[发明专利]基于无人车激光雷达数据进行透视与俯瞰特征融合的方法

说明书

本发明实施例涉及一种基于无人车激光雷达数据进行透视与俯瞰特征融合的方法，所述方法包括：获取无人车激光雷达对第一目标环境进行扫描生成的第一点云张量；对第一点云张量进行二维体素特征提取处理，生成第一俯瞰特征张量；根据预设的透视模式，对第一点云张量进行对应的二维体素特征提取处理，生成第一透视特征张量；使用第一透视特征张量对第一俯瞰特征张量进行特征融合处理，生成第一融合特征张量；使用1×1卷积网络对第一融合特征张量进行降维处理。本发明方法既可以降低体素化算法的计算复杂度，满足自动驾驶领域计算低时延的要求，又能避免因仅使用俯瞰特征导致自车周围环境高度信息丢失的问题。

技术领域

本发明涉及数据处理技术领域，特别涉及一种基于无人车激光雷达数据 进行透视与俯瞰特征融合的方法。

背景技术

点云数据(point cloud data)是指以点形式记录扫描信息的数据，由激 光雷达扫描得到的每个点云数据都包含一个三维坐标(X,Y,Z)和一个激光反 射强度信息(Intensity)。体素是体积元素(volumepixel)的简称，是数字三 维空间上分割出的最小单位。在数字三维空间上，包含体素的立体可以通过 体素特征提取、立体渲染等操作，以多边形或等值面的形式表现出来。应用 在自动驾驶领域，可将从点云数据中提取出的体素特征输入到用于目标检测 或目标分类的人工智能模型中进行计算，从而得到对行驶路线周围物体的分 类识别结果。

当下常见的点云体素特征提取方法就是基于笛卡尔坐标系下的三维体素 化方法(例如VoxelNet方法)。但三维体素化方法计算复杂度高，计算时间 长，无法适应自动驾驶领域要求的低时延特性。

发明内容

本发明的目的，就是针对现有技术的缺陷，提供一种基于无人车激光雷 达数据进行透视与俯瞰特征融合的方法、电子设备及计算机可读存储介质， 对点云数据分别进行基于笛卡尔坐标系的俯瞰二维特征提取和基于透视三维 坐标系的透视二维特征提取，并对提取出的二维俯瞰特征与透视特征进行特 征融合从而得到具有三维特征的语义信息。使用本发明方法，既可以降低体 素化算法的计算复杂度，满足自动驾驶领域计算低时延的要求，又可以避免 因仅使用俯瞰特征导致自车周围环境高度信息丢失的问题。

为实现上述目的，本发明实施例第一方面提供了一种基于无人车激光雷 达数据进行透视与俯瞰特征融合的方法，所述方法包括：

获取无人车激光雷达对第一目标环境进行扫描生成的第一点云张量；

对所述第一点云张量进行二维体素特征提取处理，生成第一俯瞰特征张 量；

根据预设的透视模式，对所述第一点云张量进行对应的二维体素特征提 取处理，生成第一透视特征张量；

使用所述第一透视特征张量对所述第一俯瞰特征张量进行特征融合处 理，生成第一融合特征张量；

使用1×1卷积网络对所述第一融合特征张量进行降维处理。

优选的，所述第一点云张量的形状为X*Y*Z*I，所述X为三维坐标系横轴 坐标维度参数，Y为三维坐标系纵轴坐标维度参数，Z为三维坐标系竖轴坐标 维度参数，I为激光反射强度维度参数；

所述第一俯瞰特征张量的形状为H₁*W₁*C₁，所述H₁为高度维度参数，所述 W₁为宽度维度参数，所述C₁为通道维度参数；

所述第一透视特征张量的形状为H₂*W₂*C₂，所述H₂为高度维度参数，所述 W₂为宽度维度参数，所述C₂为通道维度参数,C₂＝C₁；