[发明专利]用于识别场景中各区域类型的方法和装置

说明书

本公开的实施例公开了用于识别场景中各区域类型的方法和装置。该方法的一具体实施方式包括：获取待识别场景的激光点云；对激光点云进行预处理及鸟瞰网格化投影，得到投影图；对于投影图中每个像素，提取投影在该像素内的所有激光点云的至少一种高度特征，生成至少一种特征图；将至少一种特征图输入预先训练的神经网络模型，得到各像素的类别；对于投影图中每个像素，将该像素的类别作为投影在该像素内的所有激光点云的类别输出。该实施方式能够减少对高精地图的依赖，提高自动驾驶能力。

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于识别场景中各区域类型的方法和装置。

背景技术

在自动驾驶领域，为了对周围环境进行更精确充分的感知，进而指导决策规划，往往需要理解场景中各个区域的类型(例如，障碍物，路面，路沿，栅栏，绿植等)。

现有方案通常根据人工标注的高精地图来获取场景中各区域的类型信息，但这种方案强依赖于高精地图的时效性和定位的准确性，需要人工标注场景中各位置属性，根据场景变化频繁更新地图，并且动态场景适应性不好，无法适用于未知场景。

发明内容

本公开的实施例提出了用于识别场景中各区域类型的方法和装置。

第一方面，本公开的实施例提供了一种用于识别场景中各区域类型的方法，包括：获取待识别场景的激光点云；对激光点云进行预处理及鸟瞰网格化投影，得到投影图，其中，影图中每个像素与一个网格对应，且每个像素包括该像素对应的网格内的激光点云的鸟瞰投影；对于投影图中每个像素，提取投影在该像素内的所有激光点云至少一种高度特征，生成至少一种特征图；将至少一种特征图输入预先训练的神经网络模型，得到各像素的类别；对于投影图中每个像素，将该像素的类别作为投影在该像素内的所有激光点云的类别输出。

在一些实施例中，神经网络模型通过如下方法训练：获取样本激光点云；对样本激光点云进行预处理及鸟瞰网格化投影，得到样本投影图，其中，样本投影图中每个像素与一个网格对应，且每个像素包括该像素对应的网格内的样本激光点云的鸟瞰投影；对于样本投影图中每个像素，提取投影在该像素内的所有样本激光点云的以下至少一种特征，生成至少一种样本特征图：最大高度，最大高度与最小高度之差，距离最小高度第一区间内的激光点云占投影在该像素内的总点云数比例，距离最小高度第二区间内的激光点云占投影在该像素内的总点云数比例；对样本投影图中每个像素进行类别标注生成目标图；将至少一种样本特征图作为输入，目标图作为期望输出，训练神经网络模型。

在一些实施例中，对样本投影图中每个像素进行类别标注生成目标图，包括：对于样本投影图中每个像素，投影在该像素内的各类别的激光点云中数量最大的类别作为像素类别进行标注生成目标图。

在一些实施例中，对样本投影图中每个像素进行类别标注生成目标图，包括：对于样本投影图中每个像素，根据先验信息及识别任务需求，调整该像素的类别生成顺序，进行标注生成目标图。

在一些实施例中，该方法还包括：根据不同类别像素数量，调整各类别训练权重，平衡不同类别像素数量差异过大的问题。

在一些实施例中，高度特征包括以下至少一种：最大高度，最大高度与最小高度之差，距离最小高度第一区间内的激光点云占投影在该像素内的总点云数比例，距离最小高度第二区间内的激光点云占投影在该像素内的总点云数比例。

第二方面，本公开的实施例提供了一种用于识别场景中各区域类型的装置，包括：获取单元，被配置成获取待识别场景的激光点云；投影单元，被配置成对激光点云进行预处理及鸟瞰网格化投影，得到投影图，其中，影图中每个像素与一个网格对应，且每个像素包括该像素对应的网格内的激光点云的鸟瞰投影；生成单元，被配置成对于投影图中每个像素，提取投影在该像素内的所有激光点云的至少一种高度特征，生成至少一种特征图；检测单元，被配置成将至少一种特征图输入预先训练的神经网络模型，得到各像素的类别；输出单元，被配置成对于投影图中每个像素，将投影在该像素的类别作为该像素内的所有激光点云的类别输出。