[发明专利]一种数据处理方法及装置

说明书

一种数据处理方法及装置，涉及点云数据处理及自动驾驶领域，用来根据现有的激光点云数据集生成各种特殊场景的数据集，从而丰富机器学习进行训练的样本数据集。该方法包括：获取原始点云数据集中的目标对象，以及目标对象可放置种子对象的距离范围(S01)；在原始点云数据集中可放置种子对象的距离范围内添加至少一个种子对象的点云数据，得到第一点云数据集(S02)；将第一点云数据集进行球面图转换以去除目标对像和种子对象的重合点云数据，得到第二点云数据(S03)。

技术领域

本申请涉及点云数据处理及自动驾驶领域，尤其涉及一种数据处理方法及装置。

背景技术

环境感知技术的研究在自动驾驶领域中是非常重要的，环境感知是指车辆在启动、行驶或停车的过程中，通过目标检测能够感知车辆周围环境中的其他车辆、行人或障碍物等的能力，环境感知的精确度和实时性都关系到整个车辆的行驶安全。

目前，可以利用激光雷达技术能够准确的反映出周围环境的三维信息(点云数据)，利用神经网络等机器学习算法可以根据周围环境的三维信息进行学习，从而能够识别出周围环境中的行人、车辆或建筑物等，因此可以通过激光雷达技术结合神经网络等机器学习算法，实现环境感知和目标检测。然而，神经网络等机器学习算法需要采集海量的点云数据集作为深度学习的样本数据进行训练，已有的数据集数据总量上不能满足数据训练的需求，且缺乏对真实环境中各种特殊场景的数据训练，例如，人车交汇等特定场景的数据集难以获取。

发明内容

本申请实施例提供一种数据处理方法及装置，根据现有的激光点云数据集生成各种特殊场景的数据集，可以用于丰富机器学习进行训练的样本数据集，提高环境感知和目标检测的精度和准确度。

第一方面，提供一种数据处理方法，该方法包括：确定原始点云数据集中的目标对象，以及目标对象可放置种子对象的距离范围；在原始点云数据集中的距离范围内添加至少一个种子对象的点云数据，得到第一点云数据集；将第一点云数据集进行球面图转换以去除目标对象和种子对象的重合点云数据，得到第二点云数据。

上述技术方案中，通过在原始点云数据集中目标对象的可放置范围内随机添加种子对象，经过球面图转换去除重合点云后，生成目标场景的点云数据集。能够有效模拟真实场景的数据，生成如人车交汇等特定场景的训练数据，从而有效丰富机器学习的样本训练数据集，提高环境感知和目标检测的精度和准确度。

在一种实施方式中，种子对象的特征参数包括种子对象的中心点、种子对象的中心点与点云数据集的中心点之间的距离、种子对象的朝向、种子对象相对于点云数据集的中心点的偏移角度或种子对象的重心位置中的至少一个。上述可能的实现方式中，可以提取种子对象的特征参数，作为添加种子对象的匹配依据，从而能够尽量模拟出真实场景中的点云数据，有效丰富机器学习的样本训练数据集。

在一种实施方式中，目标对象可放置种子对象的距离范围包括：与目标对象之间的距离为大于或者等于R，并且小于或者等于M*R的距离范围，其中，M和R为大于0的正整数，R表示距离目标对象的安全距离，M表示距离系数。上述可能的实现方式中，在距离目标对象合适的距离范围内添加种子对象，从而能够接近真实道路场景中例如人车交汇的场景，有效丰富机器学习的样本训练数据集。

在一种实施方式中，在原始点云数据集中的距离范围内添加至少一个种子对象的点云数据，得到第一点云数据集，具体包括：在距离范围内随机生成至少一个种子点，至少一个种子点用于分别表示放置至少一个种子对象的位置；根据每个种子点与目标对象之间的距离和偏移角度，从至少一个种子对象的特征参数中选择与每个种子点匹配的种子对象，并将匹配的种子对象的点云数据添加至种子点所在的位置；若确定种子对象的点云数据与原始点云数据集中的对象没有重合，则根据添加至少一个种子对象的点云数据后的原始点云数据集得到第一点云数据集。上述可能的实现方式中，根据在原始点云数据集中的距离范围内随机生成的种子点添加种子对象，从而提高目标场景的随机性和灵活性，能够有效丰富机器学习的样本训练数据集。