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