亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

點(diǎn)云分類方法及裝置與流程

文檔序號:12864206閱讀:292來源:國知局
點(diǎn)云分類方法及裝置與流程
本發(fā)明涉及計(jì)算機(jī)領(lǐng)域,特別涉及一種點(diǎn)云分類方法及裝置。
背景技術(shù)
:激光雷達(dá)是以發(fā)射激光光束來探測目標(biāo)的位置、速度等特征量的雷達(dá)系統(tǒng),其工作原理是先向目標(biāo)發(fā)射探測激光光束,然后將接收到的從目標(biāo)反射回來的信號作適當(dāng)處理后,就可獲得目標(biāo)的有關(guān)信息,例如目標(biāo)距離、方位、高度、速度、姿態(tài)、甚至形狀等參數(shù)。激光雷達(dá)獲取的反射信號通常以點(diǎn)云的形式呈現(xiàn),點(diǎn)云的分類識別對于點(diǎn)云數(shù)據(jù)的應(yīng)用具有重要意義?,F(xiàn)有的點(diǎn)云分類識別方法大多數(shù)是基于目標(biāo)的靜態(tài)特征進(jìn)行分類識別,但是當(dāng)從目標(biāo)獲取的點(diǎn)云數(shù)據(jù)量較少時,該方法的準(zhǔn)確率不高,會存在誤識別的情況,尤其是當(dāng)目標(biāo)與激光雷達(dá)之間的距離較遠(yuǎn)時,獲取的點(diǎn)云數(shù)據(jù)在空間分布比較稀疏,點(diǎn)云分類將變得更加困難??梢?,現(xiàn)有技術(shù)中的點(diǎn)云分類方法準(zhǔn)確率較低。技術(shù)實(shí)現(xiàn)要素:本發(fā)明實(shí)施例中提供了一種點(diǎn)云分類方法,能提高點(diǎn)云分類的準(zhǔn)確率。為了解決上述技術(shù)問題,本發(fā)明實(shí)施例公開了如下技術(shù)方案:一方面,提供了一種點(diǎn)云分類方法,所述方法包括:根據(jù)原始激光點(diǎn)云獲取多個目標(biāo)障礙物塊;獲取所述目標(biāo)障礙物塊的靜態(tài)概率向量和動態(tài)概率向量;根據(jù)所述靜態(tài)概率向量和動態(tài)概率向量,確定所述多個目標(biāo)障礙物塊的類別??蛇x的,根據(jù)原始激光點(diǎn)云獲取多個目標(biāo)障礙物塊,包括:獲取原始激光點(diǎn)云;去除所述原始激光點(diǎn)云中的孤立點(diǎn)和地面點(diǎn),獲得所述目標(biāo)點(diǎn)云;將所述目標(biāo)點(diǎn)云投影至水平面,生成二維柵格地圖;對所述柵格地圖進(jìn)行腐蝕、膨脹后分割,獲得分割點(diǎn)云;對所述分割點(diǎn)云基于距離聚類,得到多個目標(biāo)障礙物塊??蛇x的,獲取所述目標(biāo)障礙物塊的靜態(tài)概率向量,包括:對所述目標(biāo)障礙物塊提取靜態(tài)特征向量,所述每個目標(biāo)障礙物塊對應(yīng)一個靜態(tài)特征向量;將所述靜態(tài)特征向量輸入第一分類器中,獲取靜態(tài)概率向量,所述每個靜態(tài)特征向量對應(yīng)一個靜態(tài)概率向量??蛇x的,所述每個靜態(tài)概率向量包括多個維度,每個維度對應(yīng)于一個類別的概率??蛇x的,獲取所述目標(biāo)障礙物塊的動態(tài)概率向量,包括:對所述目標(biāo)障礙物塊提取動態(tài)特征向量,所述每個目標(biāo)障礙物塊對應(yīng)一個動態(tài)特征向量;將所述動態(tài)特征向量輸入第二分類器中,獲取動態(tài)概率向量,所述每個動態(tài)特征向量對應(yīng)一個動態(tài)概率向量。可選的,對所述目標(biāo)障礙物塊提取動態(tài)特征向量,包括:對所述目標(biāo)障礙物塊進(jìn)行前后幀的目標(biāo)關(guān)聯(lián),獲得跟蹤序列;對所述跟蹤序列提取動態(tài)特征向量??蛇x的,所述每個動態(tài)概率向量包括多個維度,每個維度對應(yīng)于一個類別的概率。可選的,根據(jù)所述靜態(tài)概率向量和動態(tài)概率向量,確定所述多個目標(biāo)障礙物塊的類別,包括:根據(jù)所述靜態(tài)概率向量和動態(tài)概率向量獲取濾波輸出向量;所述濾波輸出向量中最大維度對應(yīng)的類別為所述目標(biāo)障礙塊的類別。可選的,所述濾波輸出向量為:l0為動態(tài)特征先驗(yàn)概率向量,且y=i為所述目標(biāo)障礙快對應(yīng)的動態(tài)特征向量的維度,h(w)為當(dāng)前時刻的動態(tài)概率向量,t為跟蹤序列的長度,l'0為靜態(tài)特征先驗(yàn)概率向量,t為采樣時刻,h(zt)為t時刻的靜態(tài)概率向量,其中,α,β,γ為權(quán)重值,通過以下獲?。簃表示訓(xùn)練樣本對應(yīng)的目標(biāo)障礙物塊的個數(shù)。第二方面,提供了一種點(diǎn)云分類裝置,包括:采樣單元,用于根據(jù)原始激光點(diǎn)云獲取多個目標(biāo)障礙物塊;控制單元,用于獲取所述目標(biāo)障礙物塊的靜態(tài)概率向量和動態(tài)概率向量;所述控制單元還用于根據(jù)所述靜態(tài)概率向量和動態(tài)概率向量,確定所述多個目標(biāo)障礙物塊的類別。本發(fā)明的實(shí)施例中公開了一種點(diǎn)云分類方法,包括根據(jù)原始激光點(diǎn)云獲取多個目標(biāo)障礙物塊,獲取所述目標(biāo)障礙物塊的靜態(tài)概率向量和動態(tài)概率向量,根據(jù)所述靜態(tài)概率向量和動態(tài)概率向量,確定所述多個目標(biāo)障礙物塊的類別。本發(fā)明實(shí)施例在對點(diǎn)云進(jìn)行分類的時候,采用了動態(tài)概率向量和動態(tài)概率向量相結(jié)合的方法,可以提高點(diǎn)云分類識別的準(zhǔn)確率。附圖說明為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案,下面將對實(shí)施例中所需要使用的附圖作簡單地介紹,顯而易見地,下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例,對于本領(lǐng)域普通技術(shù)人員來講,在不付出創(chuàng)造性勞動的前提下,還可以根據(jù)這些附圖獲得其他的附圖。圖1所示為本發(fā)明實(shí)施例的點(diǎn)云分類方法的流程圖;圖2所示為本發(fā)明實(shí)施例的點(diǎn)云分類方法的流程圖;圖3所示為本發(fā)明實(shí)施例的點(diǎn)云分類裝置的結(jié)構(gòu)示意圖。具體實(shí)施方式本發(fā)明如下實(shí)施例提供了一種點(diǎn)云分類方法,能提高點(diǎn)云分類的準(zhǔn)確率。下面將結(jié)合本發(fā)明實(shí)施例中的附圖,對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整的描述,顯然,所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例,而不是全部的實(shí)施例?;诒景l(fā)明中的實(shí)施例,本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例,都屬于本發(fā)明保護(hù)的范圍。圖1所示為本發(fā)明實(shí)施例的點(diǎn)云分類方法的流程圖,如圖1所示,所述方法包括:步驟110,根據(jù)原始激光點(diǎn)云獲取多個目標(biāo)障礙物塊;步驟120,獲取目標(biāo)障礙物塊的靜態(tài)概率向量和動態(tài)概率向量;步驟130,根據(jù)靜態(tài)概率向量和動態(tài)概率向量,確定多個目標(biāo)障礙物塊的類別。本發(fā)明的實(shí)施例中公開了一種點(diǎn)云分類方法,在對點(diǎn)云進(jìn)行分類的時候,采用了動態(tài)概率向量和動態(tài)概率向量相結(jié)合的方法,即考慮到了點(diǎn)云的動態(tài)特征和靜態(tài)特征,因此在對點(diǎn)云分類的時候可以綜合考慮,可以提高點(diǎn)云分類識別的準(zhǔn)確率。本發(fā)明實(shí)施例中,步驟110中,根據(jù)原始激光點(diǎn)云獲取多個目標(biāo)障礙物塊,包括:獲取原始激光點(diǎn)云;去除所述原始激光點(diǎn)云中的孤立點(diǎn)和地面點(diǎn),獲得所述目標(biāo)點(diǎn)云;將所述目標(biāo)點(diǎn)云投影至水平面,生成二維柵格地圖;對所述柵格地圖進(jìn)行腐蝕、膨脹后分割,獲得分割點(diǎn)云;對所述分割點(diǎn)云基于距離聚類,得到多個目標(biāo)障礙物塊。本發(fā)明實(shí)施例中,從得到多個目標(biāo)障礙物塊的方法可以是現(xiàn)有技術(shù)中的其他方法,在此不再贅述。本發(fā)明實(shí)施例中,步驟120中,獲取所述目標(biāo)障礙物塊的靜態(tài)概率向量,包括:對所述目標(biāo)障礙物塊提取靜態(tài)特征向量,所述每個目標(biāo)障礙物塊對應(yīng)一個靜態(tài)特征向量;將所述靜態(tài)特征向量輸入第一分類器中,獲取靜態(tài)概率向量,所述每個靜態(tài)特征向量對應(yīng)一個靜態(tài)概率向量。靜態(tài)特征的構(gòu)建根據(jù)實(shí)際需求而定,本發(fā)明實(shí)例中可以使用如下靜態(tài)特征:特征描述維數(shù)f1三維點(diǎn)數(shù)目1f2慣性張量矩陣6f3三維協(xié)方差矩陣6f4三維協(xié)方差矩陣特征值3f6反射強(qiáng)度概率分布特征25f7物體縱向高度輪廓10f8位置姿態(tài)相關(guān)特征4所述每個靜態(tài)概率向量包括多個維度,每個維度對應(yīng)于一個類別的概率。例如靜態(tài)概率向量h(zt)=[p1,p2,p3,p4,p5],其中p1至p5對應(yīng)一個類別的概率,例如p1可以是小汽車的概率,p2是卡車的概率,p3是行人的概率,p4是自行車的概率,p5是未知類別的概率。靜態(tài)概率向量還可以有其他維度,例如三個維度或六個維度等,分別表示三個概率或六個概率,每個維度對應(yīng)一個類別,在此不再贅述。獲取動態(tài)概率向量的方法可以是現(xiàn)有技術(shù)中的其他方法,在此不再贅述。本發(fā)明實(shí)施例中,步驟120中,獲取所述目標(biāo)障礙物塊的動態(tài)概率向量,包括:對所述目標(biāo)障礙物塊提取動態(tài)特征向量,所述每個目標(biāo)障礙物塊對應(yīng)一個動態(tài)特征向量;將所述動態(tài)特征向量輸入第二分類器中,獲取動態(tài)概率向量,所述每個動態(tài)特征向量對應(yīng)一個動態(tài)概率向量。所述每個動態(tài)概率向量包括多個維度,每個維度對應(yīng)于一個類別的概率。本發(fā)明實(shí)施例中,動態(tài)概率向量h(w)和靜態(tài)概率向量h(zt)的維度應(yīng)該一致,且每個維度代表的類別是一一對應(yīng)的,例如靜態(tài)概率向量h(zt)=[p1,p2,p3,p4,p5]有五個維度,則動態(tài)概率向量h(w)=[p1,p2,p3,p4,p5]也為五個維度,對于靜態(tài)概率向量和動態(tài)概率向量來說,p1可以是小汽車的概率,p2是卡車的概率,p3是行人的概率,p4是自行車的概率,p5是未知類別的概率。本發(fā)明實(shí)施例中,對所述目標(biāo)障礙物塊提取動態(tài)特征向量,包括:對所述目標(biāo)障礙物塊進(jìn)行前后幀的目標(biāo)關(guān)聯(lián),獲得跟蹤序列;對所述跟蹤序列提取動態(tài)特征向量。目標(biāo)關(guān)聯(lián)有很多種方法,現(xiàn)以最近距離關(guān)聯(lián)為例進(jìn)行說明:對于當(dāng)前幀中的目標(biāo)障礙物塊a,計(jì)算其在xoy平面的重心(centerx,centery)。在上一幀點(diǎn)云中,以(centerx,centery)為中心,在一定范圍內(nèi)如2米,搜索到距離(centerx,centery)最近的目標(biāo)障礙物塊b,則認(rèn)為關(guān)聯(lián)成功,即:目標(biāo)障礙物a和b為同一個目標(biāo)。如果在上一幀中沒有搜索到與障礙物a關(guān)聯(lián)的目標(biāo),則認(rèn)為a為新出現(xiàn)的障礙物目標(biāo);同理,上一幀中沒有被當(dāng)前幀關(guān)聯(lián)的目標(biāo),被認(rèn)為是消失的目標(biāo)。當(dāng)目標(biāo)消失時,在多幀中被關(guān)聯(lián)的目標(biāo)組成一個序列,即得到的跟蹤序列。在本發(fā)明實(shí)施例中,獲取靜態(tài)概率向量和動態(tài)概率向量并無時間上的先后順序。本發(fā)明實(shí)施例中,步驟130中,根據(jù)所述靜態(tài)概率向量和動態(tài)概率向量,確定所述多個目標(biāo)障礙物塊的類別,包括:根據(jù)所述靜態(tài)概率向量和動態(tài)概率向量獲取濾波輸出向量;所述濾波輸出向量中最大維度對應(yīng)的類別為所述目標(biāo)障礙塊的類別。所述濾波輸出向量為:l0為動態(tài)特征先驗(yàn)概率向量,且y=i為所述目標(biāo)障礙快對應(yīng)的動態(tài)特征向量的維度,h(w)為當(dāng)前時刻的動態(tài)概率向量,t為跟蹤序列的長度,l'0為靜態(tài)特征先驗(yàn)概率向量,t為采樣時刻,h(zt)為t時刻的靜態(tài)概率向量;其中,α,β,γ為權(quán)重值,通過以下獲取:其中,m表示訓(xùn)練樣本對應(yīng)的目標(biāo)障礙物塊的個數(shù)。本發(fā)明實(shí)施例中,第一分類器和第二分類器有很多種,常見的分類器模型有svm,adaboost等,第一分類器和第二分類器在使用前是預(yù)先使用訓(xùn)練樣本訓(xùn)練的,用來來訓(xùn)練第一分類器和第二分類器的樣本即訓(xùn)練樣本。訓(xùn)練樣本可以是激光雷達(dá)采集到的原始點(diǎn)云分割后的障礙物塊。本發(fā)明實(shí)施例中,濾波輸出向量h(w,z1:t)的維度與靜態(tài)特征向量、動態(tài)特征向量相同。如果h(w,z1:t)=[0,0.1,0.01,0.2,0.5],則最大維度為p5=0.5,該維度對應(yīng)的是“未知”分類,則表明該目標(biāo)障礙物塊的類別是“未知”。本發(fā)明另一個實(shí)施例中,如果h(w,z1:t)=[0,0.1,0.01,0.2,0.05],則最大維度為p4=0.5,該維度對應(yīng)的是“自行車”,則確定該目標(biāo)障礙物塊的類別是“自行車”。本發(fā)明實(shí)施例的點(diǎn)云分類方法,綜合考慮了動態(tài)特征向量和靜態(tài)特征向量,可以提高點(diǎn)云分類的準(zhǔn)確度。圖2所示為本發(fā)明實(shí)施例的點(diǎn)云分類方法的流程圖,如圖2所示,所述方法包括:步驟210,根據(jù)原始激光點(diǎn)云獲取多個目標(biāo)障礙物塊。步驟220,對目標(biāo)障礙物塊提取靜態(tài)特征向量,每個目標(biāo)障礙物塊對應(yīng)一個靜態(tài)特征向量。步驟230,將靜態(tài)特征向量輸入第一分類器中,獲取靜態(tài)概率向量,每個靜態(tài)特征向量對應(yīng)一個靜態(tài)概率向量。步驟240,對目標(biāo)障礙物塊提取動態(tài)特征向量,每個目標(biāo)障礙物塊對應(yīng)一個動態(tài)特征向量。步驟250,將動態(tài)特征向量輸入第二分類器中,獲取動態(tài)概率向量,每個動態(tài)特征向量對應(yīng)一個動態(tài)概率向量。步驟260,根據(jù)靜態(tài)概率向量和動態(tài)概率向量獲取濾波輸出向量。步驟270,濾波輸出向量中最大維度對應(yīng)的類別為目標(biāo)障礙塊的類別。本發(fā)明實(shí)施例中,獲取動態(tài)概率向量和靜態(tài)概率向量并無時間上的先后順序,可以先獲取動態(tài)概率向量,也可以先獲取靜態(tài)概率向量,即步驟230、240可以和步驟240、250互換順序。本發(fā)明實(shí)施例中,還可以同時獲取靜態(tài)概率向量和動態(tài)概率向量。本發(fā)明實(shí)施例的點(diǎn)云分類方法,綜合考慮了動態(tài)特征向量和靜態(tài)特征向量,可以提高點(diǎn)云分類的準(zhǔn)確度。和上述點(diǎn)云分類方法相對應(yīng),本發(fā)明實(shí)施例還提供了一種點(diǎn)云分類裝置,如圖3所示,所述點(diǎn)云分類裝置包括:采樣單元310,用于根據(jù)原始激光點(diǎn)云獲取多個目標(biāo)障礙物塊;控制單元320,用于獲取所述目標(biāo)障礙物塊的靜態(tài)概率向量和動態(tài)概率向量;所述控制單元320還用于根據(jù)所述靜態(tài)概率向量和動態(tài)概率向量,確定所述多個目標(biāo)障礙物塊的類別。本發(fā)明實(shí)施例的點(diǎn)云分類裝置,綜合考慮了動態(tài)特征向量和靜態(tài)特征向量,可以提高點(diǎn)云分類的準(zhǔn)確度。本發(fā)明的實(shí)施例中公開了一種點(diǎn)云分類方法和分類裝置,所述方法包括根據(jù)原始激光點(diǎn)云獲取多個目標(biāo)障礙物塊,獲取所述目標(biāo)障礙物塊的靜態(tài)概率向量和動態(tài)概率向量,根據(jù)所述靜態(tài)概率向量和動態(tài)概率向量,確定所述多個目標(biāo)障礙物塊的類別。所述點(diǎn)云分類裝置包括:采樣單元,用于根據(jù)原始激光點(diǎn)云獲取多個目標(biāo)障礙物塊;控制單元,用于獲取所述目標(biāo)障礙物塊的靜態(tài)概率向量和動態(tài)概率向量;所述控制單元還用于根據(jù)所述靜態(tài)概率向量和動態(tài)概率向量,確定所述多個目標(biāo)障礙物塊的類別。本發(fā)明實(shí)施例在對點(diǎn)云進(jìn)行分類的時候,采用了動態(tài)概率向量和動態(tài)概率向量相結(jié)合的方法,可以提高點(diǎn)云分類識別的準(zhǔn)確率。本領(lǐng)域的技術(shù)人員可以清楚地了解到本發(fā)明實(shí)施例中的技術(shù)可借助軟件加必需的通用硬件的方式來實(shí)現(xiàn),通用硬件包括通用集成電路、通用cpu、通用存儲器、通用元器件等,當(dāng)然也可以通過專用硬件包括專用集成電路、專用cpu、專用存儲器、專用元器件等來實(shí)現(xiàn),但很多情況下前者是更佳的實(shí)施方式。基于這樣的理解,本發(fā)明實(shí)施例中的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來,該計(jì)算機(jī)軟件產(chǎn)品可以存儲在存儲介質(zhì)中,如只讀存儲器(rom,read-onlymemory)、隨機(jī)存取存儲器(ram,randomaccessmemory)、磁碟、光盤等,包括若干指令用以使得一臺計(jì)算機(jī)設(shè)備(可以是個人計(jì)算機(jī),服務(wù)器,或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實(shí)施例或者實(shí)施例的某些部分所述的方法。本說明書中的各個實(shí)施例均采用遞進(jìn)的方式描述,各個實(shí)施例之間相同相似的部分互相參見即可,每個實(shí)施例重點(diǎn)說明的都是與其他實(shí)施例的不同之處。尤其,對于系統(tǒng)實(shí)施例而言,由于其基本相似于方法實(shí)施例,所以描述的比較簡單,相關(guān)之處參見方法實(shí)施例的部分說明即可。以上所述的本發(fā)明實(shí)施方式,并不構(gòu)成對本發(fā)明保護(hù)范圍的限定。任何在本發(fā)明的精神和原則之內(nèi)所作的修改、等同替換和改進(jìn)等,均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁12
當(dāng)前第1頁1 2 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點(diǎn)贊!
1