[发明专利]点云数据分类方法、装置、计算机设备和存储介质

说明书

本申请涉及一种点云数据分类方法、装置、计算机设备和存储介质。所述方法包括：获取待分类点云数据；根据预设尺寸对所述待分类点云数据进行结构化预处理，得到待分类特征矩阵；调用预先训练的分类模型，通过所述分类模型对所述待分类特征矩阵进行分类，得到特征矩阵分类结果；根据所述特征矩阵分类结果对所述待分类点云数据进行分类。采用本方法能够在自动驾驶模式下，有效提高点云数据的分类准确性。

技术领域

本申请涉及人工智能领域，特别是涉及一种点云数据分类方法、装置、计算机设备和存储介质。

背景技术

人工智能技术的发展，促进了自动驾驶技术的发展。在自动驾驶过程中，需要实时监测周围环境信息，这就需要对车载传感器采集到的点云数据进行实时分类，识别动态前景障碍物、静态前景障碍物、路道线标识、背景等物体信息。另外，根据分类后的点云数据生成高精度地图，能够更好地规划合理路线、躲避障碍物以及遵守交通规则。由于点云数据量庞大，在自动驾驶模式下，计算资源有限，且实时性要求高，无法对点云数据进行准确分类。

发明内容

基于此，有必要针对上述技术问题，提供一种能够在自动驾驶模式下，计算资源有限且实时性要求高时，提高点云数据的分类准确性的点云数据分类方法、装置、计算机设备和存储介质。

一种点云数据分类方法，所述方法包括：

获取待分类点云数据；

根据预设尺寸对所述待分类点云数据进行结构化预处理，得到待分类特征矩阵；

调用预先训练的分类模型，通过所述分类模型对所述待分类特征矩阵进行分类，得到特征矩阵分类结果；

根据所述特征矩阵分类结果对所述待分类点云数据进行分类。

在其中一个实施例中，在所述获取待分类点云数据之前，所述方法还包括：

获取样本数据；

根据预设尺寸对所述样本数据进行结构化预处理，得到样本特征矩阵；

调用深度学习模型，根据所述样本特征矩阵对所述深度学习模型进行训练；

当达到预设训练条件时，将所述深度学习模型作为分类模型。

在其中一个实施例中，所述根据预设尺寸对所述待分类点云数据进行结构化预处理包括：

根据所述待分类点云数据确定所述待分类点云数据对应的数据区域；

根据预设尺寸中的长度将所述数据区域沿X方向进行划分，得到第一结构化单元；

根据预设尺寸中的宽度将所述数据区域沿Y方向进行划分，得到第二结构化单元；

根据所述第一结构化单元以及第二结构化单元生成目标结构化单元；

在每个目标结构化单元中提取对应的待分类点云数据的特征信息；

将所述特征信息在每个目标结构化单元中按行进行排列，生成待分类特征矩阵。

在其中一个实施例中，所述对所述待分类点云数据进行结构化预处理包括：

根据所述待分类点云数据确定所述待分类点云数据对应的数据区域；

根据预设尺寸中的长度将所述数据区域沿X方向进行划分，得到第一结构化单元；

根据预设尺寸中的宽度将所述数据区域沿Y方向进行划分，得到第二结构化单元；

根据预设尺寸中的高度将所述数据区域沿Z方向进行均等划分，得到第三结构化单元；

根据所述第一结构化单元、第二结构化单元以及第三结构单元生成目标结构化单元。