[发明专利]环境识别方法、识别装置、识别系统、电子设备及介质

权利要求书

1.一种基于三维霍夫空间与三维卷积神经网络的环境识别方法，其特征在于，包括以下步骤：

对环境进行扫描，获取所述环境的点云数据；

对所述点云数据进行分割，得到若干个点云集群；

将所述点云集群映射到三维霍夫空间，对所述三维霍夫空间栅格化，得到与单元格对应的判别信息；并且

将所述判别信息输入预先训练的三维卷积神经网络模型，获得对所述环境的识别结果。

2.根据权利要求1所述的环境识别方法，其特征在于，

利用激光雷达传感器获取所述环境的点云数据。

3.根据权利要求1所述的环境识别方法，其特征在于，所述对所述点云数据进行分割，得到若干个点云集群，具体包括：

采用三维连通标记算法对所述点云数据进行分割；

通过逆映射获得与索引值相同的网格相对应的点标签，以得到所述若干个点云集群。

4.根据权利要求1所述的环境识别方法，其特征在于，所述将所述点云集群映射到三维霍夫空间，对所述三维霍夫空间栅格化，得到与单元格对应的判别信息，具体包括：

利用三维霍夫变换算法将所述点云集群映射到三维霍夫空间；

对所述三维霍夫空间栅格化；

统计每个单元格的有效点计数，作为所述判别信息。

5.根据权利要求1所述的环境识别方法，其特征在于，在将所述判别信息输入预先训练的三维卷积神经网络模型之前，还包括：

获取点云样本，并由所述点云样本得到判别信息样本；

初始化三维卷积神经网络模型，将所述判别信息样本作为所述模型的输入值，进行卷积、池化、全连接处理；

训练所述模型，直至其误差接近于0；

对训练好的模型进行精度测试；

将通过精度测试的模型作为所述预先训练的三维卷积神经网络模型使用。

6.根据权利要求1-5中任一项所述的环境识别方法，其特征在于，

所述环境为无人驾驶地面车辆周围的环境；以及

在对所述点云数据进行分割之前，对所述点云数据进行预处理，滤除地面点数据。

7.一种基于三维霍夫空间与三维卷积神经网络的环境识别装置，其特征在于，包括：

获取模块，用于对环境进行扫描，获取所述环境的点云数据；

分割模块，用于对所述点云数据进行分割，得到若干个点云集群；

变换模块，用于将所述点云集群映射到三维霍夫空间，对所述三维霍夫空间栅格化，得到与单元格对应的判别信息；以及

识别模块，用于将所述判别信息输入预先训练的三维卷积神经网络模型，获得对所述环境的识别结果。

8.一种基于三维霍夫空间与三维卷积神经网络的环境识别系统，其特征在于，包括：激光雷达传感器、处理器和无人驾驶交通工具，其中，

所述激光雷达传感器用于对所述无人驾驶交通工具的环境进行扫描，获取所述环境的点云数据，并将所述点云数据传输给所述处理器；

所述处理器用于：对所述点云数据进行分割，得到若干个点云集群；将所述点云集群映射到三维霍夫空间，对所述三维霍夫空间栅格化，得到与单元格对应的判别信息；并且将所述判别信息输入预先训练的三维卷积神经网络模型，获得对所述环境的识别结果；

所述无人驾驶交通工具从所述处理器接收所述识别结果。

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6中任一项所述的基于三维霍夫空间与三维卷积神经网络的环境识别方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的基于三维霍夫空间与三维卷积神经网络的环境识别方法的步骤。