本申请公开了一种点云语义分割的方法、装置、设备及存储介质，属于涉及计算机技术领域。该方法包括：获取待处理的点云数据；点云数据是通过第一激光雷达和第二激光雷达采集的；分别提取第一激光雷达的垂直视场范围内的点云数据对应的第一深度视角RV图像特征信息、以及第二激光雷达的垂直视场范围内的点云数据对应的第二RV图像特征信息；对第二RV图像特征信息进行图像压缩处理，以获得第三RV图像特征信息；根据第一RV图像特征信息和第三RV图像特征信息，获得目标RV图像特征信息；利用预先训练的语义分割模型，对所述目标RV图像特征信息进行语义分割处理，以获得点云语义分割的结果。本申请实现了降低点云语义分割处理的计算量和耗时。
【技术实现步骤摘要】
本申请涉及计算机，具体涉及智能交通和自动驾驶等，特别涉及一种点云语义分割的方法、装置、设备及存储介质。
技术介绍
1、为了实现对周围环境的感知，自动驾驶车辆通常需要装配激光雷达。激光雷达以一定频率向外发射线束，这些线束在接触到自车周围的物体后会反射回来被激光雷达接收，生成原始的点云数据。点云的语义分割可以是指为激光雷达生成的每个点云赋予不同的语义，以实现对点云的分类。例如，语义可以包括建筑物、道路、植被、行人、车辆等。
2、目前，相关技术中的点云语义分割方案包括基于单点(point)的点云语义分割方法、基于体素(voxel)的点云语义分割方法、以及基于深度视角(range view，rv)的点云语义分割方法。但是，相关技术中的方案对处理多激光雷达点云数据仍存在计算量较大、数据处理的耗时较高等问题。
技术实现思路
1、本申请提供了一种点云语义分割的方法、装置、设备及存储介质，解决了对点云语义分割处理的计算量较大，耗时较高的问题，所述技术方案如下：
2、第一方面，提供了一种点云语义分割的方法，所述方法包括：
3、获取待处理的点云数据；所述点云数据是通过第一激光雷达和第二激光雷达采集的；
4、分别提取所述第一激光雷达的垂直视场范围内的点云数据对应的第一深度视角rv图像特征信息、以及所述第二激光雷达的垂直视场范围内的点云数据对应的第二rv图像特征信息；
5、对所述第二rv图像特征信息进行图像压缩处理，以获得第三rv图像特征信息；</p>6、根据所述第一rv图像特征信息和所述第三rv图像特征信息，获得目标rv图像特征信息；
7、利用预先训练的语义分割模型，对所述目标rv图像特征信息进行语义分割处理，以获得点云语义分割的结果。
8、在一种可能的实现方式中，所述对所述第二rv图像特征信息进行图像压缩处理，以获得第三rv图像特征信息，包括：
9、基于预设的宽度，对所述第二rv图像特征信息进行图像压缩处理；
10、基于所述图像压缩处理的结果，获得第三rv图像特征信息。
11、在一种可能的实现方式中，所述根据所述第一rv图像特征信息和所述第三rv图像特征信息，获得目标rv图像特征信息，包括：
12、对所述第一rv图像特征信息和所述第三rv图像特征信息进行拼接处理；
13、基于所述拼接处理的结果，获得所述目标rv图像特征信息。
14、在一种可能的实现方式中，所述分别提取所述第一激光雷达的垂直视场范围内的点云数据对应的第一深度视角rv图像特征信息、以及所述第二激光雷达的垂直视场范围内的点云数据对应的第二rv图像特征信息，包括：
15、对所述点云数据进行投影处理，得到所述点云数据的rv图像特征信息；
16、从所述rv图像特征信息中分别提取所述第一激光雷达的垂直视场范围内的点云数据对应的第一rv图像特征信息、以及所述第二激光雷达的垂直视场范围内的点云数据对应的第二rv图像特征信息。
17、在一种可能的实现方式中，所述分别提取所述第一激光雷达的垂直视场范围内的点云数据对应的第一深度视角rv图像特征信息、以及所述第二激光雷达的垂直视场范围内的点云数据对应的第二rv图像特征信息，包括：
18、对所述第一激光雷达的垂直视场范围内的点云数据进行投影处理，以提取第一rv图像特征信息；
19、对所述第二激光雷达的垂直视场范围内的点云数据进行投影处理，以提取第二rv图像特征信息。
20、第二方面，提供了一种模型训练的方法，所述方法包括：
21、获取样本点云数据；所述样本点云数据是通过第一激光雷达和第二激光雷达采集的；
22、分别提取所述第一激光雷达的垂直视场范围内的样本点云数据对应的第一深度视角rv图像特征信息、以及所述第二激光雷达的垂直视场范围内的样本点云数据对应的第二rv图像特征信息；
23、对所述第二rv图像特征信息进行图像压缩处理，以获得第三rv图像特征信息；
24、根据所述第一rv图像特征信息和所述第三rv图像特征信息，获得目标rv图像特征信息；
25、基于所述目标rv图像特征信息，对待训练的语义分割模型进行训练，以获得训练完成的语义分割模型。
26、第三方面，提供了一种点云语义分割的装置，所述装置包括：
27、获取单元，用于获取待处理的点云数据；所述点云数据是通过第一激光雷达和第二激光雷达采集的；
28、提取单元，用于分别提取所述第一激光雷达的垂直视场范围内的点云数据对应的第一深度视角rv图像特征信息、以及所述第二激光雷达的垂直视场范围内的点云数据对应的第二rv图像特征信息；
29、压缩单元，用于对所述第二rv图像特征信息进行图像压缩处理，以获得第三rv图像特征信息；
30、获得单元，用于根据所述第一rv图像特征信息和所述第三rv图像特征信息，获得目标rv图像特征信息；
31、分割单元，用于利用预先训练的语义分割模型，对所述目标rv图像特征信息进行语义分割处理，以获得点云语义分割的结果。
32、第四方面，提供了一种模型训练的装置，所述装置包括：
33、获取单元，用于获取样本点云数据；所述样本点云数据是通过第一激光雷达和第二激光雷达采集的；
34、提取单元，用于分别提取所述第一激光雷达的垂直视场范围内的样本点云数据对应的第一深度视角rv图像特征信息、以及所述第二激光雷达的垂直视场范围内的样本点云数据对应的第二rv图像特征信息；
35、压缩单元，用于对所述第二rv图像特征信息进行图像压缩处理，以获得第三rv图像特征信息；
36、获得单元，用于根据所述第一rv图像特征信息和所述第三rv图像特征信息，获得目标rv图像特征信息；
37、训练单元，用于基于所述目标rv图像特征信息，对待训练的语义分割模型进行训练，以获得训练完成的语义分割模型。
38、第五方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如上所述的方面和任一可能的实现方式的方法。
39、第六方面，提供了一种电子设备，包括：
40、至少一个处理器；以及
41、与所述至少一个处理器通信连接的存储器；其中，
42、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如上所述的方面和任一可能的实现方式的方法。
43、第七方面，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如上所述的方面和任一可能的实现方式的方法。
44、第八方面，提供了一种自动驾驶车辆，包括如上所述的电子设备。
45、本申请提供的技术方案的有益效果至少包括本文档来自技高网
...
【技术保护点】
1.一种点云语义分割的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述第二RV图像特征信息进行图像压缩处理，以获得第三RV图像特征信息，包括：
3.根据权利要求1所述的方法，其特征在于，所述根据第一RV图像特征信息和所述第三RV图像特征信息，获得目标RV图像特征信息，包括：
4.根据权利要求1所述的方法，其特征在于，所述分别提取所述第一激光雷达的垂直视场范围内的点云数据对应的第一深度视角RV图像特征信息、以及所述第二激光雷达的垂直视场范围内的点云数据对应的第二RV图像特征信息，包括：
5.根据权利要求1所述的方法，其特征在于，所述分别提取所述第一激光雷达的垂直视场范围内的点云数据对应的第一深度视角RV图像特征信息、以及所述第二激光雷达的垂直视场范围内的点云数据对应的第二RV图像特征信息，包括：
6.一种模型训练的方法，其特征在于，所述方法包括：
7.一种点云语义分割的装置，其特征在于，所述装置包括：
8.一种模型训练的装置，其特征在于，所述装置包括：
<
p>9.一种电子设备，包括：10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
11.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
12.一种自动驾驶车辆，包括如权利要求9所述的电子设备。
...
【技术特征摘要】
1.一种点云语义分割的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述第二rv图像特征信息进行图像压缩处理，以获得第三rv图像特征信息，包括：
3.根据权利要求1所述的方法，其特征在于，所述根据第一rv图像特征信息和所述第三rv图像特征信息，获得目标rv图像特征信息，包括：
4.根据权利要求1所述的方法，其特征在于，所述分别提取所述第一激光雷达的垂直视场范围内的点云数据对应的第一深度视角rv图像特征信息、以及所述第二激光雷达的垂直视场范围内的点云数据对应的第二rv图像特征信息，包括：
5.根据权利要求1所述的方法，其特征在于，所述分别提取所述第一激光雷达的垂直视场范围内的点云数据对应的第一深...
【专利技术属性】
技术研发人员：刘星，林金表，董博，
申请(专利权)人：九识苏州智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。