本说明书公开了一种生成训练样本的方法及装置，针对已构建高精地图中每个交通信号灯，根据该交通信号灯矢量数据，确定该交通信号灯的中心地理坐标，并以该交通信号灯为中心确定采集范围，确定采集的点云数据中落入该采集范围内的激光点，作为样本数据，以该交通信号灯的矢量数据确定样本数据中该交通信号灯的标注框，作为样本标注。通过利用已构建的高精地图中的交通信号灯的矢量数据，来确定点云数据与标注框的对应关系，避免了人工标注费时费力的问题，提高了标注效率。提高了标注效率。提高了标注效率。
【技术实现步骤摘要】
一种生成训练样本的方法及装置
[0001]本申请涉及计算机
，尤其涉及一种生成训练样本的方法及装置。
技术介绍
[0002]目前，随着计算机技术的发展，高精地图的自动化制作技术也在不断进化。其中，交通信号灯作为交通场景的核心元素之一，高精地图中通常需要包含交通信号灯的地理位置。
[0003]一般的，在构建高精地图时，需要通过预先训练的深度学习模型对点云数据进行检测或分割，确定点云数据中属于交通信号灯的点云，从而确定交通信号灯的地理位置。而要训练得到准确度较高的深度学习模型，需要依赖于大量的训练样本。
[0004]在现有技术中，训练样本需要通过人工标注的方式，在点云数据中标注出交通信号灯的三维包围框。但是，人工标注需要花费大量的时间，标注效率较低，且人力成本较高。可见，目前亟须一种能够自动生成点云数据训练样本的方法。
技术实现思路
[0005]本说明书实施例提供的一种生成训练样本的方法及装置，用于至少部分的解决现有技术中存在的问题。
[0006]本说明书采用下述技术方案：
[0007]本说明书提供了一种生成训练样本的方法，包括：
[0008]获取已构建的高精地图，解析所述高精地图中各交通信号灯的矢量数据，分别确定各交通信号灯的中心地理坐标；
[0009]针对每个交通信号灯，根据该交通信号灯的中心地理坐标以及预设的第一距离，确定该交通信号灯对应的采集范围；
[0010]从采集的点云数据中，确定落入所述采集范围的激光点，作为该交通信号灯对应的训练样本的样本数据；
[0011]根据所述高精地图中该交通信号灯的矢量数据，确定所述样本数据中该交通信号灯的标注框，生成训练样本，用于训练交通信号灯识别模型。
[0012]可选地，解析所述高精地图中各交通信号灯的矢量数据，分别确定各交通信号灯的中心地理坐标，具体包括：
[0013]根据所述高精地图中各交通信号灯的矢量数据，分别确定各交通信号灯的三维包围框对应的数据；
[0014]针对每个交通信号灯，根据该交通信号灯的三维包围框对应的数据，确定该交通信号灯的中心地理坐标。
[0015]可选地，从采集的点云数据中，确定落入所述采集范围的激光点，作为该交通信号灯对应的训练样本的样本数据，具体包括：
[0016]根据该交通信号灯的中心地理坐标，以及预设的第二距离，确定该交通信号灯对
应的位置范围；
[0017]根据采集设备采集各帧点云数据时的采集位置，确定采集位置落入所述位置范围的点云数据；
[0018]从确定出的点云数据包含的激光点中，确定落入所述采集范围的激光点；
[0019]以落入所述采集范围的激光点组成的点云数据，作为该交通信号灯对应的训练样本的样本数据；
[0020]其中，所述第二距离大于所述第一距离。
[0021]可选地，根据所述高精地图中该交通信号灯的矢量数据，确定所述样本数据中该交通信号灯的标注框，具体包括：
[0022]根据各其他交通信号灯的中心地理坐标，以及该交通信号灯对应的采集范围，确定落入所述采集范围的其他交通信号灯，作为待标注交通信号灯；
[0023]根据所述高精地图中所述待标注交通信号灯以及该交通信号灯的矢量数据，确定所述样本数据中的标注框，所述标注框用于标识所述样本数据中的交通信号灯。
[0024]可选地，根据所述高精地图中所述待标注交通信号灯的矢量数据，确定所述样本数据中的标注框，具体包括：
[0025]针对每个待标注交通信号灯，确定该待标注交通信号灯的三维包围框落入所述采集范围的部分，与该待标注交通信号灯的三维包围框整体之间的比值；
[0026]当所述比值大于标注阈值时，根据该待标注交通信号灯的矢量数据，确定所述训练样本中该待标注交通信号灯的标注框。
[0027]获取若干单帧点云数据，确定点云数据集；
[0028]根据预设的采集范围，对所述点云数据集进行分割，确定各待识别子数据；
[0029]将各待识别子数据输入到预先训练的交通信号灯识别模型，分别确定各待识别子数据中各交通信号灯的三维包围框；
[0030]其中，所述交通信号灯识别模型采用上述任一所述的生成训练样本的方法生成的训练样本训练得到。
[0031]本说明书提供了一种生成训练样本的装置，包括：
[0032]解析模块，用于获取已构建的高精地图，解析所述高精地图中各交通信号灯的矢量数据，分别确定各交通信号灯的中心地理坐标；
[0033]采集范围确定模块，用于针对每个交通信号灯，根据该交通信号灯的中心地理坐标以及预设的第一距离，确定该交通信号灯对应的采集范围；
[0034]样本数据确定模块，用于从采集的点云数据中，确定落入所述采集范围的激光点，作为该交通信号灯对应的训练样本的样本数据；
[0035]训练样本生成模块，用于根据所述高精地图中该交通信号灯的矢量数据，确定所述样本数据中该交通信号灯的标注框，生成训练样本，用于训练交通信号灯识别模型。
[0036]获取模块，用于获取若干单帧点云数据，确定点云数据集；
[0037]确定模块，用于根据预设的采集范围，对所述点云数据集进行分割，确定各待识别子数据；
[0038]识别模块，用于将各待识别子数据输入到预先训练的交通信号灯识别模型，分别确定各待识别子数据中各交通信号灯的三维包围框，其中，所述交通信号灯识别模型采用
上述生成训练样本的方法生成的样本数据训练得到。
[0039]本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述生成训练样本的方法或识别交通信号灯的方法。
[0040]本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述生成训练样本的方法或识别交通信号灯的方法。
[0041]本说明书采用的上述至少一个技术方案能够达到以下有益效果：
[0042]在本说明书提供的生成训练样本的方法，先解析获取的已构建的高精地图中各交通信号灯的矢量数据，分别确定各交通信号灯的中心地理坐标。然后针对每个交通信号灯，根据该交通信号灯的中心地理坐标以及预设的第一距离，确定该交通信号灯对应的采集范围。接着从采集的点云数据中，确定落入该采集范围的激光点作为该交通信号灯对应的训练样本的样本数据。最后根据该高精地图中该交通信号灯的矢量数据，确定该样本数据中该交通信号灯的标注框，生成训练样本。根据已构建的高精地图中交通信号灯的矢量数据，确定该交通信号灯对应的点云数据，即样本数据。以及确定该样本数据中该交通信号灯的标注框，生成训练样本，节省了标注时间，提高了标注效率，且降低了人力成本。
附图说明
[0043]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种生成训练样本的方法，其特征在于，包括：获取已构建的高精地图，解析所述高精地图中各交通信号灯的矢量数据，分别确定各交通信号灯的中心地理坐标；针对每个交通信号灯，根据该交通信号灯的中心地理坐标以及预设的第一距离，确定该交通信号灯对应的采集范围；从采集的点云数据中，确定落入所述采集范围的激光点，作为该交通信号灯对应的训练样本的样本数据；根据所述高精地图中该交通信号灯的矢量数据，确定所述样本数据中该交通信号灯的标注框，生成训练样本，用于训练交通信号灯识别模型。2.如权利要求1所述的方法，其特征在于，解析所述高精地图中各交通信号灯的矢量数据，分别确定各交通信号灯的中心地理坐标，具体包括：根据所述高精地图中各交通信号灯的矢量数据，分别确定各交通信号灯的三维包围框对应的数据；针对每个交通信号灯，根据该交通信号灯的三维包围框对应的数据，确定该交通信号灯的中心地理坐标。3.如权利要求1所述的方法，其特征在于，从采集的点云数据中，确定落入所述采集范围的激光点，作为该交通信号灯对应的训练样本的样本数据，具体包括：根据该交通信号灯的中心地理坐标，以及预设的第二距离，确定该交通信号灯对应的位置范围；根据采集设备采集各帧点云数据时的采集位置，确定采集位置落入所述位置范围的点云数据；从确定出的点云数据包含的激光点中，确定落入所述采集范围的激光点；以落入所述采集范围的激光点组成的点云数据，作为该交通信号灯对应的训练样本的样本数据；其中，所述第二距离大于所述第一距离。4.如权利要求1所述的方法，其特征在于，根据所述高精地图中该交通信号灯的矢量数据，确定所述样本数据中该交通信号灯的标注框，具体包括：根据各其他交通信号灯的中心地理坐标，以及该交通信号灯对应的采集范围，确定落入所述采集范围的其他交通信号灯，作为待标注交通信号灯；根据所述高精地图中所述待标注交通信号灯以及该交通信号灯的矢量数据，确定所述样本数据中的标注框，所述标注框用于标识所述样本数据中的交通信号灯。5.如权利要求4所述的方法，其特征在于，根据所述高精地图中所述待标注交通信号灯的矢量数据，确定所述样本数据中的标注框，具体包括：针对每个待标注交通信号灯，...
【专利技术属性】
技术研发人员：杨立荣，杨富智，王裕康，刘洋，
申请(专利权)人：北京三快在线科技有限公司，
类型：发明
国别省市：
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。