[发明专利]一种三维点云标注方法、装置及电子设备

说明书

本发明提供一种三维点云标注方法、装置及电子设备，其中，所述标注方法包括以下步骤：获取三维点云数据，且将所述三维点云数据的格式转化为指定格式；对所述指定格式的所述三维点云数据进行预处理；将预处理后的所述三维点云数据输入指定的GPU服务器的指定微服务中，其中，所述微服务运行有预先训练好的点云标注网络模型，且根据所述微服务的所述点云标注网络模型对所述预处理后的所述三维点云数据进行标注；获取所述微服务反馈的关于所述三维点云数据的标注结果。本发明可自动对预处理后的三维点云数据进行标注，方便、快捷、准确且高效，且将标注的过程放置于GPU服务器中，减少本地的运行负荷。

技术领域

本发明涉及三维点云语义标注领域，特别是涉及一种三维点云标注方法、装置及电子设备。

背景技术

目前无人驾驶已经到了L3级落地的阶段，各个汽车主机厂，自动驾驶初创公司，以及汽车系统供应商和各大院校研发机构都已经将落地列为当前的工作重心。自动驾驶中最核心的功能模块是由感知层，决策层以及控制层组成。感知层主要组成部分有：激光雷达，毫米波雷达，视觉常感器等设备对于周边环境进行信息获取。无人驾驶上的检测系统根据采集进来的图像，三维点云等数据进行目标检测，场景分割等识别方法获得无人驾驶车对于周边环境的理解，从而可以实现诸如自主巡航、自动换道、交通标志识别、堵车自动驾驶、高速代驾等具体功能。不同于视觉传感器，激光雷达可以有效提升车辆对于外部环境感知建模的精准度。综合各种研究和实践操作，激光雷达在自动驾驶的关键技术主要分为点云分割、道路提取、环境建模、障碍物探测与追踪以及多种传感器的信息融合。由激光雷达生产的点云数据量每秒可达上百万个，普通的聚类算法无法满足数据实时性计算的要求。点云分割，是指为了快速提取有用的物体信息，根据点云分布的整体特征和局部特征，将点云进行分割，从而形成多个独立的子集。每个子集的期望是每个子集均对应将拥有物理意义的感知目标，并反映出目标物体的几何及位姿特征。点云分割，是保证激光雷达后续目标分类和跟踪性能的重要基础。目前基于深度学习的点云分割和物体检测的方法正在盛行。

一般情况下，深度神经网络要求输入信息具有规范化的格式，比如二维的图像，时序性的语音等。而原始的三维点云数据往往是空间中的一些无序点集，假设某一个点云中包含N个三维点，每一个点用(x,y,z)三维坐标表示，即使不考虑遮挡，视角等变化，单就这些点的先后顺序排列组合，就有N！种可能。因此，我们需要设计一个函数，使得函数值与输入数据的顺序无关。

而在实际的数据标注中，对于深度神经网络的训练需要大量标注过的数据。而目前市面上针对三维点云数据的标注大部分都是手动进行的。标注员工在操作时候会出现大量的错检、漏检、以及精度无法保证的情况。为了解决目前市面上的这个“痛点”，一种结合深度学习算法的自动标注工具就成了必须。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种三维点云标注方法、装置及电子设备，用于解决现有技术中不能自动且较为准确的对三维点云进行标注等的问题。

为实现上述目的及其他相关目的，本发明提供一种三维点云标注方法，所述标注方法包括以下步骤：获取三维点云数据，且将所述三维点云数据的格式转化为指定格式；对所述指定格式的所述三维点云数据进行预处理；将预处理后的所述三维点云数据输入指定的GPU服务器的指定微服务中，其中，所述微服务运行有预先训练好的点云标注网络模型，且根据所述微服务的所述点云标注网络模型对所述预处理后的所述三维点云数据进行标注；获取所述微服务反馈的关于所述三维点云数据的标注结果。

在一些实施例中，所述标注方法还包括对所述三维点云数据的标注结果进行可视化显示的步骤。

在一些实施例中，所述标注方法还包括对所述可视化显示的三维点云数据的标注结果进行调整的步骤。