本发明专利技术涉及一种激光点云标注装置及方法，方法包括如下步骤：1）数据采集模块采集时空同步的激光点云数据和图像数据；2）数据标注模块对图像数据进行自动标注；3）对自动标注后的图像数据进行审核并对审核未通过的图像数据进行修正；4）三维场景重构模块建立图像数据与激光点云数据之间的映射关系；5）基于映射关系根据图像数据的标注完成对激光点云数据的标注。由于激光点云的稀疏性，对于远距离的小目标，人工也难以识别目标的种类和边界，而图像具有丰富的纹理和色彩，容易对目标种类和边界进行判断；本发明专利技术先标注图像数据，再将标注结果映射到激光点云数据中，完成自动标注，不仅准确性高、耗时短且人工成本低。耗时短且人工成本低。耗时短且人工成本低。
【技术实现步骤摘要】
一种激光点云标注装置及方法
[0001]本专利技术属于汽车智能化的
，具体涉及一种激光点云标注装置及方法。
技术介绍
[0002]随着汽车智能化的快速发展，越来越多的汽车搭载了自动驾驶系统，自动驾驶系统利用多种传感器感知车辆周围的环境情况，从而做出正确的自动驾驶控制。目前，自动驾驶系统用于感知环境情况的传感器主要包括摄像头和雷达，其中，激光雷达使用较多，激光雷达可以实时扫描车辆周围的静态目标和动态目标，然后对激光点云中的目标进行分割、检测和分类，输出给分析计算模块和控制决策模块，以便根据不同的目标物体做出最佳的驾驶控制决策，比如跟车、超车和停车等。
[0003]目前，激光点云的目标检测分类识别主要依赖于深度神经网络，需要先对激光点云数据进行较为精确的标注，然后训练深度神经网络模型；训练深度神经网络模型需要大量准确的点云标注数据，一般采用人工标注和自动标注两种标注方式。人工标注的方式虽然准确度较高，但需要雇佣大量的人力资源才能满足机器学习不断迭代过程中的数据标注需求，耗费人力物力，且效率低下；自动标注的方式虽然能够在很大程度上缩短标注时间，提高标注效率，但由于网络模型在前期训练时采用全监督的训练方式，在不断迭代更新模型参数的过程中，如果新采集的激光点云数据和原有数据库中的激光点云数据差异性较大，用原有数据库训练得到的网络模型在预测差异性较大的新数据时，得到的粗标签效果并不理想，需要花大量时间和精力进行人工调整，难以满足准确度更高的数据标注需求。中国专利CN202111013628.1 激光点云数据标注方法、装置、设备及产品，该方案采用半监督训练，在一定程度上提高了训练的有效性，但标注的准确性仍不够理想，后期可能还人工进行调整。
技术实现思路
[0004]针对现有技术的上述不足，本专利技术要解决的技术问题是提供一种激光点云标注装置及方法，解决目前激光点云自动标注方法存在标注准确性较差的问题，取得提高标注准确性和可靠性的效果。
[0005]为解决上述技术问题，本专利技术采用如下技术方案：一种激光点云标注装置，包括数据采集模块、数据标注模块和三维场景重构模块；数据采集模块用于采集时空同步的激光点云数据和图像数据，数据标注模块用于对图像数据进行自动标注和人工标注，三维场景重构模块用于将激光点云数据映射到三维场景中以实现从图像数据标注到激光点云数据标注的映射。
[0006]进一步地，数据采集模块内设有数据采集程序、数据解析程序和数据预处理程序，数据采集模块还用于对激光点云数据和图像数据进行解析和预处理以供数据标注模块和三维场景重构模块进一步处理使用。
[0007]进一步地，数据标注模块内设有用于图像数据标注且已经过充分训练的深度学习
模型，数据标注模块内还设有数据库以便存储原始图像数据和经深度学习模型自动标注过的图像数据。
[0008]本专利技术还包括一种激光点云标注方法，使用如上所述一种激光点云标注装置，包括如下步骤：1）数据采集模块采集时空同步的激光点云数据和图像数据；2）数据标注模块对图像数据进行自动标注；3）对自动标注后的图像数据进行审核并对审核未通过的图像数据进行修正；4）三维场景重构模块建立图像数据与激光点云数据之间的映射关系；5）基于映射关系根据图像数据的标注完成对激光点云数据的标注。
[0009]进一步地，步骤1）还包括如下内容：数据采集模块利用数据解析程序和数据预处理程序分别对激光点云数据和图像数据进行解析和预处理，以满足数据标注模块对图像数据的要求和三维场景重构模块对激光点云数据的要求。
[0010]进一步地，步骤2）中数据标注模块对图像数据的自动标注基于深度学习模型进行，针对图像数据中目标的类别采用不同颜色的图像标注框进行标注。
[0011]进一步地，步骤3）中对审核未通过的图像数据进行修正包括如下内容：修正图像数据中误分割的标注并对欠分割的目标补充标注。
[0012]进一步地，步骤5）的具体操作如下：通过图像数据与激光点云数据之间的映射关系，将图像数据的图像标注框映射到激光点云数据中形成点云标注框并将图像标注框的颜色对应映射到点云标注框上。
[0013]相比现有技术，本专利技术的有益效果如下：本专利技术所述一种激光点云标注方法，由于激光点云的稀疏性，对于远距离的小目标，单纯从点云数据即使是人工也难以识别物体的种类和边界，比较而言，图像数据有相对丰富的纹理和色彩信息，比较容易判断出目标的种类和边界；因此，本专利技术首先采用基于技术较为成熟的深度学习模型对图像数据进行自动标注，获得准确度较高的图像标注框，然后建立图像数据与激光点云数据的映射关系，基于映射关系将图像标注框映射到激光点云数据中成为点云数据框，实现二维至三维的映射，完成对激光点云数据的自动标注，不仅标注的准确性高、耗时短且人工成本低。
附图说明
[0014]图1为实施例的一种激光点云标注方法的流程图。
具体实施方式
[0015]下面结合附图对本专利技术的具体实施方式作进一步的详细说明。
[0016]实施例：一种激光点云标注装置，包括数据采集模块、数据标注模块和三维场景重构模块；数据采集模块用于采集时空同步的激光点云数据和图像数据，数据标注模块用于对图像数据进行自动标注和人工标注，三维场景重构模块用于将激光点云数据映射到三维场景中以实现从图像数据标注到激光点云数据标注的映射。
[0017]其中，数据采集模块内设有数据采集程序、数据解析程序和数据预处理程序，数据
采集模块还用于对激光点云数据和图像数据进行解析和预处理以供数据标注模块和三维场景重构模块进一步处理使用。
[0018]数据标注模块内设有用于图像数据标注且已经过充分训练的深度学习模型，数据标注模块内还设有数据库以便存储原始图像数据和经深度学习模型自动标注过的图像数据；深度神经网络在图像识别领域的应用已经比较成熟，基于深度学习模型对图像数据进行标注在此不再赘述。
[0019]请参见图1，本专利技术还包括一种激光点云标注方法，使用如上所述一种激光点云标注装置，包括如下步骤：1）数据采集模块采集时空同步的激光点云数据和图像数据；还包括如下内容：数据采集模块利用数据解析程序和数据预处理程序分别对激光点云数据和图像数据进行解析和预处理，以满足数据标注模块对图像数据的要求和三维场景重构模块对激光点云数据的要求。
[0020]2）数据标注模块基于深度学习模型对图像数据进行自动标注；针对图像数据中目标的类别采用不同颜色的图像标注框进行标注。
[0021]3）对自动标注后的图像数据进行审核并对审核未通过的图像数据进行修正；本实施例中，对图像数据的标注进行审核和修正通过人工完成，修正的具体操作如下：修正图像数据中误分割的标注并对欠分割的目标补充标注，以生成精确的图像标注框。
[0022]4）三维场景重构模块建立图像数据与激光点云数据之间的映射关系；5）基于映射关系根据图像数据的标注完成对激光点云数据的标注；具体操作如下：通过图像数据与激光点云数据之间的映射关系，将图像数据的图像本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种激光点云标注装置，其特征在于：包括数据采集模块、数据标注模块和三维场景重构模块；数据采集模块用于采集时空同步的激光点云数据和图像数据，数据标注模块用于对图像数据进行自动标注和人工标注，三维场景重构模块用于将激光点云数据映射到三维场景中以实现从图像数据标注到激光点云数据标注的映射。2.根据权利要求1所述一种激光点云标注装置，其特征在于：数据采集模块内设有数据采集程序、数据解析程序和数据预处理程序，数据采集模块还用于对激光点云数据和图像数据进行解析和预处理以供数据标注模块和三维场景重构模块进一步处理使用。3.根据权利要求2所述一种激光点云标注装置，其特征在于：数据标注模块内设有用于图像数据标注且已经过充分训练的深度学习模型，数据标注模块内还设有数据库以便存储原始图像数据和经深度学习模型自动标注过的图像数据。4.一种激光点云标注方法，其特征在于：使用如权利要求3所述一种激光点云标注装置，包括如下步骤：1）数据采集模块采集时空同步的激光点云数据和图像数据；2）数据标注模块对图像数据进行自动标注；3）对自动标注后的图像数据进行审核并对审核未通过的...
【专利技术属性】
技术研发人员：刘金彦，王宽，邓皓匀，程光凯，
申请(专利权)人：重庆长安汽车股份有限公司，
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。