一种汽车雷达点云数据的处理方法技术

本申请提供一种汽车雷达点云数据的处理方法，包括步骤：S1，将点云原始数据进行标注，根据不同的车型选择相应的轴数，标注后的点云数据一部分作为训练数据，另一部分作为测试数据；S2，利用S1的训练数据进行模型训练，先对点云数据进行对齐并进行深度学习迭代训练，再对提取的特征信息进行聚合，同时进行深度学习迭代训练得到训练好的模型；S3，利用S1的测试数据采用S2训练好的模型进行模型推理，将模型输出的预测的轮轴类型与标注的真值对比，得到正确率；S4，正确率大于设定的目标准确率则通过，正确率小于等于设定的目标准确率则增加标注的点云数据的数量，循环步骤S1

【技术实现步骤摘要】
一种汽车雷达点云数据的处理方法


[0001]本专利技术涉及点云数据处理的
，更具体地，涉及一种汽车雷达点云数据的处理方法。

技术介绍

[0002]汽车的雷达数据是以点云的形式存放的，而点云数据是一个集合，对数据的顺序是不敏感的。这就意味着处理点云数据的模型需要对数据的不同排列保持不变性。汽车点云数据由特定空间内的一定数量的点云构成，也就是说这些点云之间存在空间关系。汽车点云数据所代表的目标对某些空间转换应该具有不变性，如旋转和平移。因为上述特性，可以采用点云分类识别算法来进行轮轴的五分类任务。
[0003]为了对数据的不同排列保持不变性，目前文献中使用的方法包括：(1)将无序的数据重排序，这种方法是不直接处理三维的点云数据，而是通过投影等方式，运算复杂；(2)用数据的所有排列进行数据增强然后使用RNN模型，这种方法也是不直接处理三维的点云数据，而是通过投影等方式，运算复杂。
[0004]有鉴于此，本专利技术提供一种汽车雷达点云数据的处理方法，采用对称函数的方式来保证排列不变性，能够直接处理三维的点云数据，简洁且容易在模型中实现。

技术实现思路

[0005]本专利技术的目的在于，提供一种汽车雷达点云数据的处理方法，采用对称函数的方式来保证排列不变性，能够直接处理三维的点云数据，简洁且容易在模型中实现。
[0006]一种汽车雷达点云数据的处理方法，包括步骤：
[0007]S1，将点云原始数据进行标注，根据不同的车型选择相应的轴数，标注后的点云数据一部分作为训练数据，另一部分作为测试数据；
[0008]S2，利用S1的训练数据进行模型训练，先对点云数据进行对齐并进行深度学习迭代训练，再对提取的特征信息进行聚合，同时进行深度学习迭代训练得到训练好的模型；
[0009]S3，利用S1的测试数据采用S2训练好的模型进行模型推理，将模型输出的预测的轮轴类型与标注的真值对比，得到正确率；
[0010]S4，正确率大于设定的目标准确率则通过，正确率小于等于设定的目标准确率则增加标注的点云数据的数量，循环步骤S1
‑
S4直至正确率大于设定的目标准确率。
[0011]在一些实施方式中，在步骤S1中，轴数包括：两轴、三轴、四轴、五轴、六轴及以上，经过雷达点云数据的检测跟踪和聚类，得到我们的输入：一帧或者多帧叠加的一辆车的点云数据集合，然后经过随机降采样，不同对象选取相同数量的点，降采样后的点云数据作为模型输入数据。
[0012]在一些实施方式中，在步骤S2中，点云数据的对齐是通过变换矩阵T(T
‑
Net结构)得到转换矩阵、并将该转换矩阵和输入点云数据相乘来实现，保证模型对特定空间转换的不变性。
[0013]进一步的，变换矩阵T初始值为随机值，但是在神经网络迭代训练过程中，由于loss的约束，使得T矩阵训练会学习到最有利于最终分类的变换，如把点云旋转到正面。
[0014]进一步的，分别在输入数据后和第一层特征中使用了T矩阵，大小为3x3和64x64；其中第二个T矩阵由于参数过多，考虑添加正则项，使其接近于正交矩阵，减少点云的信息丢失。
[0015]在一些实施方式中，在步骤S2中，将局部特征和全局特征进行串联的方式来聚合信息。
[0016]进一步的，通过多次激活对各点云数据进行特征提取，再通过变换矩阵T(T
‑
Net结构)对特征进行对齐；采用对称函数算法对特征在各个维度上执行最大池化操作来得到最终的全局特征；将全局特征激活得到最后的分类分数，分数最大的车轴类别即为预测的车轴数。
[0017]进一步的，通过三次卷积+批归一化+激活(mpl)进行特征抽取，然后将经过激活的tensor乘以上述通过T
‑
Net求得的矩阵来进行特征对齐；所述对称函数算法包括maxpooling，maxpooling在2500*1024的tensor的第二维度上取最大的那个值的得到2500*1的tensor；1*1024的tensor通过三次卷积+批归一化+激活(mpl),得到1*5矩阵，从而得到最后的分类分数。
[0018]在一些实施方式中，在步骤S2中，神经网络迭代训练经过800
‑
1300轮得到有一个模型权重文件。
[0019]在一些实施方式中，在步骤S3中，将S2得到的权重文件带入模型中,输入为S1中标注好的测试数据，输出为各个数据预测的轮轴类型，与标注的真值对比，进行正确的百分比统计，预测和真值结果一致的数据记为1，否则计0，累计各个数据的得分除以测试总数，得到正确率。
附图说明
[0020]结合以下附图一起阅读时，将会更加充分地描述本申请内容的上述和其他特征。可以理解，这些附图仅描绘了本申请内容的若干实施方式，因此不应认为是对本申请内容范围的限定。通过采用附图，本申请内容将会得到更加明确和详细地说明。
[0021]图1为本申请的汽车雷达点云数据的处理方法的流程图。
[0022]图2为本申请的汽车雷达点云数据的处理方法的二轴点云数据图。
[0023]图3为本申请的汽车雷达点云数据的处理方法的三轴点云数据图。
[0024]图4为本申请的汽车雷达点云数据的处理方法的四轴点云数据图。
[0025]图5为本申请的汽车雷达点云数据的处理方法的五轴点云数据图。
[0026]图6为本申请的汽车雷达点云数据的处理方法的六轴点云数据图。
具体实施方式
[0027]描述以下实施例以辅助对本申请的理解，实施例不是也不应当以任何方式解释为限制本申请的保护范围。
[0028]在以下描述中，本领域的技术人员将认识到，在本论述的全文中，组件可描述为单独的功能单元(可包括子单元)，但是本领域的技术人员将认识到，各种组件或其部分可划
分成单独组件，或者可整合在一起(包括整合在单个的系统或组件内)。
[0029]同时，组件或系统之间的连接并不旨在限于直接连接。相反，在这些组件之间的数据可由中间组件修改、重格式化、或以其它方式改变。另外，可使用另外或更少的连接。还应注意，术语“联接”、“连接”、或“输入”“固定”应理解为包括直接连接、通过一个或多个中间媒介来进行的间接的连接或固定。
[0030]实施例1：
[0031]一种汽车雷达点云数据的处理方法，如图1
‑
图6所示，包括步骤：S1，将点云原始数据进行标注，根据不同的车型选择相应的轴数，标注后的点云数据一部分作为训练数据，另一部分作为测试数据；S2，利用S1的训练数据进行模型训练，先对点云数据进行对齐并进行深度学习迭代训练，再对提取的特征信息进行聚合，同时进行深度学习迭代训练得到训练好的模型；S3，利用S1的测试数据采用S2训练好的模型进行模型推理，将模型输出的预测的轮轴类型与标注的真值对比，得到正确率；S4，正确率大于设定的目标准确率则通过，正确率小于等于设定的目标准确率则增加标注的点云数据的数量，循环步骤S1
...

【技术保护点】

【技术特征摘要】
1.一种汽车雷达点云数据的处理方法，其特征在于，包括步骤：S1，将点云原始数据进行标注，根据不同的车型选择相应的轴数，标注后的点云数据一部分作为训练数据，另一部分作为测试数据；S2，利用S1的训练数据进行模型训练，先对点云数据进行对齐并进行深度学习迭代训练，再对提取的特征信息进行聚合，同时进行深度学习迭代训练得到训练好的模型；S3，利用S1的测试数据采用S2训练好的模型进行模型推理，将模型输出的预测的轮轴类型与标注的真值对比，得到正确率；S4，正确率大于设定的目标准确率则通过，正确率小于等于设定的目标准确率则增加标注的点云数据的数量，循环步骤S1
‑
S4直至正确率大于设定的目标准确率。2.如权利要求1所述的汽车雷达点云数据的处理方法，其特征在于，在步骤S1中，轴数包括：两轴、三轴、四轴、五轴、六轴及以上，经过雷达点云数据的检测跟踪和聚类，得到我们的输入：一帧或者多帧叠加的一辆车的点云数据集合，然后经过随机降采样，不同对象选取相同数量的点，降采样后的点云数据作为模型输入数据。3.如权利要求1所述的汽车雷达点云数据的处理方法，其特征在于，在步骤S2中，点云数据的对齐是通过变换矩阵T得到转换矩阵、并将该转换矩阵和输入点云数据相乘来实现，保证模型对特定空间转换的不变性。4.如权利要求3所述的汽车雷达点云数据的处理方法，其特征在于，变换矩阵T初始值为随机值，但是在神经网络迭代训练过程中，由于loss的约束，使得T矩阵训练会学习到最有利于最终分类的变换，如把点云旋转到...

【专利技术属性】
技术研发人员：李经善，李启达，徐锦锦，张小磊，
申请(专利权)人：苏州思卡信息系统有限公司，
类型：发明
国别省市：