本申請涉及計(jì)算機(jī)技術(shù)領(lǐng)域，具體涉及車輛檢測技術(shù)領(lǐng)域，尤其涉及基于點(diǎn)云數(shù)據(jù)的車輛輪廓檢測方法和裝置。

背景技術(shù)：

隨著經(jīng)濟(jì)的發(fā)展和生活水平的提高，汽車作為不可或缺的通勤工具，逐步進(jìn)入了千家萬戶。然而，隨之而來的駕駛安全問題卻像揮之不去的烏云一般遮擋著幸福生活的晴空。我國2010年交通事故死亡人數(shù)，公安部數(shù)據(jù)65,225人，who模型估計(jì)275,983人，相當(dāng)于每天一次重大空難。因交通事故導(dǎo)致的全球傷亡人數(shù)相當(dāng)于每年有13次911大災(zāi)難。

在科學(xué)技術(shù)發(fā)達(dá)的現(xiàn)代社會，人們顯然不會容忍災(zāi)難的接連發(fā)生。對安全駕駛的愿景得到了社會的一致認(rèn)可，在政府和市場的推動下，汽車安全技術(shù)的繁榮到來了。從廣義的分類來講，汽車安全技術(shù)可分為被動安全(passivesafety)和主動安全(activesafety)兩大類。被動安全指碰撞發(fā)生以后如何將損失降低到最低的技術(shù)，主要在于汽車結(jié)構(gòu)、安全帶、夾層式風(fēng)擋玻璃、折疊式轉(zhuǎn)向柱、安全氣囊等設(shè)計(jì)，但由于其碰撞后才觸發(fā)被動保護(hù)的機(jī)制，導(dǎo)致其規(guī)避事故的數(shù)量受限。主動安全指提前預(yù)警從而規(guī)避碰撞的技術(shù)，主要在于駕駛員周圍環(huán)境的感知、理解、決策和控制，如車道偏離報(bào)警(lanedeparturewarning，ldw)。相比之下，主動安全以其預(yù)先性及與車輛設(shè)計(jì)弱相關(guān)等優(yōu)點(diǎn)，得到了廣泛的研究，并以輔助駕駛系統(tǒng)(advanceddriverassistancesystem，adas)的產(chǎn)品形態(tài)面對大眾。

車輛檢測技術(shù)是主動安全的關(guān)鍵技術(shù)支撐之一?，F(xiàn)有技術(shù)方案大多采用單一視覺技術(shù)，通過匹配圖像中特征的方法來檢測車輛，并不能準(zhǔn)確提供被檢測車輛的空間位置和姿態(tài)。也存在一些利用激光點(diǎn)云作為輸入的技術(shù)方案，通過形狀和點(diǎn)云疏密程度等特征進(jìn)行聚類而后檢測車輛，此類方法多需要大量手工調(diào)節(jié)，對場景變化適應(yīng)性較差。

技術(shù)實(shí)現(xiàn)要素：

本申請的目的在于提出一種改進(jìn)的基于點(diǎn)云數(shù)據(jù)的車輛輪廓檢測方法和裝置，來解決以上背景技術(shù)部分提到的技術(shù)問題。

第一方面，本申請?zhí)峁┝艘环N基于點(diǎn)云數(shù)據(jù)的車輛輪廓檢測方法，包括：獲取待訓(xùn)練點(diǎn)云數(shù)據(jù)；響應(yīng)于對待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)的標(biāo)注，生成與待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)對應(yīng)的標(biāo)簽數(shù)據(jù)，其中，標(biāo)注用于指示各待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)是否屬于車輛輪廓；基于待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)和與待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)對應(yīng)的標(biāo)簽數(shù)據(jù)訓(xùn)練全卷積神經(jīng)網(wǎng)絡(luò)模型，以得到車輛檢測模型；以及獲取待檢測點(diǎn)云數(shù)據(jù)，并基于車輛檢測模型，得到與待檢測點(diǎn)云數(shù)據(jù)中的各待檢測點(diǎn)對應(yīng)的檢測結(jié)果。

在一些實(shí)施例中，獲取待訓(xùn)練點(diǎn)云數(shù)據(jù)包括：將點(diǎn)云數(shù)據(jù)采集設(shè)備采集的待訓(xùn)練三維數(shù)據(jù)映射生成待訓(xùn)練深度圖，待訓(xùn)練深度圖中的各像素點(diǎn)的數(shù)值為與待訓(xùn)練三維數(shù)據(jù)一一對應(yīng)的待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)。

在一些實(shí)施例中，各待訓(xùn)練三維數(shù)據(jù)d(x,y,z)為以點(diǎn)云數(shù)據(jù)采集設(shè)備為原點(diǎn)，以豎直向上方向?yàn)閦軸，以水平面內(nèi)任意垂直的二軸分別為x軸和y軸的坐標(biāo)系中的坐標(biāo)值；待訓(xùn)練深度圖中的各像素點(diǎn)的坐標(biāo)為(r,c)，各像素點(diǎn)的數(shù)值為(d,z)；其中：

θ＝atan2(y,x)

θ為各待訓(xùn)練三維數(shù)據(jù)d和原點(diǎn)之間的連線與第一平面之間的夾角，δθ為點(diǎn)云數(shù)據(jù)采集設(shè)備的水平分辨率，第一平面為y軸、z軸組成的平面；φ為各待訓(xùn)練三維數(shù)據(jù)d和原點(diǎn)之間的連線與第二平面之間的夾角，δφ為點(diǎn)云數(shù)據(jù)采集設(shè)備的垂直分辨率，第二平面為x軸、y軸組成的平面。

在一些實(shí)施例中，響應(yīng)于對待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)的標(biāo)注，生成與待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)對應(yīng)的標(biāo)簽數(shù)據(jù)包括：若待訓(xùn)練點(diǎn)云數(shù)據(jù)中的點(diǎn)屬于車輛輪廓，則將該屬于車輛輪廓的點(diǎn)變換生成26通道的二維標(biāo)簽數(shù)據(jù)，其中，26通道中的第一通道的數(shù)值為1，第二通道的數(shù)值為0，26通道中的第3～24通道分別為車輛所在的三維立方體各頂點(diǎn)的各坐標(biāo)相對于待訓(xùn)練點(diǎn)云數(shù)據(jù)中屬于車輛輪廓的各點(diǎn)的各三維坐標(biāo)的旋轉(zhuǎn)向量；若待訓(xùn)練點(diǎn)云數(shù)據(jù)中的點(diǎn)不屬于車輛輪廓，則將該不屬于車輛輪廓的點(diǎn)變換生成2通道的二維標(biāo)簽數(shù)據(jù)，其中，2通道中的第一通道的數(shù)值為0，第二通道的數(shù)值為1。

在一些實(shí)施例中，車輛所在的三維立方體各頂點(diǎn)的各坐標(biāo)相對于點(diǎn)云數(shù)據(jù)中屬于車輛輪廓的各點(diǎn)的各三維坐標(biāo)的旋轉(zhuǎn)向量(x’p,y’p,z’p)為：

其中，r為點(diǎn)云數(shù)據(jù)中屬于車輛輪廓的任意一點(diǎn)p(xi,yi,zi)的旋轉(zhuǎn)矩陣，且有：

r＝rzi(θi)ryi(φi)；

θi＝atan2(yi,xi)

在一些實(shí)施例中，基于待訓(xùn)練點(diǎn)云數(shù)據(jù)和與待訓(xùn)練點(diǎn)云數(shù)據(jù)對應(yīng)的標(biāo)簽數(shù)據(jù)訓(xùn)練全卷積神經(jīng)網(wǎng)絡(luò)模型，以得到車輛檢測模型包括：初始化全卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)；基于損失函數(shù)調(diào)節(jié)全卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)，其中，損失函數(shù)為與當(dāng)前輸出和與待訓(xùn)練點(diǎn)云數(shù)據(jù)對應(yīng)的標(biāo)簽數(shù)據(jù)之間的偏差，當(dāng)前輸出為與當(dāng)前待訓(xùn)練點(diǎn)云數(shù)據(jù)以及全卷積神經(jīng)網(wǎng)絡(luò)的當(dāng)前參數(shù)對應(yīng)的全卷積神經(jīng)網(wǎng)絡(luò)的輸出；若損失函數(shù)為最小值，則輸出與損失函數(shù)對應(yīng)的參數(shù)作為車輛檢測模型的參數(shù)；否則，重復(fù)執(zhí)行基于損失函數(shù)調(diào)節(jié)全卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)的步驟。

在一些實(shí)施例中，獲取待檢測點(diǎn)云數(shù)據(jù)，并基于車輛檢測模型，得到與待檢測點(diǎn)云數(shù)據(jù)中的各待檢測點(diǎn)對應(yīng)的檢測結(jié)果包括：將點(diǎn)云數(shù)據(jù)采集設(shè)備采集的待檢測三維數(shù)據(jù)映射生成待檢測深度圖，待檢測深度圖中的各像素點(diǎn)的數(shù)值為與待檢測三維數(shù)據(jù)一一對應(yīng)的待檢測點(diǎn)云數(shù)據(jù)中的各待檢測點(diǎn)；基于車輛檢測模型，獲取待檢測點(diǎn)云數(shù)據(jù)中，各待檢測點(diǎn)的預(yù)測結(jié)果，其中，預(yù)測結(jié)果包括待檢測點(diǎn)屬于車輛輪廓的概率；以及若待檢測點(diǎn)屬于車輛輪廓的概率大于預(yù)設(shè)閾值，確定待檢測點(diǎn)屬于車輛輪廓。

在一些實(shí)施例中，預(yù)測結(jié)果還包括待檢測點(diǎn)的位置信息；獲取待檢測點(diǎn)云數(shù)據(jù)，并基于車輛檢測模型，得到與待檢測點(diǎn)云數(shù)據(jù)中的各待檢測點(diǎn)對應(yīng)的檢測結(jié)果還包括：獲取待檢測點(diǎn)云數(shù)據(jù)中，屬于車輛輪廓的概率大于預(yù)設(shè)閾值的第一待檢測點(diǎn)形成第一待檢測點(diǎn)集合；基于第一待檢測點(diǎn)集合中的各待檢測點(diǎn)的位置信息，生成與待檢測點(diǎn)云數(shù)據(jù)對應(yīng)的車輛空間位置信息。

第二方面，本申請還提供了一種基于點(diǎn)云數(shù)據(jù)的車輛輪廓檢測裝置，包括：獲取模塊，配置用于獲取待訓(xùn)練點(diǎn)云數(shù)據(jù)；標(biāo)簽數(shù)據(jù)生成模塊，配置用于響應(yīng)于對待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)的標(biāo)注，生成與待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)對應(yīng)的標(biāo)簽數(shù)據(jù)，其中，標(biāo)注用于指示各待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)是否屬于車輛輪廓；訓(xùn)練模塊，配置用于基于待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)和與待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)對應(yīng)的標(biāo)簽數(shù)據(jù)訓(xùn)練全卷積神經(jīng)網(wǎng)絡(luò)模型，以得到車輛檢測模型；以及檢測模塊，配置用于獲取待檢測點(diǎn)云數(shù)據(jù)，并基于車輛檢測模型，得到與待檢測點(diǎn)云數(shù)據(jù)中的各待檢測點(diǎn)對應(yīng)的檢測結(jié)果。

在一些實(shí)施例中，獲取模塊進(jìn)一步配置用于：將點(diǎn)云數(shù)據(jù)采集設(shè)備采集的待訓(xùn)練三維數(shù)據(jù)映射生成待訓(xùn)練深度圖，待訓(xùn)練深度圖中的各像素點(diǎn)的數(shù)值為與待訓(xùn)練三維數(shù)據(jù)一一對應(yīng)的待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)。

在一些實(shí)施例中，各待訓(xùn)練三維數(shù)據(jù)d(x,y,z)為以點(diǎn)云數(shù)據(jù)采集設(shè)備為原點(diǎn)，以豎直向上方向?yàn)閦軸，以水平面內(nèi)任意垂直的二軸分別為x軸和y軸的坐標(biāo)系中的坐標(biāo)值；待訓(xùn)練深度圖中的各像素點(diǎn)的坐標(biāo)為(r,c)，各像素點(diǎn)的數(shù)值為(d,z)；其中：

θ＝atan2(y,x)

θ為各待訓(xùn)練三維數(shù)據(jù)d和原點(diǎn)之間的連線與第一平面之間的夾角，δθ為點(diǎn)云數(shù)據(jù)采集設(shè)備的水平分辨率，第一平面為y軸、z軸組成的平面；φ為各待訓(xùn)練三維數(shù)據(jù)d和原點(diǎn)之間的連線與第二平面之間的夾角，δφ為點(diǎn)云數(shù)據(jù)采集設(shè)備的垂直分辨率，第二平面為x軸、y軸組成的平面。

在一些實(shí)施例中，標(biāo)簽數(shù)據(jù)生成模塊進(jìn)一步配置用于：若待訓(xùn)練點(diǎn)云數(shù)據(jù)中的點(diǎn)屬于車輛輪廓，則將該屬于車輛輪廓的點(diǎn)變換生成26通道的二維標(biāo)簽數(shù)據(jù)，其中，26通道中的第一通道的數(shù)值為1，第二通道的數(shù)值為0，26通道中的第3～24通道分別為車輛所在的三維立方體各頂點(diǎn)的各坐標(biāo)相對于待訓(xùn)練點(diǎn)云數(shù)據(jù)中屬于車輛輪廓的各點(diǎn)的各三維坐標(biāo)的旋轉(zhuǎn)向量；若待訓(xùn)練點(diǎn)云數(shù)據(jù)中的點(diǎn)不屬于車輛輪廓，則將該不屬于車輛輪廓的點(diǎn)變換生成2通道的二維標(biāo)簽數(shù)據(jù)，其中，2通道中的第一通道的數(shù)值為0，第二通道的數(shù)值為1。

在一些實(shí)施例中，車輛所在的三維立方體各頂點(diǎn)的各坐標(biāo)相對于點(diǎn)云數(shù)據(jù)中屬于車輛輪廓的各點(diǎn)的各三維坐標(biāo)的旋轉(zhuǎn)向量(x’p,y’p,z’p)為：

其中，r為點(diǎn)云數(shù)據(jù)中屬于車輛輪廓的任意一點(diǎn)p(xi,yi,zi)的旋轉(zhuǎn)矩陣，且有：

r＝rzi(θi)ryi(φi)；

θi＝atan2(yi,xi)

在一些實(shí)施例中，訓(xùn)練模塊進(jìn)一步配置用于：初始化全卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)；基于損失函數(shù)調(diào)節(jié)全卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)，其中，損失函數(shù)為與當(dāng)前輸出和與待訓(xùn)練點(diǎn)云數(shù)據(jù)對應(yīng)的標(biāo)簽數(shù)據(jù)之間的偏差，當(dāng)前輸出為與當(dāng)前待訓(xùn)練點(diǎn)云數(shù)據(jù)以及全卷積神經(jīng)網(wǎng)絡(luò)的當(dāng)前參數(shù)對應(yīng)的全卷積神經(jīng)網(wǎng)絡(luò)的輸出；若損失函數(shù)為最小值，則輸出與損失函數(shù)對應(yīng)的參數(shù)作為車輛檢測模型的參數(shù)；否則，重復(fù)執(zhí)行基于損失函數(shù)調(diào)節(jié)全卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)的步驟。

在一些實(shí)施例中，檢測模塊進(jìn)一步配置用于：將點(diǎn)云數(shù)據(jù)采集設(shè)備采集的待檢測三維數(shù)據(jù)映射生成待檢測深度圖，待檢測深度圖中的各像素點(diǎn)的數(shù)值為與待檢測三維數(shù)據(jù)一一對應(yīng)的待檢測點(diǎn)云數(shù)據(jù)中的各待檢測點(diǎn)；基于車輛檢測模型，獲取待檢測點(diǎn)云數(shù)據(jù)中，各待檢測點(diǎn)的預(yù)測結(jié)果，其中，預(yù)測結(jié)果包括待檢測點(diǎn)屬于車輛輪廓的概率；以及若待檢測點(diǎn)屬于車輛輪廓的概率大于預(yù)設(shè)閾值，確定待檢測點(diǎn)屬于車輛輪廓。

在一些實(shí)施例中，預(yù)測結(jié)果還包括待檢測點(diǎn)的位置信息；檢測模塊還配置用于：獲取待檢測點(diǎn)云數(shù)據(jù)中，屬于車輛輪廓的概率大于預(yù)設(shè)閾值的第一待檢測點(diǎn)形成第一待檢測點(diǎn)集合；基于第一待檢測點(diǎn)集合中的各待檢測點(diǎn)的位置信息，生成與待檢測點(diǎn)云數(shù)據(jù)對應(yīng)的車輛空間位置信息。

本申請?zhí)峁┑幕邳c(diǎn)云數(shù)據(jù)的車輛輪廓檢測方法和裝置，通過點(diǎn)云數(shù)據(jù)采集設(shè)備采集的點(diǎn)云數(shù)據(jù)和對這些點(diǎn)云數(shù)據(jù)的標(biāo)注來訓(xùn)練全卷積神經(jīng)網(wǎng)絡(luò)模型，得到適宜于車輛輪廓檢測的車輛檢測模型，用該車輛檢測模型來判斷點(diǎn)云數(shù)據(jù)中是否包含車輛輪廓，避免了采用傳統(tǒng)二維圖像檢測車輛輪廓時(shí)，由于車輛的二維尺度變化給檢測帶來的難度和檢測誤差。

此外，在一些實(shí)施例中，本申請的方案可以在檢測車輛輪廓的同時(shí)直接得到車輛的空間位置信息，方便駕駛車輛進(jìn)行自動駕駛的路徑規(guī)劃和控制。

附圖說明

通過閱讀參照以下附圖所作的對非限制性實(shí)施例所作的詳細(xì)描述，本申請的其它特征、目的和優(yōu)點(diǎn)將會變得更明顯：

圖1是本申請可以應(yīng)用于其中的示例性系統(tǒng)架構(gòu)圖；

圖2是根據(jù)本申請的基于點(diǎn)云數(shù)據(jù)的車輛輪廓檢測方法的一個(gè)實(shí)施例的流程圖；

圖3是圖2中，基于待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)和與待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)對應(yīng)的標(biāo)簽數(shù)據(jù)訓(xùn)練全卷積神經(jīng)網(wǎng)絡(luò)模型，以得到車輛檢測模型的一個(gè)可選的實(shí)現(xiàn)方式的示意性流程圖；

圖4是圖2中，獲取待檢測點(diǎn)云數(shù)據(jù)，并基于車輛檢測模型，得到與待檢測點(diǎn)云數(shù)據(jù)中的各待檢測點(diǎn)對應(yīng)的檢測結(jié)果的一個(gè)可選的實(shí)現(xiàn)方式的示意性流程圖；

圖5是根據(jù)本申請的基于點(diǎn)云數(shù)據(jù)的車輛輪廓檢測裝置的一個(gè)實(shí)施例的結(jié)構(gòu)示意圖；

圖6是適于用來實(shí)現(xiàn)本申請實(shí)施例的終端設(shè)備或服務(wù)器的計(jì)算機(jī)系統(tǒng)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對本申請作進(jìn)一步的詳細(xì)說明?？梢岳斫獾氖?，此處所描述的具體實(shí)施例僅僅用于解釋相關(guān)發(fā)明，而非對該發(fā)明的限定。另外還需要說明的是，為了便于描述，附圖中僅示出了與有關(guān)發(fā)明相關(guān)的部分。

需要說明的是，在不沖突的情況下，本申請中的實(shí)施例及實(shí)施例中的特征可以相互組合。下面將參考附圖并結(jié)合實(shí)施例來詳細(xì)說明本申請。

圖1示出了可以應(yīng)用本申請的基于點(diǎn)云數(shù)據(jù)的車輛輪廓檢測方法或基于點(diǎn)云數(shù)據(jù)的車輛輪廓檢測裝置的實(shí)施例的示例性系統(tǒng)架構(gòu)100。

如圖1所示，系統(tǒng)架構(gòu)100可以包括終端設(shè)備101、102、103，網(wǎng)絡(luò)104和服務(wù)器105。網(wǎng)絡(luò)104用以在終端設(shè)備101、102、103和服務(wù)器105之間提供通信鏈路的介質(zhì)。網(wǎng)絡(luò)104可以包括各種連接類型，例如有線、無線通信鏈路或者光纖電纜等等。

用戶可以使用終端設(shè)備101、102、103通過網(wǎng)絡(luò)104與服務(wù)器105交互，以接收或發(fā)送消息等。

在一些應(yīng)用場景中，終端設(shè)備101、102、103可以是具備采集點(diǎn)云數(shù)據(jù)功能的任意電子設(shè)備。例如，終端設(shè)備101、102、103可以是三維激光掃描儀。

或者，在另一些應(yīng)用場景中，終端設(shè)備101、102、103可以與點(diǎn)云數(shù)據(jù)采集設(shè)備進(jìn)行數(shù)據(jù)通信，以獲取點(diǎn)云數(shù)據(jù)采集設(shè)備采集的點(diǎn)云數(shù)據(jù)。例如，終端設(shè)備101、102、103可以是各種電子設(shè)備，包括但不限于智能手機(jī)、平板電腦、電子書閱讀器、mp3播放器(movingpictureexpertsgroupaudiolayeriii，動態(tài)影像專家壓縮標(biāo)準(zhǔn)音頻層面3)、mp4(movingpictureexpertsgroupaudiolayeriv，動態(tài)影像專家壓縮標(biāo)準(zhǔn)音頻層面4)播放器、膝上型便攜計(jì)算機(jī)和臺式計(jì)算機(jī)等等。

服務(wù)器105可以是提供各種服務(wù)的服務(wù)器，例如對終端設(shè)備101、102、103獲取的點(diǎn)云數(shù)據(jù)進(jìn)行處理和分析的后臺服務(wù)器。后臺服務(wù)器可以對接收到的點(diǎn)云數(shù)據(jù)進(jìn)行分析等處理，并將處理結(jié)果(例如點(diǎn)云數(shù)據(jù)中是否包括車輛輪廓)反饋給終端設(shè)備。

需要說明的是，本申請實(shí)施例所提供的基于點(diǎn)云數(shù)據(jù)車輛輪廓檢測方法既可以由服務(wù)器105執(zhí)行也可以由終端設(shè)備101、102、103執(zhí)行。相應(yīng)地，基于點(diǎn)云數(shù)據(jù)車輛輪廓檢測裝置既可以設(shè)置于服務(wù)器105中，也可以設(shè)置于終端設(shè)備101、102、103中。

應(yīng)該理解，圖1中的終端設(shè)備、網(wǎng)絡(luò)和服務(wù)器的數(shù)目僅僅是示意性的。根據(jù)實(shí)現(xiàn)需要，可以具有任意數(shù)目的終端設(shè)備、網(wǎng)絡(luò)和服務(wù)器。

繼續(xù)參考圖2，示出了根據(jù)本申請的基于點(diǎn)云數(shù)據(jù)的車輛輪廓檢測方法的一個(gè)實(shí)施例的流程200。所述的基于點(diǎn)云數(shù)據(jù)的車輛輪廓檢測方法，包括以下步驟：

步驟210，獲取待訓(xùn)練點(diǎn)云數(shù)據(jù)。

在本實(shí)施例中，基于點(diǎn)云數(shù)據(jù)的車輛輪廓檢測方法運(yùn)行于其上的電子設(shè)備(例如圖1所示的服務(wù)器或終端設(shè)備)可以通過有線連接方式或者無線連接方式從具備采集點(diǎn)云數(shù)據(jù)的能力的設(shè)備獲取點(diǎn)云數(shù)據(jù)。需要指出的是，上述無線連接方式可以包括但不限于3g/4g連接、wifi連接、藍(lán)牙連接、wimax連接、zigbee連接、uwb(ultrawideband)連接、以及其他現(xiàn)在已知或?qū)黹_發(fā)的無線連接方式。

點(diǎn)云，是利用激光在同一空間參考系下獲取物體表面每個(gè)采樣點(diǎn)的空間坐標(biāo)，得到的是一系列表達(dá)目標(biāo)空間分布和目標(biāo)表面特性的海量點(diǎn)的集合。也即是說，與相機(jī)拍攝的一副圖片類似，每一個(gè)點(diǎn)云可以與某一個(gè)場景畫面相對應(yīng)。此外，點(diǎn)云可以反映出該場景畫面中，各物體的三維模型及線、面、體等各種信息。

步驟220，響應(yīng)于對待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)的標(biāo)注，生成與待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)對應(yīng)的標(biāo)簽數(shù)據(jù)，其中，標(biāo)注可用于指示各待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)是否屬于車輛輪廓。

在一些可選的實(shí)現(xiàn)方式中，可以通過人工輔助的方式，來對待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)進(jìn)行標(biāo)注，以指示該待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各個(gè)點(diǎn)是否屬于車輛輪廓。

由于標(biāo)注用于指示各待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)是否屬于車輛輪廓，基于標(biāo)注生成的標(biāo)簽數(shù)據(jù)中，也包含了是否屬于車輛輪廓的信息。

步驟230，基于待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)和與待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)對應(yīng)的標(biāo)簽數(shù)據(jù)訓(xùn)練全卷積神經(jīng)網(wǎng)絡(luò)模型，以得到車輛檢測模型。

一般地，卷積神經(jīng)網(wǎng)絡(luò)(convolutionalneuralnetworks，cnn)模型的基本結(jié)構(gòu)包括兩層，其一為特征提取層，每個(gè)神經(jīng)元的輸入與前一層的局部接受域相連，并提取該局部的特征。一旦該局部特征被提取后，它與其它特征間的位置關(guān)系也隨之確定下來；其二是特征映射層，網(wǎng)絡(luò)的每個(gè)計(jì)算層由多個(gè)特征映射組成，每個(gè)特征映射是一個(gè)平面，平面上所有神經(jīng)元的權(quán)值相等。

在一些可選的實(shí)現(xiàn)方式中，可以將待訓(xùn)練點(diǎn)云數(shù)據(jù)輸入cnn模型中，并基于cnn模型的輸出和與待訓(xùn)練點(diǎn)云數(shù)據(jù)對應(yīng)的標(biāo)簽數(shù)據(jù)之間的偏差來迭代地調(diào)整cnn模型的參數(shù)，以使訓(xùn)練后的cnn模型的輸出和與待訓(xùn)練點(diǎn)云數(shù)據(jù)對應(yīng)的標(biāo)簽數(shù)據(jù)之間的偏差最小。

步驟240，獲取待檢測點(diǎn)云數(shù)據(jù)，并基于車輛檢測模型，得到與待檢測點(diǎn)云數(shù)據(jù)中的各待檢測點(diǎn)對應(yīng)的檢測結(jié)果。

通過如上的步驟210～步驟240，可以得到車輛檢測模型。在本步驟240中，將待檢測點(diǎn)云數(shù)據(jù)中的各待檢測點(diǎn)輸入到車輛檢測模型中，可以檢測出該待檢測點(diǎn)云數(shù)據(jù)中是否包含車輛輪廓。由于本實(shí)施例的基于點(diǎn)云數(shù)據(jù)的車輛輪廓檢測方法用三維的點(diǎn)云數(shù)據(jù)作為檢測依據(jù)，可避免傳統(tǒng)二維圖像檢測車輛輪廓時(shí)，由于車輛的二維尺度變化給檢測帶來的難度和檢測誤差。

在一些可選的實(shí)現(xiàn)方式中，步驟210的獲取待訓(xùn)練點(diǎn)云數(shù)據(jù)可以進(jìn)一步包括：

步驟211，將點(diǎn)云數(shù)據(jù)采集設(shè)備采集的待訓(xùn)練三維數(shù)據(jù)映射生成待訓(xùn)練深度圖，待訓(xùn)練深度圖中的各像素點(diǎn)的數(shù)值為與待訓(xùn)練三維數(shù)據(jù)一一對應(yīng)的待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)。

在這些可選的實(shí)現(xiàn)方式的一些應(yīng)用場景中，各待訓(xùn)練三維數(shù)據(jù)d(x,y,z)可以是以點(diǎn)云數(shù)據(jù)采集設(shè)備為原點(diǎn)，以豎直向上方向?yàn)閦軸，以水平面內(nèi)任意垂直的二軸分別為x軸和y軸的坐標(biāo)系中的坐標(biāo)值。而基于待訓(xùn)練三維數(shù)據(jù)d獲得的待訓(xùn)練深度圖中，待訓(xùn)練深度圖中的各像素點(diǎn)的坐標(biāo)為(r,c)，各像素點(diǎn)的數(shù)值為(d,z)。

其中：

也即是說，該深度圖中，第r行第c列的位置的數(shù)值為(d,z)。

θ為各待訓(xùn)練三維數(shù)據(jù)d和原點(diǎn)之間的連線與第一平面之間的夾角，δθ為點(diǎn)云數(shù)據(jù)采集設(shè)備的水平分辨率，第一平面為y軸、z軸組成的平面。也即是說，θ可以視為各待訓(xùn)練三維數(shù)據(jù)d相對于豎直平面的“偏航角”。

φ為各待訓(xùn)練三維數(shù)據(jù)d和原點(diǎn)之間的連線與第二平面之間的夾角，δφ為點(diǎn)云數(shù)據(jù)采集設(shè)備的垂直分辨率，第二平面為x軸、y軸組成的平面。也即是說，φ可以視為各待訓(xùn)練三維數(shù)據(jù)d相對于水平面的“俯仰角”。

此外，atan2(y,x)的含義是，以坐標(biāo)原點(diǎn)為起點(diǎn)并指向(x,y)點(diǎn)的射線在x軸和y軸組成的坐標(biāo)平面上，與x軸正方向之間的夾角的角度。

在一些可選的實(shí)現(xiàn)方式中，步驟220的響應(yīng)于對待訓(xùn)練點(diǎn)云數(shù)據(jù)集合中的各待訓(xùn)練點(diǎn)云數(shù)據(jù)的標(biāo)注，生成與待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)對應(yīng)的標(biāo)簽數(shù)據(jù)可以包括：

步驟221，若待訓(xùn)練點(diǎn)云數(shù)據(jù)中的點(diǎn)屬于車輛輪廓，則將該屬于車輛輪廓的點(diǎn)變換生成26通道的二維標(biāo)簽數(shù)據(jù)，其中，26通道中的第一通道的數(shù)值為1，第二通道的數(shù)值為0，26通道中的第3～24通道分別為車輛所在的三維立方體各頂點(diǎn)的各坐標(biāo)相對于待訓(xùn)練點(diǎn)云數(shù)據(jù)中屬于車輛輪廓的各點(diǎn)的各三維坐標(biāo)的旋轉(zhuǎn)向量。

步驟222，若待訓(xùn)練點(diǎn)云數(shù)據(jù)中的點(diǎn)不屬于車輛輪廓，則將該不屬于車輛輪廓的點(diǎn)變換生成2通道的二維標(biāo)簽數(shù)據(jù)，其中，2通道中的第一通道的數(shù)值為0，第二通道的數(shù)值為1。

也即是說，無論待訓(xùn)練點(diǎn)云數(shù)據(jù)中的某一點(diǎn)是否屬于車輛輪廓，其得到的二維標(biāo)簽數(shù)據(jù)中，第一通道的數(shù)值可以用于表征該點(diǎn)屬于車輛輪廓的概率，而第二通道的數(shù)值可以用于表征該點(diǎn)不屬于車輛輪廓的概率。顯然，第一通道的數(shù)值和第二通道的數(shù)值均為非負(fù)數(shù)，且第一通道的數(shù)值和第二通道的數(shù)值之和為1。

在這些可選的實(shí)現(xiàn)方式的一些應(yīng)用場景中，待訓(xùn)練點(diǎn)云數(shù)據(jù)中可能包括某些不能明確地確定是否屬于車輛輪廓的點(diǎn)。在這些應(yīng)用場景中，可以在與這些點(diǎn)對應(yīng)的二維標(biāo)簽數(shù)據(jù)中的第一通道和第二通道設(shè)置恰當(dāng)?shù)臄?shù)值以體現(xiàn)該點(diǎn)屬于車輛輪廓的可能性。

在一些可選的實(shí)現(xiàn)方式中，車輛所在的三維立方體各頂點(diǎn)的各坐標(biāo)相對于點(diǎn)云數(shù)據(jù)中屬于車輛輪廓的各點(diǎn)的各三維坐標(biāo)的旋轉(zhuǎn)向量(x’p,y’p,z’p)可以用如下的公式(2)來表達(dá)。

具體地：

其中，r為點(diǎn)云數(shù)據(jù)中屬于車輛輪廓的任意一點(diǎn)p(xi,yi,zi)的旋轉(zhuǎn)矩陣，且有：

r＝rzi(θi)ryi(φi)；

θi＝atan2(yi,xi)

在這里，θi和φi可以與公式(1)中的θ和φ具有類似的含義。也即是說，θi為屬于車輛輪廓的任意一點(diǎn)p(xi,yi,zi)和原點(diǎn)之間的連線與第一平面之間的夾角，第一平面為y軸、z軸組成的平面。φi為屬于車輛輪廓的任意一點(diǎn)p(xi,yi,zi)和原點(diǎn)之間的連線與第二平面之間的夾角，第二平面為x軸、y軸組成的平面。

在一些可選的實(shí)現(xiàn)方式中，本實(shí)施例的基于點(diǎn)云數(shù)據(jù)的車輛輪廓檢測方法中的步驟230可以進(jìn)一步通過如圖3所示的流程300來實(shí)現(xiàn)。

步驟310，初始化全卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)。

步驟320，基于損失函數(shù)調(diào)節(jié)全卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)。

在這里，損失函數(shù)可以是與當(dāng)前輸出和與待訓(xùn)練點(diǎn)云數(shù)據(jù)對應(yīng)的標(biāo)簽數(shù)據(jù)之間的偏差。當(dāng)前輸出為與當(dāng)前待訓(xùn)練點(diǎn)云數(shù)據(jù)以及全卷積神經(jīng)網(wǎng)絡(luò)的當(dāng)前參數(shù)對應(yīng)的全卷積神經(jīng)網(wǎng)絡(luò)的輸出。

步驟330，判斷與當(dāng)前輸出對應(yīng)的損失函數(shù)是否為最小值。

若是，則在步驟340中，輸出與偏差對應(yīng)的參數(shù)作為車輛檢測模型的參數(shù)。

否則，也即是若與當(dāng)前輸出對應(yīng)的損失函數(shù)不是最小值，則重復(fù)執(zhí)行步驟320的基于損失函數(shù)調(diào)節(jié)全卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)的步驟直至損失函數(shù)為最小值。

在一些可選的實(shí)現(xiàn)方式中，步驟240的獲取待檢測點(diǎn)云數(shù)據(jù)，并基于所述車輛檢測模型，得到與所述待檢測點(diǎn)云數(shù)據(jù)中的各待檢測點(diǎn)對應(yīng)的檢測結(jié)果可以進(jìn)一步由如圖4所示的流程400來實(shí)現(xiàn)。

步驟410，將點(diǎn)云數(shù)據(jù)采集設(shè)備采集的待檢測三維數(shù)據(jù)映射生成待檢測深度圖，待檢測深度圖中的各像素點(diǎn)的數(shù)值為與待檢測三維數(shù)據(jù)一一對應(yīng)的待檢測點(diǎn)云數(shù)據(jù)中的各待檢測點(diǎn)。在一些可選的實(shí)現(xiàn)方式中，待檢測深度圖可以通過如上所述的公式(1)來得到與點(diǎn)云數(shù)據(jù)采集設(shè)備采集的待檢測三維數(shù)據(jù)對應(yīng)的待檢測深度圖。

步驟420，基于車輛檢測模型，獲取待檢測點(diǎn)云數(shù)據(jù)中，各待檢測點(diǎn)的預(yù)測結(jié)果，其中，預(yù)測結(jié)果包括待檢測點(diǎn)屬于車輛輪廓的概率。

步驟430，若待檢測點(diǎn)屬于車輛輪廓的概率大于預(yù)設(shè)閾值，確定待檢測點(diǎn)屬于車輛輪廓。

在一些可選的實(shí)現(xiàn)方式中，預(yù)測結(jié)果還可以包括待檢測點(diǎn)的位置信息。

在這些可選的實(shí)現(xiàn)方式中，流程400還可以進(jìn)一步地包括：

步驟440，獲取待檢測點(diǎn)云數(shù)據(jù)中，屬于車輛輪廓的概率大于預(yù)設(shè)閾值的第一待檢測點(diǎn)形成第一待檢測點(diǎn)集合。

步驟450，基于第一待檢測點(diǎn)集合中的各待檢測點(diǎn)的位置信息，生成與待檢測點(diǎn)云數(shù)據(jù)對應(yīng)的車輛空間位置信息。

在一些應(yīng)用場景中，將待檢測點(diǎn)云數(shù)據(jù)輸入至車輛檢測模型之后，得到的檢測結(jié)果可以與待訓(xùn)練點(diǎn)云數(shù)據(jù)屬于車輛輪廓的點(diǎn)的二維標(biāo)簽數(shù)據(jù)具有相同的表現(xiàn)形式。也即是說，檢測結(jié)果同樣具有26個(gè)通道，其中，第一個(gè)通道的數(shù)值表示基于當(dāng)前的車輛檢測模型，該待檢測點(diǎn)屬于車輛輪廓的概率，第二個(gè)通道的數(shù)值表示基于當(dāng)前的車輛檢測模型，該待檢測點(diǎn)不屬于車輛輪廓的概率。而第3～26通道的取值可用于表征該待檢測點(diǎn)的空間位置。

這樣一來，通過將待檢測點(diǎn)云數(shù)據(jù)的檢測結(jié)果中，第一通道的數(shù)值大于預(yù)設(shè)閾值的待檢測點(diǎn)作為屬于車輛輪廓的點(diǎn)，通過例如數(shù)據(jù)融合的技術(shù)，根據(jù)這些屬于車輛輪廓的點(diǎn)的空間位置可還原出該待檢測點(diǎn)云數(shù)據(jù)中，車輛所處的位置。

本申請的上述實(shí)施例提供的方法通過點(diǎn)云數(shù)據(jù)采集設(shè)備采集的點(diǎn)云數(shù)據(jù)和對這些點(diǎn)云數(shù)據(jù)的標(biāo)注來訓(xùn)練全卷積神經(jīng)網(wǎng)絡(luò)模型，得到適宜于車輛輪廓檢測的車輛檢測模型，用該車輛檢測模型來判斷點(diǎn)云數(shù)據(jù)中是否包含車輛輪廓，避免了采用傳統(tǒng)二維圖像檢測車輛輪廓時(shí)，由于車輛的二維尺度變化給檢測帶來的難度和檢測誤差。

進(jìn)一步參考圖5，作為對上述各圖所示方法的實(shí)現(xiàn)，本申請?zhí)峁┝艘环N基于點(diǎn)云數(shù)據(jù)的車輛輪廓檢測裝置的一個(gè)實(shí)施例，該裝置實(shí)施例與圖2所示的方法實(shí)施例相對應(yīng)，該裝置具體可以應(yīng)用于各種電子設(shè)備中。

如圖5所示，本實(shí)施例所述的裝置500包括獲取模塊510、標(biāo)簽數(shù)據(jù)生成模塊520、訓(xùn)練模塊530以及檢測模塊540。

其中，獲取模塊510可配置用于獲取待訓(xùn)練點(diǎn)云數(shù)據(jù)。

標(biāo)簽數(shù)據(jù)生成模塊520可配置用于響應(yīng)于對待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)的標(biāo)注，生成與待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)對應(yīng)的標(biāo)簽數(shù)據(jù)，其中，標(biāo)注用于指示各待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)是否屬于車輛輪廓。

訓(xùn)練模塊530可配置用于基于待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)和與待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)對應(yīng)的標(biāo)簽數(shù)據(jù)訓(xùn)練全卷積神經(jīng)網(wǎng)絡(luò)模型，以得到車輛檢測模型。

檢測模塊540可配置用于獲取待檢測點(diǎn)云數(shù)據(jù)，并基于車輛檢測模型，得到與待檢測點(diǎn)云數(shù)據(jù)中的各待檢測點(diǎn)對應(yīng)的檢測結(jié)果。

在一些可選的實(shí)現(xiàn)方式中，獲取模塊510可進(jìn)一步配置用于：將點(diǎn)云數(shù)據(jù)采集設(shè)備采集的待訓(xùn)練三維數(shù)據(jù)映射生成待訓(xùn)練深度圖，待訓(xùn)練深度圖中的各像素點(diǎn)的數(shù)值為與待訓(xùn)練三維數(shù)據(jù)一一對應(yīng)的待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)。

在一些可選的實(shí)現(xiàn)方式中，各待訓(xùn)練三維數(shù)據(jù)d(x,y,z)為以點(diǎn)云數(shù)據(jù)采集設(shè)備為原點(diǎn)，以豎直向上方向?yàn)閦軸，以水平面內(nèi)任意垂直的二軸分別為x軸和y軸的坐標(biāo)系中的坐標(biāo)值；待訓(xùn)練深度圖中的各像素點(diǎn)的坐標(biāo)為(r,c)，各像素點(diǎn)的數(shù)值為(d,z)；其中：

θ＝atan2(y,x)

θ為各待訓(xùn)練三維數(shù)據(jù)d和原點(diǎn)之間的連線與第一平面之間的夾角，δθ為點(diǎn)云數(shù)據(jù)采集設(shè)備的水平分辨率，第一平面為y軸、z軸組成的平面；φ為各待訓(xùn)練三維數(shù)據(jù)d和原點(diǎn)之間的連線與第二平面之間的夾角，δφ為點(diǎn)云數(shù)據(jù)采集設(shè)備的垂直分辨率，第二平面為x軸、y軸組成的平面。

在一些可選的實(shí)現(xiàn)方式中，標(biāo)簽數(shù)據(jù)生成模塊520可進(jìn)一步配置用于：若待訓(xùn)練點(diǎn)云數(shù)據(jù)中的點(diǎn)屬于車輛輪廓，則將該屬于車輛輪廓的點(diǎn)變換生成26通道的二維標(biāo)簽數(shù)據(jù)，其中，26通道中的第一通道的數(shù)值為1，第二通道的數(shù)值為0，26通道中的第3～24通道分別為車輛所在的三維立方體各頂點(diǎn)的各坐標(biāo)相對于待訓(xùn)練點(diǎn)云數(shù)據(jù)中屬于車輛輪廓的各點(diǎn)的各三維坐標(biāo)的旋轉(zhuǎn)向量；若待訓(xùn)練點(diǎn)云數(shù)據(jù)中的點(diǎn)不屬于車輛輪廓，則將該不屬于車輛輪廓的點(diǎn)變換生成2通道的二維標(biāo)簽數(shù)據(jù)，其中，2通道中的第一通道的數(shù)值為0，第二通道的數(shù)值為1。

在一些可選的實(shí)現(xiàn)方式中，車輛所在的三維立方體各頂點(diǎn)的各坐標(biāo)相對于點(diǎn)云數(shù)據(jù)中屬于車輛輪廓的各點(diǎn)的各三維坐標(biāo)的旋轉(zhuǎn)向量(x’p,y’p,z’p)為：

其中，r為點(diǎn)云數(shù)據(jù)中屬于車輛輪廓的任意一點(diǎn)p(xi,yi,zi)的旋轉(zhuǎn)矩陣，且有：

r＝rzi(θi)ryi(φi)；

θi＝atan2(yi,xi)

在一些可選的實(shí)現(xiàn)方式中，訓(xùn)練模塊530可進(jìn)一步配置用于：初始化全卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)；基于損失函數(shù)調(diào)節(jié)全卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)，其中，損失函數(shù)為與當(dāng)前輸出和與待訓(xùn)練點(diǎn)云數(shù)據(jù)對應(yīng)的標(biāo)簽數(shù)據(jù)之間的偏差，當(dāng)前輸出為與當(dāng)前待訓(xùn)練點(diǎn)云數(shù)據(jù)以及全卷積神經(jīng)網(wǎng)絡(luò)的當(dāng)前參數(shù)對應(yīng)的全卷積神經(jīng)網(wǎng)絡(luò)的輸出；若損失函數(shù)為最小值，則輸出與損失函數(shù)對應(yīng)的參數(shù)作為車輛檢測模型的參數(shù)；否則，重復(fù)執(zhí)行基于損失函數(shù)調(diào)節(jié)全卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)的步驟。

在一些可選的實(shí)現(xiàn)方式中，檢測模塊540可進(jìn)一步配置用于：將點(diǎn)云數(shù)據(jù)采集設(shè)備采集的待檢測三維數(shù)據(jù)映射生成待檢測深度圖，待檢測深度圖中的各像素點(diǎn)的數(shù)值為與待檢測三維數(shù)據(jù)一一對應(yīng)的待檢測點(diǎn)云數(shù)據(jù)中的各待檢測點(diǎn)；基于車輛檢測模型，獲取待檢測點(diǎn)云數(shù)據(jù)中，各待檢測點(diǎn)的預(yù)測結(jié)果。

在這里，預(yù)測結(jié)果可包括待檢測點(diǎn)屬于車輛輪廓的概率；以及若待檢測點(diǎn)屬于車輛輪廓的概率大于預(yù)設(shè)閾值，確定待檢測點(diǎn)屬于車輛輪廓。

在一些可選的實(shí)現(xiàn)方式中，預(yù)測結(jié)果還可以包括待檢測點(diǎn)的位置信息。

在這些可選的實(shí)現(xiàn)方式中，檢測模塊540還可以配置用于：獲取待檢測點(diǎn)云數(shù)據(jù)中，屬于車輛輪廓的概率大于預(yù)設(shè)閾值的第一待檢測點(diǎn)形成第一待檢測點(diǎn)集合；基于第一待檢測點(diǎn)集合中的各待檢測點(diǎn)的位置信息，生成與待檢測點(diǎn)云數(shù)據(jù)對應(yīng)的車輛空間位置信息。

本領(lǐng)域技術(shù)人員可以理解，上述基于點(diǎn)云數(shù)據(jù)的車輛輪廓檢測裝置500還包括一些其他公知結(jié)構(gòu)，例如處理器、存儲器等，為了不必要地模糊本公開的實(shí)施例，這些公知的結(jié)構(gòu)在圖5中未示出。

下面參考圖6，其示出了適于用來實(shí)現(xiàn)本申請實(shí)施例的終端設(shè)備或服務(wù)器的計(jì)算機(jī)系統(tǒng)600的結(jié)構(gòu)示意圖。

如圖6所示，計(jì)算機(jī)系統(tǒng)600包括中央處理單元(cpu)601，其可以根據(jù)存儲在只讀存儲器(rom)602中的程序或者從存儲部分608加載到隨機(jī)訪問存儲器(ram)603中的程序而執(zhí)行各種適當(dāng)?shù)膭幼骱吞幚怼Ｔ趓am603中，還存儲有系統(tǒng)600操作所需的各種程序和數(shù)據(jù)。cpu601、rom602以及ram603通過總線604彼此相連。輸入/輸出(i/o)接口605也連接至總線604。

以下部件連接至i/o接口605：包括鍵盤、鼠標(biāo)等的輸入部分606；包括諸如陰極射線管(crt)、液晶顯示器(lcd)等以及揚(yáng)聲器等的輸出部分607；包括硬盤等的存儲部分608；以及包括諸如lan卡、調(diào)制解調(diào)器等的網(wǎng)絡(luò)接口卡的通信部分609。通信部分609經(jīng)由諸如因特網(wǎng)的網(wǎng)絡(luò)執(zhí)行通信處理。驅(qū)動器610也根據(jù)需要連接至i/o接口605。可拆卸介質(zhì)611，諸如磁盤、光盤、磁光盤、半導(dǎo)體存儲器等等，根據(jù)需要安裝在驅(qū)動器610上，以便于從其上讀出的計(jì)算機(jī)程序根據(jù)需要被安裝入存儲部分608。

特別地，根據(jù)本公開的實(shí)施例，上文參考流程圖描述的過程可以被實(shí)現(xiàn)為計(jì)算機(jī)軟件程序。例如，本公開的實(shí)施例包括一種計(jì)算機(jī)程序產(chǎn)品，其包括有形地包含在機(jī)器可讀介質(zhì)上的計(jì)算機(jī)程序，所述計(jì)算機(jī)程序包含用于執(zhí)行流程圖所示的方法的程序代碼。在這樣的實(shí)施例中，該計(jì)算機(jī)程序可以通過通信部分609從網(wǎng)絡(luò)上被下載和安裝，和/或從可拆卸介質(zhì)611被安裝。

附圖中的流程圖和框圖，圖示了按照本申請各種實(shí)施例的系統(tǒng)、方法和計(jì)算機(jī)程序產(chǎn)品的可能實(shí)現(xiàn)的體系架構(gòu)、功能和操作。在這點(diǎn)上，流程圖或框圖中的每個(gè)方框可以代表一個(gè)模塊、程序段、或代碼的一部分，所述模塊、程序段、或代碼的一部分包含一個(gè)或多個(gè)用于實(shí)現(xiàn)規(guī)定的邏輯功能的可執(zhí)行指令。也應(yīng)當(dāng)注意，在有些作為替換的實(shí)現(xiàn)中，方框中所標(biāo)注的功能也可以以不同于附圖中所標(biāo)注的順序發(fā)生。例如，兩個(gè)接連地表示的方框?qū)嶋H上可以基本并行地執(zhí)行，它們有時(shí)也可以按相反的順序執(zhí)行，這依所涉及的功能而定。也要注意的是，框圖和/或流程圖中的每個(gè)方框、以及框圖和/或流程圖中的方框的組合，可以用執(zhí)行規(guī)定的功能或操作的專用的基于硬件的系統(tǒng)來實(shí)現(xiàn)，或者可以用專用硬件與計(jì)算機(jī)指令的組合來實(shí)現(xiàn)。

描述于本申請實(shí)施例中所涉及到的單元可以通過軟件的方式實(shí)現(xiàn)，也可以通過硬件的方式來實(shí)現(xiàn)。所描述的單元也可以設(shè)置在處理器中，例如，可以描述為：一種處理器包括獲取模塊、標(biāo)簽數(shù)據(jù)生成模塊、訓(xùn)練模塊以及檢測模塊。其中，這些模塊的名稱在某種情況下并不構(gòu)成對該模塊本身的限定，例如，獲取模塊還可以被描述為“獲取待訓(xùn)練點(diǎn)云數(shù)據(jù)的模塊”。

作為另一方面，本申請還提供了一種非易失性計(jì)算機(jī)存儲介質(zhì)，該非易失性計(jì)算機(jī)存儲介質(zhì)可以是上述實(shí)施例中所述裝置中所包含的非易失性計(jì)算機(jī)存儲介質(zhì)；也可以是單獨(dú)存在，未裝配入終端中的非易失性計(jì)算機(jī)存儲介質(zhì)。上述非易失性計(jì)算機(jī)存儲介質(zhì)存儲有一個(gè)或者多個(gè)程序，當(dāng)所述一個(gè)或者多個(gè)程序被一個(gè)設(shè)備執(zhí)行時(shí)，使得所述設(shè)備：獲取待訓(xùn)練點(diǎn)云數(shù)據(jù)；響應(yīng)于對待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)的標(biāo)注，生成與待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)對應(yīng)的標(biāo)簽數(shù)據(jù)，其中，標(biāo)注用于指示各待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)是否屬于車輛輪廓；基于待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)和與待訓(xùn)練點(diǎn)云數(shù)據(jù)中的各點(diǎn)對應(yīng)的標(biāo)簽數(shù)據(jù)訓(xùn)練全卷積神經(jīng)網(wǎng)絡(luò)模型，以得到車輛檢測模型；以及獲取待檢測點(diǎn)云數(shù)據(jù)，并基于車輛檢測模型，得到與待檢測點(diǎn)云數(shù)據(jù)中的各待檢測點(diǎn)對應(yīng)的檢測結(jié)果。

以上描述僅為本申請的較佳實(shí)施例以及對所運(yùn)用技術(shù)原理的說明。本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解，本申請中所涉及的發(fā)明范圍，并不限于上述技術(shù)特征的特定組合而成的技術(shù)方案，同時(shí)也應(yīng)涵蓋在不脫離所述發(fā)明構(gòu)思的情況下，由上述技術(shù)特征或其等同特征進(jìn)行任意組合而形成的其它技術(shù)方案。例如上述特征與本申請中公開的(但不限于)具有類似功能的技術(shù)特征進(jìn)行互相替換而形成的技術(shù)方案。