[发明专利]车辆点云数据处理方法、装置、设备和存储介质

说明书

本发明实施例公开了一种车辆点云数据处理方法、装置、终端设备和存储介质。对激光雷达采集到的三维点云数据进行投影，得到地平坐标系中的二维点云数据；根据所述二维点云数据确定车辆点云的主方向；确定所述车辆点云的外接矩形，所述外接矩形的边与所述主方向垂直或平行；根据所述外接矩形中与所述地平坐标系的原点之间的距离最近的顶点，以及对应于所述车辆点云的长宽参考值，确定所述车辆点云的车辆包围框。通过基于主方向的外接矩形的确定，以及基于外接矩形的车辆包围框的计算，能实现对车辆轮廓的准确计算，进而对车辆位置和姿态进行准确估计，保证对车辆的精确跟踪。

技术领域

本发明实施例涉及图像处理技术领域，尤其涉及车辆点云数据处理方法、装置、终端设备和存储介质。

背景技术

在机器人、自动驾驶等领域，对车辆的识别检测、定位、姿态估计和跟踪等是一个重要的功能，此功能将影响路径的规划、决策等应用。

通常要完成对车辆的定位、跟踪和姿态估计需要通过对激光雷达数据进行识别检测获得车辆对应点云，或通过激光雷达数据和图像数据进行检测和融合获得车辆对应点云。在获取车辆点云后需要利用包围框将车辆点云包围，得到车辆的位置、姿态，并可通过对包围框的跟踪实现对车辆的跟踪。车辆包围框的计算将直接影响到车辆的位置姿态估计和对车辆的跟踪效果。

目前计算车辆包围框的方法主要有如下两种思路：

一是直接计算点云的外接矩形，通过计算一个可以将全部点云包围的最小体积的长方体，得到点云的外包围框。当可以获得完整的车辆点云时，这中方法可以有效的对车辆的位置、姿态进行估计。但是在机器人、无人车等应用场景中，通常无法获得完整的车辆点云，只能获取车辆的局部信息，在此情况下，使用外接矩形的方法，不能有效的估计车辆的位置和姿态，也会对车辆跟踪造成很大的影响。请参考图2和图3，基于图2中所示的点云数据，得到图3所示的包围框，但是图2所示的点云数据实际只能表示检测物体实际形状的一部分。

二是通过将点云投影到平面，计算平面点云的凸包围，在根据凸包围计算障碍物的外接矩形，利用凸包围中最长边作为障碍物的方向。在自动驾驶的应用中，由于一般激光雷达的安装高度较高，可以扫描到车辆的顶部，在计算获得的凸包计算可以表示车辆的轮廓。但是如果激光雷达安装的比较低，如机器人等应用中，激光雷达只能扫描到车辆的侧边而无法扫描的车顶。此时计算的凸包并不能表示车辆的轮廓，车辆的大小和位置表达将错误，并且当只能扫描到非常少的车辆点云时车辆的姿态估计也会出现错误。请参考图4、图5和图6，对于，采用外接矩形计算的方式，对同一批目标在不同角度的检测，得到的包围不同，说明必然对车辆的大小和位置表达存在错误。

发明人在实现对车辆包围框的计算时，发现以上两种思路的计算方式即使在知道点云属于车辆，在激光雷达获得的点云数据在xy平面上不能完整表示车辆的轮廓时，都存在对车辆位置和姿态的估计误差，导致对车辆的跟踪出现困难。

发明内容

本发明提供了一种车辆点云数据处理方法、装置、终端设备和存储介质，以解决现有技术计算车辆包围时不能完整表示车辆轮廓的技术问题。

第一方面，本发明实施例提供了一种车辆点云数据处理方法，包括：

对激光雷达采集到的三维点云数据进行投影，得到地平坐标系中的二维点云数据；

根据所述二维点云数据确定车辆点云的主方向；

确定所述车辆点云的外接矩形，所述外接矩形的边与所述主方向垂直或平行；

根据所述外接矩形中与所述地平坐标系的原点之间的距离最近的顶点，以及对应于所述车辆点云的长宽参考值，确定所述车辆点云的车辆包围框。

第二方面，本发明实施例还提供了一种车辆点云数据处理装置，包括：

点云投影单元，用于对激光雷达采集到的三维点云数据进行投影，得到地平坐标系中的二维点云数据；