点云数据处理方法、装置、设备及存储介质制造方法及图纸

本公开提供了一种点云数据处理方法、装置、设备及存储介质，可以应用于人工智能领域、图像处理领域和智能驾驶领域。该点云数据处理方法包括：将表征目标对象的初始点云数据集输入至数据增强策略预测模型，输出目标策略标识，其中数据增强策略预测模型与用于检测目标对象的目标对象检测模型相匹配；从N个数据增强策略中选择与目标策略标识对应的目标数据增强策略，其中，目标数据增强策略用于对初始点云数据集进行数据增强，N为正整数；以及基于目标数据增强策略中的目标数据增强操作，以及与目标数据增强操作对应的目标数据增强参数处理初始点云数据集，得到目标点云数据集。得到目标点云数据集。得到目标点云数据集。

【技术实现步骤摘要】
点云数据处理方法、装置、设备及存储介质


[0001]本公开涉及人工智能领域、图像处理领域和智能驾驶领域，更具体地，涉及一种点云数据处理方法、装置、设备、存储介质和程序产品。

技术介绍

[0002]随着科技的快速发展，越来越多的车辆配备有自动驾驶辅助系统以提升用户在驾驶过程中的便捷性，这就对自动驾驶辅助系统的可靠性提出更高的要求。在相关技术中，自动驾驶辅助系统可以基于神经网络模型等智能算法模型处理相关探测装置检测到的点云数据，从而可以根据针对点云数据的处理结果识别车辆周围的目标对象，进而实现相关的辅助驾驶功能。
[0003]在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下问题：用于训练相关智能算法模型的数据数量和/或数据质量对于智能算法模型的识别准确率将产生较大的影响，而相关技术中通常难以提供能够满足训练要求的数据，从而导致训练后得到的智能算法模型难以有效识别目标对象。

技术实现思路

[0004]有鉴于此，本公开提供了一种点云数据处理方法、装置、设备、存储介质和程序产品。
[0005]本公开的一个方面提供了一种点云数据处理方法，包括：
[0006]将表征目标对象的初始点云数据集输入至数据增强策略预测模型，输出目标策略标识，其中上述数据增强策略预测模型与用于检测上述目标对象的目标对象检测模型相匹配；
[0007]从N个数据增强策略中选择与上述目标策略标识对应的目标数据增强策略，其中，上述目标数据增强策略用于对上述初始点云数据集进行数据增强，N为正整数；以及r/>[0008]基于上述目标数据增强策略中的目标数据增强操作，以及与上述目标数据增强操作对应的目标数据增强参数处理上述初始点云数据集，得到目标点云数据集。
[0009]根据本公开的实施例，上述数据增强策略预测模型采用协同训练方式训练得到，上述协同训练方式包括：
[0010]将样本点云数据集输入至未经训练的候选数据增强策略预测模型，以便根据上述候选数据增强策略预测模型输出的样本候选增强策略标识，从N个数据增强策略中选择与上述样本候选增强策略标识对应的候选数据增强策略；
[0011]利用上述数据增强策略处理上述样本点云数据集，得到数据增强后的样本候选点云数据集；
[0012]利用上述样本候选点云数据集训练与上述候选数据增强策略预测模型匹配的候选目标对象检测模型，得到训练后的新的候选目标对象检测模型；以及
[0013]根据上述新的候选目标对象检测模型的评价指标，与样本目标评价指标的评价指
标差异信息，调整上述候选数据增强策略预测模型的模型参数，得到训练后的数据增强策略预测模型。
[0014]根据本公开的实施例，上述样本点云数据集包括L个样本点云数据子集，L为正整数，L个上述样本点云数据子集分批次输入至上述候选数据增强策略预测模型，上述协同训练方式进一步包括：
[0015]迭代地将L个上述样本点云数据子集中，第m批次的第m样本点云数据子集，输入至当前的候选数据增强策略预测模型，得到当前的候选数据增强策略预测模型输出的样本候选增强策略标识，其中，L≥M≥1；
[0016]利用N个上述数据增强策略中，与当前的样本候选增强策略标识对应的候选数据增强策略处理上述第m样本点云数据子集，得到数据增强后的第m样本候选点云数据集；
[0017]根据上述第m样本候选点云数据集训练当前的候选目标对象检测模型，得到训练后的新的候选目标对象检测模型；
[0018]根据上述新的候选目标对象检测模型的第m评价指标，与样本目标评价指标之间的评价指标差异信息，迭代地调整当前的候选数据增强策略预测模型的模型参数，以便得到新的候选数据预测模型；
[0019]将上述评价指标差异信息收敛时对应的候选数据预测模型确定为上述数据增强策略预测模型。
[0020]根据本公开的实施例，上述目标数据增强操作包括以下至少一项：
[0021]旋转操作、缩放操作、移动操作、翻转操作、镜像操作。
[0022]根据本公开的实施例，上述数据增强策略预测模型包括基于神经网络算法构建的模型。
[0023]根据本公开的实施例，上述基于神经网络算法构建的模型包括以下至少一项：
[0024]循环神经网络模型、长短期记忆模型、门控循环神经网络模型、反向传播网络模型、全连接神经网络模型。
[0025]根据本公开的实施例，点云数据处理方法还包括：
[0026]根据上述目标点云数据集对上述目标对象进行目标检测，得到针对上述目标对象的检测结果。
[0027]本公开的另一个方面提供了一种数据增强策略预测模型的训练方法，包括：
[0028]获取训练样本，其中，上述训练样本包括样本点云数据集、与上述样本点云数据集对应的样本标签和样本目标评价指标，上述样本点云数据集用于表征样本目标对象的部分或全部；以及
[0029]采用协同训练方式训练未经训练的候选数据增强策略预测模型，得到训练后的数据增强策略预测模型，其中，上述协同训练方式包括：
[0030]将样本点云数据集输入至未经训练的候选数据增强策略预测模型，以便根据上述候选数据增强策略预测模型输出的样本候选增强策略标识，从N个数据增强策略中选择与上述样本候选增强策略标识对应的候选数据增强策略，N为正整数；
[0031]利用上述数据增强策略处理上述样本点云数据集，得到数据增强后的样本候选点云数据集；
[0032]利用上述样本候选点云数据集和上述样本标签，训练与上述候选数据增强策略预
测模型匹配的候选目标对象检测模型，得到训练后的新的候选目标对象检测模型；以及
[0033]根据上述新的候选目标对象检测模型的评价指标，与上述样本目标评价指标的评价指标差异信息，调整上述候选数据增强策略预测模型的模型参数，得到训练后的数据增强策略预测模型；
[0034]其中，上述数据增强策略预测模型用于根据权利要求1至7中任意一项上述的点云数据处理方法。
[0035]根据本公开的实施例，上述样本点云数据集包括L个样本点云数据子集，L为正整数，L个上述样本点云数据子集分批次输入至上述候选数据增强策略预测模型，上述协同训练方式进一步包括：
[0036]迭代地将L个上述样本点云数据子集中，第m批次的第m样本点云数据子集，输入至当前的候选数据增强策略预测模型，得到当前的候选数据增强策略预测模型输出的样本候选增强策略标识，其中，L≥M≥1；
[0037]利用N个上述数据增强策略中，与当前的样本候选增强策略标识对应的候选数据增强策略处理上述第m样本点云数据子集，得到数据增强后的第m样本候选点云数据集；
[0038]根据上述第m样本候选点云数据集训练当前的候选目标对象检测模型，得到训练后的新的候选目标对象检测模型；
[0039]根据上述新的候选目标对象检测模型的第m评价指标，与样本目标评价指标之间的评价指标差异信息，迭代地调整当前的候选数据增强策略预测模型的模型参数，以便本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种点云数据处理方法，包括：将表征目标对象的初始点云数据集输入至数据增强策略预测模型，输出目标策略标识，其中所述数据增强策略预测模型与用于检测所述目标对象的目标对象检测模型相匹配；从N个数据增强策略中选择与所述目标策略标识对应的目标数据增强策略，其中，所述目标数据增强策略用于对所述初始点云数据集进行数据增强，N为正整数；以及基于所述目标数据增强策略中的目标数据增强操作，以及与所述目标数据增强操作对应的目标数据增强参数处理所述初始点云数据集，得到目标点云数据集。2.根据权利要求1所述的方法，其中，所述数据增强策略预测模型采用协同训练方式训练得到，所述协同训练方式包括：将样本点云数据集输入至未经训练的候选数据增强策略预测模型，以便根据所述候选数据增强策略预测模型输出的样本候选增强策略标识，从N个数据增强策略中选择与所述样本候选增强策略标识对应的候选数据增强策略；利用所述数据增强策略处理所述样本点云数据集，得到数据增强后的样本候选点云数据集；利用所述样本候选点云数据集训练与所述候选数据增强策略预测模型匹配的候选目标对象检测模型，得到训练后的新的候选目标对象检测模型；以及根据所述新的候选目标对象检测模型的评价指标，与样本目标评价指标的评价指标差异信息，调整所述候选数据增强策略预测模型的模型参数，得到训练后的数据增强策略预测模型。3.根据权利要求2所述的方法，其中，所述样本点云数据集包括L个样本点云数据子集，L为正整数，L个所述样本点云数据子集分批次输入至所述候选数据增强策略预测模型，所述协同训练方式进一步包括：迭代地将L个所述样本点云数据子集中，第m批次的第m样本点云数据子集，输入至当前的候选数据增强策略预测模型，得到当前的候选数据增强策略预测模型输出的样本候选增强策略标识，其中，L≥M≥1；利用N个所述数据增强策略中，与当前的样本候选增强策略标识对应的候选数据增强策略处理所述第m样本点云数据子集，得到数据增强后的第m样本候选点云数据集；根据所述第m样本候选点云数据集训练当前的候选目标对象检测模型，得到训练后的新的候选目标对象检测模型；根据所述新的候选目标对象检测模型的第m评价指标，与样本目标评价指标之间的评价指标差异信息，迭代地调整当前的候选数据增强策略预测模型的模型参数，以便得到新的候选数据预测模型；将所述评价指标差异信息收敛时对应的候选数据预测模型确定为所述数据增强策略预测模型。4.根据权利要求1所述的方法，其中，所述目标数据增强操作包括以下至少一项：旋转操作、缩放操作、移动操作、翻转操作、镜像操作。5.根据权利要求1所述的方法，其中，所述数据增强策略预测模型包括基于神经网络算法构建的模型。
6.根据权利要求5所述的方法，其中，所述基于神经网络算法构建的模型包括以下至少一项：循环神经网络模型、长短期记忆模型、门控循环神经网络模型、反向传播网络模型、全连接神经网络模型。7.根据权利要求1至6中任一项所述的方法，还包括：根据所述目标点云数据集对所述目标对象进行目标检测，得到针对所述目标对象的检测结果。8.一种数据增强策略预测模型的训练方法，包括：获取训练样本，其中，所述训练样本包括样本点云数据集、与所述样本点云数据集对应的样本标签和样本目标评价指标，所述样本点云数据集用于表征样本目标对象的部分或全部；以及采用协同训练方式训练未经训练的候选数据增强策略预测模型，得到训练后的数据增强策略预测模型，其中，所述协同训练方式包括：将样本点云数据集输入至未经训练的候选数据增强策略预测模型，以便根据所述候选数据增强策略预测模型输出的样本候选增强策略标识，从N个数据增强策略中选择与所述样本候选增强策略标识对应的候选数据增强策略，N为正整数；利用所述数据增强策略处理所述样本点云数据集，得到数据增强后的样本候选点云数据集；利用所述样本候选点云数据集和所述样本标签，训练与所述候选数据增强策略预测模型匹配的候选目标对象检测模型，得到训练后的新的候选目标对象检测模型；以及根据所述新的候选目标对象检测模型的评价指标，与所述样本目标评价指标的评价指标差异信息，调整所述候选数据增强策略预测模型的模型参数，得到训练后的数据增强策略预测模型；其中，所述数据增强策略预测模型用于根据权利...

【专利技术属性】
技术研发人员：王冠，王丹，
申请(专利权)人：北京京东乾石科技有限公司，
类型：发明
国别省市：