[发明专利]一种正样本制作方法及装置

说明书

本发明公开了一种正样本制作方法及装置，所述方法包括通过硬件同步机制使激光雷达数据采集模块和图像数据采集模块同步曝光；采集同步曝光的激光点云数据和图像数据；对所述激光点云数据进行处理，生成目标样本；将所述目标样本投影到所述图像数据中，生成目标样本标签，所述目标样本标签包括所述目标样本的距离信息和速度信息。本发明可实现半自动或自动建立样本标签，不仅可以大大提高标注效率，还可以保证样本一致性、可靠性和稳定性，且激光点云数据不会产生运动畸变，所提取目标投影到对齐后的图像中可生成精确的目标标签，同时激光雷达数据采集模块可提供精确的速度信息，为图像目标提供速度属性，为帧间目标跟踪速度等应用提供校验信息。

技术领域

本发明涉及无人驾驶技术领域，尤其涉及一种正样本制作方法及装置。

背景技术

人工智能技术推动着智能驾驶的快速发展，深度学习技术作为智能驾驶中环境感知的核心技术需要大量的标注信息。对于视觉感知算法所需的图像目标样本，传统的人工标注方式费时费力，为缓解视觉感知算法对海量真值样本需求的压力，一些自动化或半自动化的样本标注方法被提出，比如，基于一定量的人工标注的样本训练深度神经网络模型，然后利用该模型进行自动预测标注，或者利用激光雷达扫描仪来为图像提供真值信息，并融合了深度学习的训练与预测，或者在图像中标记目标位置、类型和属性等信息，并利用激光点云数据提供距离信息，将这些标注数据合成多维向量用于深度神经网络的训练学习，从而提供距离估计。

然而，现有的技术方案人工标注的局限性较大，标注一致性和精度都难以保障，效率太低，基于深度学习训练的方式虽然可大幅提高标注效率，但预测精度难于满足需求，仍需大量的修正工作，同时当前激光点云数据通常由激扫描光雷达生成，由于点云数据的获取与图像数据无法完全同步，在自身及目标有运动时往往会产生目标位置偏离和畸变，导致误差较大，很难生成精确的目标标签，再者结合点云距离信息和图像标注信息的深度学习方案，虽然能够弥补基于深度学习训练的方式的预测精度难于满足需求的不足，但要求激光雷达与图像数据深度绑定，扩展性差，此外目前主要的标注方案只考虑到目标的位置和距离，而未提供速度信息。而结合目标距离和速度计算出碰撞时间对于安全驾驶至关重要，因此建立目标精确的速度真值对验证算法准确性不可缺少。为此本发明提出一种正样本制作方法及装置。

发明内容

为了解决现有技术中的自动化或半自动化的标注方法存在的标注一致性、精度及效率较低，误差较大，扩展性差以及不能够提供速度信息等缺陷，最终导致难以生成精确的目标样本标签的问题，本发明提供了一种正样本制作方法及装置。

为了解决上述技术问题，第一方面，本发明提供了一种正样本制作方法，包括：

通过硬件同步机制使激光雷达数据采集模块和图像数据采集模块同步曝光；

采集同步曝光的激光点云数据和图像数据；

对所述激光点云数据进行处理，生成目标样本；

将所述目标样本投影到所述图像数据中，生成目标样本标签，其中，所述目标样本标签包括所述目标样本的距离信息和速度信息。

进一步地，所述通过硬件同步机制使激光雷达数据采集模块和图像数据采集模块同步曝光，包括：

所述激光雷达数据采集模块发出曝光信号并将所述曝光信号曝光，同时将所述曝光信号发送给所述图像数据采集模块，所述图像数据采集模块接收所述曝光信号并将所述曝光信号曝光；

或，

所述图像数据采集模块发出曝光信号并将所述曝光信号曝光，同时将所述曝光信号发送给所述激光雷达数据采集模块，所述激光雷达数据采集模块接收所述曝光信号并将所述曝光信号曝光。

进一步地，所述通过硬件同步机制使激光雷达数据采集模块和图像数据采集模块同步曝光之前，还包括：