[發明專利]點云分類模型的訓練方法、點云分類方法及裝置

在審

• 申請號: 202210689407.4
• 申請日: 2022-06-17
• 公開（公告）號: CN115100627A
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 伍闊梁;楊政;何曉飛
• 申請（專利權）人: 杭州飛步科技有限公司
• 主分類號: G06V20/58
• 分類號: G06V20/58;G06V10/44;G06V10/74;G06V10/764;G01S17/89
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 孫靜;臧建明

本申請提供一種點云分類模型的訓練方法、點云分類方法及裝置，涉及智能駕駛技術領域，包括：獲取多個訓練樣本，對每個訓練樣本的點云進行特征提取，獲得每個點云的特征向量；根據每個點云的特征向量，獲取每個點云的相似度信息，根據每個點云的特征向量和相似度信息以及點云的類別，對點云分類模型進行訓練，得到訓練完成的點云分類模型。通過訓練好的點云分類模型對點云進行分類，可以提升分類的準確性，同時，由于在訓練過程中結合的點云的相似度信息，該訓練好的點云分類模型具有更好的泛化能力。

技術領域

本申請涉及智能駕駛技術領域，尤其涉及一種點云分類模型的訓練方法、點云分類方法及裝置。

背景技術

激光雷達廣泛應用于無人駕駛、無人機、機器人等領域，已經成為眾多智能設備的核心傳感器。

例如，在無人駕駛的車輛行駛過程中，通常采用激光雷達獲取道路上如其他車輛、行人、路障等障礙物的激光點云數據，通過激光點云數據對障礙物進行識別和分類，以保證無人駕駛的車輛的正常行駛。

但是，激光雷達的分辨率相較于相機等被動傳感器低很多。此種特性導致激光雷達在感知周圍環境時，不能很好反映障礙物上的紋理細節以及精細的輪廓信息，導致根據障礙物的激光點云數據，對障礙物進行識別和分類時出現錯誤。

發明內容

本申請實施例提供一種點云分類模型的訓練方法、點云分類方法及裝置，可以提高對障礙物分類的準確性。

第一方面，本申請實施例提供一種點云分類模型的訓練方法，包括：

獲取多個訓練樣本，所述訓練樣本包括點云和所述點云的類別；

對每個所述訓練樣本的點云進行特征提取，獲得每個所述點云的特征向量；

根據每個所述點云的特征向量，獲取每個點云的相似度信息，所述相似度信息包括所述點云與其它每個點云的相似度；

根據每個所述點云的特征向量和所述相似度信息以及所述點云的類別，對點云分類模型進行訓練，得到訓練完成的點云分類模型。

可選的，所述對每個所述訓練樣本的點云進行特征提取，包括：

將每個所述訓練樣本的點云以三維檢測框的中心為原點，以所述三維檢測框的朝向為預設坐標軸的正方向進行坐標轉換，獲得轉換后的點云，其中，所述朝向為所述三維檢測框在三維空間中的朝向；

對所述轉換后的點云進行特征提取，獲得所述點云的特征向量。

可選的，所述對所述轉換后的點云進行特征提取，獲得所述點云的特征向量，包括：

將所述三維檢測框劃分為N*N個柵格；

對每個所述柵格中的點云進行8維特征向量提取，其中，所述8維特征向量包括6維高度特征向量、1維密度特征向量以及1維反射強度特征向量；

將N*N*8維特征向量作為所述點云的特征向量。

可選的，所述根據每個所述點云的特征向量，獲取每個點云的相似度信息，所述相似度信息包括所述點云與其它每個點云的相似度，包括：

根據每個所述點云的特征向量，獲取所述點云與其它每個點云的特征向量的余弦相似度；

根據每個點云對應的多個余弦相似度以及每個點云的類別，獲取所述點云的相似度信息，其中，針對大于預設余弦相似度的兩個點云，若所述點云的類別相同，則兩個點云的相似度高，若所述點云的類別不同，則兩個點云的相似度低。

可選的，所述根據每個所述點云的特征向量和所述相似度信息以及所述點云的類別，對點云分類模型進行訓練，得到訓練完成的點云分類模型，包括：