰图区域映射到所述背景场景点云中，得到用于放置目标点云的地面区域所在的位置。4.根据权利要求1
‑
3任一所述的方法，其特征在于，所述方法还包括：将所述原始点云数据集和所述目标场景点云数据集作为训练样本，对预设神经网络模型进行训练。5.一种激光点云数据生成装置，其特征在于，包括：目标提取模块，被配置为从原始场景点云数据集中提取不同类别的目标点云及其标签信息，所述标签信息中包含有所述目标点云的位置信息和朝向信息；背景提取模块，被配置为从所述原始场景点云数据集中提取无目标的背景...

【专利技术属性】
技术研发人员：陈义飞，赵亚丽，于春磊，
申请(专利权)人：北京超星未来科技有限公司，
类型：发明
国别省市：