【技术实现步骤摘要】
本专利技术涉及激光雷达检测，尤其是涉及一种基于点云分割解耦高精地图的目标检测方法、系统及介质。
技术介绍
1、高精地图通常指用于自动驾驶辅助的地图，地图元素包括详细的车道线、路标、交通提示牌、交通灯、车道曲率、坡度及车道级实时交通动态信息等道路信息。高精地图有三个特点，其一是高精度，可以达到厘米级，是立体图；其二是高鲜度，必须高频更新地图信息，包括实时交通流量、红绿灯状态信息等动态信息，以及道路变更、维修等静态信息；其三是高丰富度，包含道路形状、交通标志、道路标记以及周边的障碍物等信息。高精地图的制作需要依靠专业的测绘车队和专业测绘人员，通过图像与激光雷达、gps等传感器对道路信息进行详尽的测绘，并保持更新。
2、现有技术中，高精地图的制作是一件成本极高的项目，而且并不是所有车企都拥有制作高精地图的资质，这对自动驾驶企业来说是难以接受的，高精地图的更新速度太慢，已经跟不上自动驾驶发展所需要的速度。由于需要采集众多极为精确的数据，高精地图基本还是季更，对于车企来说希望做到每天更新。
技术实现思路
1、鉴于以上问题，本专利技术提供了一种基于点云分割解耦高精地图的目标检测方法、系统及介质，不仅提高目标检测的准确性、稳定性和实用性，而且降低对高精度地图的依赖，通过点云分割解耦高精地图，减少了对高精度地图的依赖，提高了自动驾驶系统的鲁棒性。
2、为了实现上述目的及其他相关目的，本专利技术提供的技术方案如下：
3、一种基于点云分割解耦高精地图的目标检测方法，
4、m1.车辆行驶在道路上，基于车载激光雷达组实时获取道路的点云数据信息，并通过标定参数对各个激光雷达的点云进行拼接，得到拼接好的道路点云数据信息；
5、m2.基于所述拼接好的道路点云数据信息，采用改进的蒙特卡罗积分算法对道路点云进行随机采样，得到道路点云的原型点和结构化特征数据信息；
6、m3.将所述道路点云的原型点和结构化特征数据信息输入训练好的道路点云语义分割模型进行信息提取，输出道路点云的语义数据信息；
7、m4.基于所述道路点云的语义数据信息，采用融合法向量夹角特征、空间位置、语义信息的聚类算法对道路目标进行聚类分析，得到道路目标的三维空间检测数据信息。
8、进一步的，在步骤m1中，所述通过标定参数对各个激光雷达的点云进行拼接包括：
9、m11.获取车载激光雷达组中各个激光雷达的标定参数数据信息，建立激光雷达的转换函数g，
10、
11、其中，x为激光雷达的标定参数数据信息，α和β为转换矩阵，对激光雷达的标定参数进行同一转换，得到同一坐标系下的激光雷达标定参数数据信息；
12、m12.基于所述同一坐标系下的激光雷达标定参数数据信息，采用halcon算法对同一时刻的激光雷达的点云进行拼接，得到拼接好的道路点云数据信息。
13、进一步的，所述采用halcon算法对同一时刻的激光雷达的点云进行拼接为根据激光雷达的点云的特征点，构建旋转矩阵q，
14、
15、其中，θ为任意两个激光雷达的点云法向量夹角，进行点云拼合，得到拼接好的道路点云数据信息。
16、进一步的，在步骤m2中，所述采用改进的蒙特卡罗积分算法对道路点云进行随机采样包括：
17、m21.基于所述拼接好的道路点云数据信息，建立蒙特卡罗积分函数h，
18、h＝∫ωρh(x)π(x)dx，
19、其中，ρ为积分常量因子，ω为道路点云的样本域，h(x)为道路点云的分布函数，π(x)为道路点云的从分布函数，x为拼接好的道路点云数据信息，对道路点云的分布进行分析，得到道路点云的蒙特卡罗积分分布数据信息；
20、m22.基于所述道路点云的蒙特卡罗积分分布数据信息，建立道路点云的概率函数o，
21、
22、其中，λ为道路点云的蒙特卡罗积分分布数据信息，对道路点云的概率值进行计算，得到道路点云的概率值数据信息；
23、m23.基于所述道路点云的概率值数据信息，建立道路点云的采样函数f，
24、
25、其中，ηi为道路点云的采样常量因子，n为样本容量，wi为道路点云的概率值数据信息，对道路点云点进行采样，得到道路点云的原型点和结构化特征数据信息。
26、进一步的，所述道路点云的原型点和结构化特征数据信息为根据对道路点云进行采样，得到道路点云的原型点，并建立道路点云的机构化特征函数j，
27、
28、其中，(ωx,ωy,ωz)为道路点云的原型点坐标数据信息，对道路点云的结构化特征进行提取，得到道路点云的结构化特征数据信息。
29、进一步的，在步骤m3中，所述训练好的道路点云语义分割模型包括：
30、m31.基于所述道路点云的结构化特征数据信息，获取道路点云的语义标签数据信息、嵌入特征数据信息和原型预测点数据信息；
31、m32.基于所述原型预测点数据信息和嵌入特征数据信息，建立道路点云的不确定估计函数l，
32、
33、其中，r1为原型预测点数据信息，r2为嵌入特征数据信息，得到道路点云的原型修正点和协方差矩阵数据信息；
34、m33.基于所述道路点云的原型修正点和协方差矩阵数据信息，得到道路点云的平均概率矩阵，向点云数据的点分配实例标签，向点云数据中的点分配点云语义标签，得到训练好的道路点云语义分割模型。
35、进一步的，所述道路点云的平均概率矩阵为a，
36、
37、其中，n为道路点云的协方差矩阵的数量，δj为权重系数，aj为道路点云的协方差矩阵数据信息。
38、进一步的，所述采用融合法向量夹角特征、空间位置、语义信息的聚类算法对道路目标进行聚类分析为对道路目标进行聚类，同类别相邻目标被聚类为一个目标，根据道路点云的融合法向量夹角特征、空间位置和语义信息的进行道路前景实例分割，得到道路目标的三维空间检测数据信息。
39、为了实现上述目的及其他相关目的，本专利技术还提供了一种基于点云分割解耦高精地图的目标检测系统，包括计算机设备，该计算机设备被编程或配置以执行任意一项所述的基于点云分割解耦高精地图的目标检测方法的步骤。
40、为了实现上述目的及其他相关目的，本专利技术还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行任意一项所述的基于点云分割解耦高精地图的目标检测方法的计算机程序。
41、本专利技术具有以下积极效果：
42、1.本专利技术通过标定参数对各个激光雷达的点云进行拼接，得到拼接好的道路点云数据信息，并结合采用改进的蒙特卡罗积分算法对道路点云进行随机采样，不仅能够对道路点云的数据信息进行全面的分析，而且减少信息冗余，解耦高精地图可以消除不必要的信息，降低了信息冗余，节省了存储和传输开销。
43本文档来自技高网...
【技术保护点】
1.一种基于点云分割解耦高精地图的目标检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于点云分割解耦高精地图的目标检测方法，其特征在于，在步骤M1中，所述通过标定参数对各个激光雷达的点云进行拼接包括：
3.根据权利要求2所述的基于点云分割解耦高精地图的目标检测方法，其特征在于：所述采用halcon算法对同一时刻的激光雷达的点云进行拼接为根据激光雷达的点云的特征点，构建旋转矩阵Q，
4.根据权利要求1所述的基于点云分割解耦高精地图的目标检测方法，其特征在于，在步骤M2中，所述采用改进的蒙特卡罗积分算法对道路点云进行随机采样包括：
5.根据权利要求4所述的基于点云分割解耦高精地图的目标检测方法，其特征在于：所述道路点云的原型点和结构化特征数据信息为根据对道路点云进行采样，得到道路点云的原型点，并建立道路点云的机构化特征函数J，
6.根据权利要求1所述的基于点云分割解耦高精地图的目标检测方法，其特征在于，在步骤M3中，所述训练好的道路点云语义分割模型包括：
7.根据权利要求6所述的基于点云分割解耦高
8.根据权利要求1所述的基于点云分割解耦高精地图的目标检测方法，其特征在于：所述采用融合法向量夹角特征、空间位置、语义信息的聚类算法对道路目标进行聚类分析为对道路目标进行聚类，同类别相邻目标被聚类为一个目标，根据道路点云的融合法向量夹角特征、空间位置和语义信息的进行道路前景实例分割，得到道路目标的三维空间检测数据信息。
9.一种基于点云分割解耦高精地图的目标检测系统，包括计算机设备，其特征在于，该计算机设备被编程或配置以执行权利要求1～8中任意一项所述的基于点云分割解耦高精地图的目标检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有被编程或配置以执行权利要求1～8中任意一项所述的基于点云分割解耦高精地图的目标检测方法的计算机程序。
...【技术特征摘要】
1.一种基于点云分割解耦高精地图的目标检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于点云分割解耦高精地图的目标检测方法，其特征在于，在步骤m1中，所述通过标定参数对各个激光雷达的点云进行拼接包括：
3.根据权利要求2所述的基于点云分割解耦高精地图的目标检测方法，其特征在于：所述采用halcon算法对同一时刻的激光雷达的点云进行拼接为根据激光雷达的点云的特征点，构建旋转矩阵q，
4.根据权利要求1所述的基于点云分割解耦高精地图的目标检测方法，其特征在于，在步骤m2中，所述采用改进的蒙特卡罗积分算法对道路点云进行随机采样包括：
5.根据权利要求4所述的基于点云分割解耦高精地图的目标检测方法，其特征在于：所述道路点云的原型点和结构化特征数据信息为根据对道路点云进行采样，得到道路点云的原型点，并建立道路点云的机构化特征函数j，
6.根据权利要求1所述的基于点云分割解耦高精地图的目标检测方法，其特征在于，在...
【专利技术属性】
技术研发人员：储希凯，杨文娟，吴云龙，王科未，石志奇，朱晓明，胡谦，甘浩林，陈睿嘉，
申请(专利权)人：东风悦享科技有限公司，
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。