点云数据的标注方法、装置、设备和介质制造方法及图纸

本申请公开了一种点云数据标注方法、装置、设备、介质和程序产品，涉及人工智能领域，尤其涉及自动驾驶和深度学习技术。具体实现方案为：将原始点云数据集合进行数据分割，得到至少两个点云数据子集；利用预先训练的预测模型，分别对所述每个点云数据子集进行预测，得到所述每个点云数据子集中各点云数据的预测类别和预测概率；根据所述每个点云数据子集中各点云数据的预测类别和预测概率，确定所述原始点云数据集合中各点云数据的标注结果。本申请提高了对数据量庞大的点云数据进行标注的准确性。

【技术实现步骤摘要】
点云数据的标注方法、装置、设备和介质
本申请涉及人工智能领域，尤其涉及一种自动驾驶和深度学习技术，具体涉及一种点云数据的标注方法、装置、设备、介质和程序产品。
技术介绍
随着三维采集技术的逐渐成熟，以及三维采集设备成本的降低，三维点云数据越来越多的应用在各行各业，尤其是自动驾驶等相关产业。而且，随着深度学习等技术的发展，深度学习模型在这些产业中的应用也越来越广泛。目前，深度学习模型的训练，很大程度上依赖大规模的标注数据，而如何快速有效的标注三维数据成为了阻碍基于深度学习的三维处理技术发展的瓶颈。
技术实现思路
本申请提供一种点云数据标注方法、装置、设备、介质和程序产品，以提高点云数据标注的准确性。第一方面，本申请提供了一种点云数据标注方法，包括：将原始点云数据集合进行数据分割，得到至少两个点云数据子集；利用预先训练的预测模型，分别对所述每个点云数据子集进行预测，得到所述每个点云数据子集中各点云数据的预测类别和预测概率；根据所述每个点云数据子集中各点云数据的预测类别和预测概率，确定所述原始点云数据集合中各点云数据的标注结果。第二方面，本申请还提供了一种点云数据标注装置，包括：数据分割模块，用于将原始点云数据集合进行数据分割，得到至少两个点云数据子集；类别预测模块，用于利用预先训练的预测模型，分别对所述每个点云数据子集进行预测，得到所述每个点云数据子集中各点云数据的预测类别和预测概率；标注结果确定模块，用于根据所述每个点云数据子集中各点云数据的预测类别和预测概率，确定所述原始点云数据集合中各点云数据的标注结果。第三方面，本申请还提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任意实施例所述的点云数据标注方法。第四方面，本申请还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请任意实施例所述的点云数据标注方法。第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本申请任意实施例所述的点云数据标注方法。应当理解，本部分所描述的内容并非旨在标识本申请的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解，上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。附图说明附图用于更好地理解本方案，不构成对本申请的限定。其中：图1是根据本申请实施例的点云数据标注方法的流程示意图；图2是根据本申请实施例的点云数据标注方法的流程示意图；图3是根据本申请实施例的点云数据标注方法的流程示意图；图4是根据本申请实施例的点云数据标注装置的结构示意图；图5是用来实现本申请实施例的点云数据标注方法的电子设备的框图。具体实施方式以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。图1是根据本申请实施例的点云数据标注方法的流程示意图，本实施例可适用于对点云数据进行自动标注的情况，涉及人工智能领域，尤其涉及自动驾驶和深度学习技术。该方法可由一种点云数据标注装置来执行，该装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如计算机设备或服务器等。如图1所示，该方法具体包括如下：S101、将原始点云数据集合进行数据分割，得到至少两个点云数据子集。其中，原始点云数据集合即为待标注的点云集合，需要标注出集合内每个点云数据所属的类别。该原始点云数据集合例如可以是由自动驾驶车辆上的采集设备采集得到，而由于原始点云数据集合的数据量通常都比较庞大，如果对集合整体进行预测会影响预测结果的准确性，因此，本申请实施例中先对原始点云数据集合进行数据分割，得到至少两个点云数据子集。S102、利用预先训练的预测模型，分别对每个点云数据子集进行预测，得到每个点云数据子集中各点云数据的预测类别和预测概率。由于经数据分割后得到的每个点云数据子集中数据量减少，因此，对每个点云数据子集进行预测得到点云数据的预测类别的准确性就会提高。其中，预测模型是利用深度学习技术预先训练得到，例如可以是基于Point算法、PointNet++算法等能够预测点云数据类别的任一种算法实现该预测模型，本申请实施例对此不作任何限定。利用该预测模型，可以预测出每个点云数据的预测类别和预测概率，其中，预测概率能够表示其对应的预测类别的置信度。S103、根据每个点云数据子集中各点云数据的预测类别和预测概率，确定原始点云数据集合中各点云数据的标注结果。其中，通过模型预测得到了点云数据的预测类别，即可依据该预测类别对点云数据进行标注。同时，还可以根据预测概率确定标注结果的可信度，或者根据预测概率选择最优的预测类别作为最终的标注结果。本申请实施例对此不作任何限定，可以根据实际应用场景进行配置。本申请实施例的技术方案，通过对原始点云数据集合进行分割，将数据量庞大的集合划分为多个数据量相对较小的集合，然后再利用预测模型对点云数据子集中的点云数据进行预测，最后根据预测类别和预测概率得到原始点云数据集合中每个点云数据的标注结果，提高了对数据量庞大的点云数据进行标注的准确性。图2是根据本申请实施例的点云数据标注方法的流程示意图，本实施例在上述实施例的基础上进一步进行优化。如图2所示，该方法具体包括如下：S201、根据原始点云数据集合中，各点云数据在世界坐标系的X轴和Y轴方向上的数值，确定水平面上的目标区域。其中，确定目标区域的目的是在世界坐标系的水平面上将原始点云数据集合中的各点云数据都包含进来，也即，各点云数据在水平面上的投影都能落在该目标区域中，以便后续对其中包含的点云数据进行分割。具体的，可以根据各点云数据在世界坐标系的X轴和Y轴方向上的极值确定目标区域的边界，根据边界即可确定该目标区域。例如，该目标区域为矩形区域，且其四个顶点由原始点云数据集合中各点云数据在X轴和Y轴方向上的极值确定，包括X轴和Y轴方向上的最大值和最小值。矩形区域可以更精准地将全部点云数据包含在内。当然，目标区域也可以是其他形状，本申请实施例对目标区域的形状不作任何限定。S202、在目标区域内，将预设大小的滑动窗口在X轴和Y轴两个方向上，分别按照第一步长和第二步长滑动，且每滑动一次，从滑动窗口当前对应区域内的点云数据中，获取至少一个点云数据子集，直到目标区域内的全部点云数据统计完成为止。其中，滑动窗口的大小以及第一步长本文档来自技高网...

【技术保护点】
1.一种点云数据标注方法，包括：/n将原始点云数据集合进行数据分割，得到至少两个点云数据子集；/n利用预先训练的预测模型，分别对所述每个点云数据子集进行预测，得到所述每个点云数据子集中各点云数据的预测类别和预测概率；/n根据所述每个点云数据子集中各点云数据的预测类别和预测概率，确定所述原始点云数据集合中各点云数据的标注结果。/n

【技术特征摘要】
1.一种点云数据标注方法，包括：
将原始点云数据集合进行数据分割，得到至少两个点云数据子集；
利用预先训练的预测模型，分别对所述每个点云数据子集进行预测，得到所述每个点云数据子集中各点云数据的预测类别和预测概率；
根据所述每个点云数据子集中各点云数据的预测类别和预测概率，确定所述原始点云数据集合中各点云数据的标注结果。


2.根据权利要求1所述的方法，其中，所述将原始点云数据集合进行数据分割，得到至少两个点云数据子集，包括：
根据所述原始点云数据集合中，各点云数据在世界坐标系的X轴和Y轴方向上的数值，确定水平面上的目标区域；
在所述目标区域内，将预设大小的滑动窗口在所述X轴和Y轴两个方向上，分别按照第一步长和第二步长滑动，且每滑动一次，从所述滑动窗口当前对应区域内的点云数据中，获取至少一个点云数据子集，直到所述目标区域内的全部点云数据统计完成为止。


3.根据权利要求2所述的方法，其中，所述目标区域为矩形区域，并且所述矩形区域的四个顶点，由所述原始点云数据集合中各点云数据在所述X轴和Y轴方向上的极值确定。


4.根据权利要求2所述的方法，其中，所述从所述滑动窗口当前对应区域内的点云数据中，获取至少一个点云数据子集，包括：
从所述滑动窗口当前对应区域内的点云数据中，随机获取具有设定数量的至少一个点云数据子集；
其中，如果所述滑动窗口当前对应区域内剩余的点云数据数量不足所述设定数量，则从所述滑动窗口当前对应区域中已经获取的点云数据子集中，随机获取点云数据补足所述设定数量。


5.根据权利要求2所述的方法，其中，所述将原始点云数据集合进行数据分割，得到至少两个点云数据子集，还包括：
对获取的每个点云数据子集分别进行归一化。


6.根据权利要求2所述的方法，其中，在所述确定水平面上的目标区域之前，所述将原始点云数据集合进行数据分割，得到至少两个点云数据子集，还包括：
在所述原始点云数据集合中进行点云平面估计，得到路面平面方程；
计算将所述路面平面方程旋转到其法向量的方向与世界坐标系的Z轴方向相同时的旋转矩阵；
根据所述旋转矩阵，将所述原始点云数据集合中的点云数据进行旋转。


7.根据权利要求1所述的方法，其中，所述根据所述每个点云数据子集中各点云数据的预测类别和预测概率，确定所述原始点云数据集合中各点云数据的标注结果，包括：
根据所述每个点云数据子集中各点云数据在所述原始点云数据集合中的编号，执行如下操作：
如果当前编号对应的至少一个点云数据中，各点云数据的预测类别均相同，则将该预测类别作为所述原始点云数据集合中当前编号的点云数据的标注结果；
如果当前编号对应的至少一个点云数据中，各点云数据的预测类别不唯一，则根据每种预测类别的预测概率确定目标预测类别，并将该目标预测类别作为所述原始点云数据集合中当前编号的点云数据的标注结果。


8.根据权利要求1所述的方法，还包括：
将所述原始点云数据集合中各点云数据的标注结果作为预标注结果，以供人工修改。


9.一种点云数据标注装置，包括：
数据分割模块，用于将原始点云数据集合进行数据分割，得到至少两个点云数据子集；
类别预测模块，用于利用预先训练的预测模型，分别对所述每个点云数据子集进行预测，得到所述每个点云数据子集中各点云数据的预测类别和预测...

【专利技术属性】
技术研发人员：周定富，方进，宋希彬，张良俊，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11