数据处理方法、设备、驾驶设备和介质技术

本发明专利技术提供了一种数据处理方法、设备、驾驶设备和介质，包括获取当前环境内的待识别点云数据；对所述待识别点云数据进行特征提取，至少得到所述待识别点云数据的分布特征；至少基于所述分布特征，确定所述待识别点云数据中点云点的类型；所述点云点的类型包括实体点云点和伪点云点；若所述待识别点云数据中点云点的类型为伪点云点，对所述伪点云点进行过滤。这样，可以利用实体类点云点与伪点云点的分布特征的明显不同，准确地识别出伪点云点，进行过滤，防止基于伪点云的轮廓输出目标检测框，提高了目标检测精确度。提高了目标检测精确度。提高了目标检测精确度。

【技术实现步骤摘要】
数据处理方法、设备、驾驶设备和介质


[0001]本专利技术涉及目标检测
，具体提供一种数据处理方法、设备、驾驶设备和介质。

技术介绍

[0002]激光雷达在辅助驾驶和自动驾驶中扮演着重要的角色。相比于被动视觉传感器，激光雷达有着受光照影响小，提供准确的3D信息等重要优势。
[0003]相关技术中，可以获取包含目标的感兴趣区域的点云数据，根据点云数据确定出几何形状类似于目标形状的点云，并基于点云的轮廓输出目标检测框，然而，激光雷达有自己特殊的失效场景，如受天气影响（雨/雾/雪），以及高反射率物体引起的噪声点，导致目标检测精确度低。

技术实现思路

[0004]为了克服上述缺陷，提出了本专利技术，以提供解决或至少部分地解决激光雷达在一些特殊的失效场景目标检测精确度低的技术问题的数据处理方法、设备、驾驶设备和介质。
[0005]在第一方面，本专利技术提供一种数据处理方法，所述数据处理方法包括：获取当前环境内的待识别点云数据；对所述待识别点云数据进行特征提取，至少得到所述待识别点云数据的分布特征；至少基于所述分布特征，确定所述待识别点云数据中点云点的类型；所述点云点的类型包括实体点云点和伪点云点；若所述待识别点云数据中点云点的类型为伪点云点，对所述伪点云点进行过滤。
[0006]进一步地，上述所述的数据处理方法中，所述分布特征包括空间分布特征和/或时帧分布特征；基于所述分布特征，确定所述待识别点云数据中点云点的类型，包括：确定所述空间分布特征对应的第一规则度，若所述第一规则度小于第一预设规则度，确定所述待识别点云数据中的点云点为伪点云点；和/或确定所述时帧分布特征对应的第二规则度，若所述第二规则度小于第二预设规则度，确定所述待识别点云数据中的点云点为伪点云点。
[0007]进一步地，上述所述的数据处理方法中，所述空间分布特征包括点云点间夹角和/或扫描线间距离；确定所述空间分布特征对应的第一规则度，包括：根据所述点云点间夹角，确定第一规则分值；和/或，根据所述扫描线间距离，确定第二规则分值；根据所述第一规则分值和/或所述第二规则分值，确定所述第一规则度。
[0008]进一步地，上述所述的数据处理方法中，所述时帧分布特征包括法向量变化信息
和/或分布方差变化信息；确定所述时帧分布特征对应的第二规则度，包括：根据所述法向量变化信息，确定第三规则分值；和/或，根据所述分布方差变化信息，确定第四规则分值；根据所述第三规则分值和/或所述第四规则分值，确定所述第二规则度。
[0009]进一步地，上述所述的数据处理方法中，基于所述分布特征，确定所述待识别点云数据中点云点的类型，包括：将所述分布特征输入预先训练的感知检测模型，输出所述待识别点云数据中点云点的类型。
[0010]进一步地，上述所述的数据处理方法中，对所述待识别点云数据进行特征提取，至少得到所述待识别点云数据的分布特征，包括：对所述待识别点云数据进行特征提取，得到所述待识别点云数据的物理特征和所述待识别点云数据的分布特征；至少基于所述分布特征，确定所述待识别点云数据中点云点的类型，包括：基于所述分布特征，确定所述待识别点云数据中点云点的第一子类型；基于所述物理特征，确定所述待识别点云数据中点云点的第二子类型；基于所述第一子类型和所述第二子类型，确定所述待识别点云数据中点云点的类型。
[0011]进一步地，上述所述的数据处理方法中，所述物理特征包括所述待识别点云数据的回波宽带、回波高度、雷达发射能量、雷达接收能量和点云点的坐标中的至少一种。
[0012]在第二方面，本专利技术提供一种数据处理设备，该数据处理设备包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述任一项所述的数据处理方法。
[0013]在第三方面，提供一种驾驶设备，该驾驶设备包括如上所述的数据处理设备。
[0014]在第四方面，提供一种计算机可读存储介质，该计算机可读存储介质存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行上述任一项所述的数据处理方法。
[0015]本专利技术上述一个或多个技术方案，至少具有如下一种或多种有益效果：在实施本专利技术的技术方案中，在获取当前环境内的待识别点云数据后，对所述待识别点云数据进行特征提取，至少得到所述待识别点云数据的分布特征，然后至少基于所述分布特征，在确定出所述待识别点云数据中点云点的类型为伪点云点时，对所述伪点云点进行过滤。这样，可以利用实体类点云点与伪点云点的分布特征的明显不同，准确地识别出伪点云点，进行过滤，防止基于伪点云的轮廓输出目标检测框，提高了目标检测精确度。
附图说明
[0016]参照附图，本专利技术的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本专利技术的保护范围组成限制。此外，图中类似的数字用以表示类似的部件，其中：图1是根据本专利技术的一个实施例的数据处理方法的主要步骤流程示意图；
图2是根据本专利技术的另一个实施例的数据处理方法的主要步骤流程示意图；图3是根据本专利技术的识别点云数据类别的主要步骤流程示意图；图4是根据本专利技术的一个实施例的数据处理设备的主要结构框图。
具体实施方式
[0017]下面参照附图来描述本专利技术的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本专利技术的技术原理，并非旨在限制本专利技术的保护范围。
[0018]在本专利技术的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合，比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似，可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。
[0019]在进行目标识别过程中，可以获取包含目标的感兴趣区域的点云数据，根据点云数据确定出几何形状类似于目标形状的点云，并基于点云的轮廓输出目标检测框，然而，激光雷达有自己特殊的失效场景，如受天气影响（雨/雾/雪），以及高反射率物体引起的噪声点，导致目标检测精确度低。
[0020]因此，为了解决上述技术问题，本专利技术提供了以下技术方案：参阅附图1，图1是根据本专利技术的一个实施例的数据处理方法的主要步骤流程示意图。如图1所示，本专利技术实施例中的数据处理方法主要包括下列步骤101
‑
步骤104。
[0021]步骤101、获取当前环境内的待识别点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：获取当前环境内的待识别点云数据；对所述待识别点云数据进行特征提取，至少得到所述待识别点云数据的分布特征；至少基于所述分布特征，确定所述待识别点云数据中点云点的类型；所述点云点的类型包括实体点云点和伪点云点；若所述待识别点云数据中点云点的类型为伪点云点，对所述伪点云点进行过滤。2.根据权利要求1所述的数据处理方法，其特征在于，所述分布特征包括空间分布特征和/或时帧分布特征；基于所述分布特征，确定所述待识别点云数据中点云点的类型，包括：确定所述空间分布特征对应的第一规则度，若所述第一规则度小于第一预设规则度，确定所述待识别点云数据中的点云点为伪点云点；和/或确定所述时帧分布特征对应的第二规则度，若所述第二规则度小于第二预设规则度，确定所述待识别点云数据中的点云点为伪点云点。3.根据权利要求2所述的数据处理方法，其特征在于，所述空间分布特征包括点云点间夹角和/或扫描线间距离；确定所述空间分布特征对应的第一规则度，包括：根据所述点云点间夹角，确定第一规则分值；和/或，根据所述扫描线间距离，确定第二规则分值；根据所述第一规则分值和/或所述第二规则分值，确定所述第一规则度。4.根据权利要求2所述的数据处理方法，其特征在于，所述时帧分布特征包括法向量变化信息和/或分布方差变化信息；确定所述时帧分布特征对应的第二规则度，包括：根据所述法向量变化信息，确定第三规则分值；和/或，根据所述分布方差变化信息，确定第四规则分值；根据所述第三规则分值和/或所述第四...

【专利技术属性】
技术研发人员：谢岳松，姚卯青，
申请(专利权)人：安徽蔚来智驾科技有限公司，
类型：发明
国别省市：