轻量级的雷达点云的目标识别方法、存储介质及设备技术

轻量级的雷达点云的目标识别方法、存储介质及设备，属于自动驾驶技术和点云分割识别技术领域。为了解决现有的3D点云数据量非常庞大，从而导致计算量大、计算速度较慢的问题。利用设置在车辆上的激光雷达获取环境的待识别雷达点云数据，根据待识别雷达点云数据的点云数据级别得到拟识别点云数据；然后利用点云分割识别网络对拟识别点云数据进行分割识别；点云分割识别网络在训练过程中先采用第一数据集进行训练，然后利用第二数据集下采样，并结合第一数据集训练网络得到的特征图进行二次训练，得到的点云分割识别网络。得到的点云分割识别网络。得到的点云分割识别网络。

【技术实现步骤摘要】
轻量级的雷达点云的目标识别方法、存储介质及设备


[0001]本专利技术属于自动驾驶技术和点云分割识别
，具体涉及一种雷达点云的目标识别方法、存储介质及设备。

技术介绍

[0002]自动驾驶技术一个重要的方向是是环境感知和目标识别，即通过传感器获得环境数据，并在环境中识别出目标。目前的环境感知和目标识别主要是依赖于相机和雷达等传感器实现的，其中雷达由于不受到光线和遮挡等条件限制等特点，因此雷达具有不可替代的作用和优势。
[0003]利用激光雷达进行目标检测时，主要是通过激光雷达输出的点云数据提取目标轮廓特征并进行分类最终获得目标检测结果。在目前的的研究中利用激光雷达数据进行环境感知和目标识别已经比较成熟，且基本属于能够商用的水平。
[0004]在基于激光雷达点云数据的识别中，目标检测算法基本可以分为两类，一类是基于点云聚类的识别方法，另一类是利用深度学习的进行目标检测的方法，其中基于深度学习的目标检测的方法已经成为研究的热点，虽然目前已经取得了比较不错的效果，但是基于点云的分类方法还存在一定的问题，例如传泛化性能较差，分类效果有待于进一步提高等，尤其是针对小目标检测精度较差且易出现漏检现象；还有一个更为重要的问题就是，3D点云数据量非常庞大，不仅对硬件的要求非常高而导致硬件部署成本非常高，而且这也导致了计算量非常大，从而导致了计算速度较慢，而对于汽车而言，当汽车处于行驶状态中，尤其是高速行驶时，对于目标识别而言要求具有快速识别的能力才能保证汽车的安全行驶。

技术实现思路

[0005]本专利技术主要是为了解决现有的3D点云数据量非常庞大，从而导致计算量大、计算速度较慢的问题。
[0006]一种轻量级的雷达点云的目标识别方法，包括以下步骤：
[0007]利用设置在车辆上的激光雷达获取环境的待识别雷达点云数据，根据待识别雷达点云数据的点云数据级别对点云进行点云数据调整，得到拟识别点云数据；然后利用点云分割识别网络对拟识别点云数据进行分割识别；
[0008]所述的点云分割识别网络通过以下步骤获得：
[0009]步骤1、针对已知环境，利用设置在车辆上的激光雷达获取环境的雷达点云数据；所述的已知环境为场景所有目标的类别已知；
[0010]步骤2、将雷达点云数据分为第一数据集和第二数据集；第一数据集和第二数据集中的目标的类别数量相同，且每个目标类别的目标数量相差不超过10％；
[0011]针对第一数据集，将数据集记为第一训练集；
[0012]针对第二数据集，将数据集中的点云数据记为标准雷达点云数据，对标准雷达点
connection layers处理，之后经过softmax提取全局特征；
[0030]分割任务：先经过一个上采样网络单元处理提取点云特征，上采样网络单元为：插值+concat+Pointnet；先通过采用interpolate结构进行上采样，然后通过FCN中的skip connection操作将上采样后的点特征和之前encoder部分得到的点特征进行concat，再用pointnet进行特征抽取；
[0031]再经过一个上采样网络单元处理提取点云特征，此时点云分辨率恢复原始点云分辨率，然后对每个进行softmax分类。
[0032]进一步地，所述Set abstraction包括sampling，grouping和PointNet三部分：
[0033]sampling：对输入点云进行采样，采样算为FPS；
[0034]grouping：为每个采样点寻找半径r范围内的固定k个邻域点，所有点坐标都是归一化后的；设置r＝0.35
‑
0.45、k＝64；
[0035]PointNet：用PointNet提取特征并max pooling聚合为采样点坐标。
[0036]进一步地，针对第二数据集进行体素网格下采样的过程中，第一下采样雷达点云数据的点云数据级别为600points；第二下采样雷达点云数据的点云数据级别为500points；第三下采样雷达点云数据的点云数据级别为400points。
[0037]一种计算机存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的一种轻量级的雷达点云的目标识别方法。
[0038]一种轻量级的雷达点云的目标识别设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的一种轻量级的雷达点云的目标识别方法。
[0039]本专利技术与现有技术相比，具有如下优点与有益效果：
[0040]本专利技术针对采集的数据量大的点云数据进行下采样，以减小点云数据量；同时利用本专利技术经过特殊训练的点云分割识别网络进行点云识别，可以保证以减小数据量的点云数据具有良好的识别效果，因此本专利技术可以很好的解决现有的3D点云数据量非常庞大，从而导致计算量大、计算速度较慢的问题。
[0041]同时，本专利技术可以采用点云分割识别网络的训练和实际部署分开的方式，这样可以在采用点云分割识别网络训练过程采集点云时使用硬件的要求非常高而导致硬件部署成本非常高的设备，而在实际应用部署时采用相对低级别的硬件设备采集即可。
附图说明
[0042]图1为一种轻量级的雷达点云的目标识别方法的流程示意图。
[0043]图2为PointNet++网络处理逻辑示意图。
具体实施方式
[0044]具体实施方式一：结合图1说明本实施方式，
[0045]本实施方式为一种轻量级的雷达点云的目标识别方法，包括以下步骤：
[0046]步骤1、针对已知环境，利用设置在车辆上的激光雷达获取环境的雷达点云数据；所述的已知环境为场景所有目标的类别已知；
[0047]然后对点云数据进行滤波等预处理。本实施方式中采用现有的双边滤波方法进行
滤波，双边滤波是一种非线性的滤波方法，其利用加权平均的方法，将周围像素的加权平均值代替当前的像素值，在点云的滤波过程中双边滤波考虑了两个权重域，一个是空间域，一个是像素范围域，滤波权重考虑了像素的欧式距离也考虑了像素在像素域内的差异性，在计算像素的同时也考虑了这两个因素的权重，可以保持特征降噪平滑的效果。
[0048]这里要说明的是本专利技术包括但不限于双边滤波的方式，也可以是其他的点云滤波方式。
[0049]由于本专利技术后续后采用PointNet++进行处理，对于PointNet++而言，一旦点云数据低于800points级别，PointNet++性能衰减的非常严重，甚至低于PointNet。因此步骤1要保证点云数据高于1000points级别，同时为了尽量减少计算量，本实施方式采用1024points级别。
[0050]步骤2、将滤波后雷达点云数据分为第一数据集和第二数据集；第一数据集和第二数据集中的目标的类别数量相同，且每个目标类别的目标数量相差不超过10％；
[0051]针对第一数据集，将数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轻量级的雷达点云的目标识别方法，其特征在于，包括以下步骤：利用设置在车辆上的激光雷达获取环境的待识别雷达点云数据，根据待识别雷达点云数据的点云数据级别对点云进行点云数据调整，得到拟识别点云数据；然后利用点云分割识别网络对拟识别点云数据进行分割识别；所述的点云分割识别网络通过以下步骤获得：步骤1、针对已知环境，利用设置在车辆上的激光雷达获取环境的雷达点云数据；所述的已知环境为场景所有目标的类别已知；步骤2、将雷达点云数据分为第一数据集和第二数据集；第一数据集和第二数据集中的目标的类别数量相同，且每个目标类别的目标数量相差不超过10％；针对第一数据集，将数据集记为第一训练集；针对第二数据集，将数据集中的点云数据记为标准雷达点云数据，对标准雷达点云数据进行体素网格下采样，将体素网格下采样之后的雷达点云数据记为第一下采样雷达点云数据；然后针对第一下采样雷达点云数据再进行体素网格下采样，将体素网格下采样之后的雷达点云数据记为第二下采样雷达点云数据；再进行一次体素网格下采样，得到第三下采样雷达点云数据；步骤3、针对第一训练集中的雷达点云数据，训练PointNet++网络；所述PointNet++网络中，通过第一个set abstraction结构提取特征之后的特征图记为第一特征图；经过第二个set abstraction结构提取特征之后的特征图记为第二特征图；步骤4、将第二数据集中每帧第一下采样雷达点云数据作为输入，采用训练好的PointNet++网络进行分割和识别，同时提取第一特征图和第二特征图；针对第一特征图对应的点云数据与第二下采样雷达点云数据进行融合，然后进行下采样，记为第一替换特征图；针对第二特征图对应的点云数据与第三下采样雷达点云数据进行融合，然后进行下采样，记为第二替换特征图；在PointNet++网络中，将第一替换特征图替换第一特征图，将第二替换特征图替换第二特征图，再次进行分割和识别；并以此方式利用第二数据集中的所有第一下采样雷达点云数据再次训练，得到最终的PointNet++网络，即点云分割识别网络。2.根据权利要求1所述的一种轻量级的雷达点云的目标识别方法，其特征在于，根据待识别雷达点云数据的点云数据级别对点云进行点云数据调整的过程包括以下步骤：如果待识别雷达点云数据的点云数据级别高于标准雷达点云数据的数据级别，则利用体素网格进行下采样，要求体素网格下采样后的点云数据级别高于第一下采样雷达点云数据的数据级别，将下采样后的数据作为拟识别点云数据；如果待识别雷达点云数据的点云数据级别低于标准雷达点云数据的数据级别，且高于第一下采样雷达点云数据的数据级别，将待识别雷达点云数据直接作为拟识别点云数据。3.根据权利要求2所述的一种轻量级的雷达点云的目标识别方法，其特征在于，根据待识别雷达点云数据的点云数据级别对点云进行点云数据调整之前，需要对待识别雷达点云数据进行预处理，所述预处理过程包括对点云的滤波处理。4.根据权利要求1、2或3所述的一种轻量级的雷达点云的目标识别方法，其特征在于，步骤1中利用设置在车辆上的激...

【专利技术属性】
技术研发人员：田中山，王现中，杨昌群，吴小川，牛道东，张俊，梁珈铭，
申请(专利权)人：哈尔滨工业大学中仪知联苏州工业自动化有限公司，
类型：发明
国别省市：