[发明专利]点云处理方法及设备、自动识别系统和激光雷达

说明书

点云处理方法及设备、自动识别系统和激光雷达，其中，点云处理方法包括：获取点云对应的二维鸟瞰图；基于所述二维鸟瞰图，进行第一特征提取，得到第一特征图；对所述第一特征图进行目标检测，得到目标检测结果。采用上述方案，能够在实现高效的三维目标检测的情况下降低硬件开发成本。

技术领域

本说明书实施例涉及数据处理技术领域，尤其涉及一种点云处理方法及设备、自动识别系统和激光雷达。

背景技术

基于点云的三维(3-dimension，3D)目标检测是实现自主导航等智能应用的关键点之一。为了提升三维目标检测能力，现有的一些三维目标检测方法对点云进行了特征提取处理。

但是，现有的三维目标检测效率并不理想。这是因为，相比于一维和二维的数据，一方面，三维的点云在特征提取过程更为复杂，计算开销巨大。另一方面，由于点云采集设备在空间中的非均匀采样、探测范围有限、位姿变化、以及外界物体之间存在遮挡等影响因素，点云的数据结构更加稀疏松散，并且存在透视畸变的问题，不利于进行点云的特征提取，进而影响三维目标检测结果的准确性。

为了改善上述问题，提出了一些将点云转换成体积的方法，例如一些基于体素的三维目标检测方法，就是将点云划分成多个空间单元格，并对每个空间单元格上的点进行栅格化处理，得到体素(Voxel)，然后，对体素进行特征提取和目标检测。

现有的基于体素的三维目标检测方法包括：VoxelNet(一种端到端的体素目标检测网络)算法、PCL(The Point Cloud Library，点云库)中的VoxelGrid类算法、SECOND(Sparsely Embedded Convolutional Detection，稀疏嵌入卷积检测)算法、PV-RCNN(PointVoxel-Region-Convolutional Neural-Networks，点体素区域卷积神经网络)算法等。

但是，由于这些基于体素的三维目标检测方法均需要对点云进行栅格化处理，存在量化误差的问题，导致信息受损、精确度降低，影响三维目标检测结果的准确性。此外，对于一些网络架构较为复杂的方法，三维数据的特征提取已经产生了较大的计算开销，点云进行栅格化处理将会进一步的增加运算量和算法复杂度。

综上，现有的三维目标检测方法仍然存在目标检测效率低下的问题。

发明内容

有鉴于此，本说明书实施例提供一种点云处理方法及设备、自动识别系统和激光雷达，能够在实现高效的三维目标检测的情况下降低硬件开发成本。

本说明书提供了一种点云处理方法，其特征在于，包括：

获取点云对应的二维鸟瞰图；

基于所述二维鸟瞰图，进行第一特征提取，得到第一特征图；

对所述第一特征图进行目标检测，得到目标检测结果。

可选地，所述获取点云对应的二维鸟瞰图，包括：

获取所述点云对应的深度图像；

对所述深度图像进行第二特征提取，得到第二特征图；

对所述第二特征图进行透视变换，得到所述二维鸟瞰图。

可选地，所述获取点云对应的二维鸟瞰图，包括：

获取所述点云对应的深度图像；

对所述深度图像进行多个阶段的第二特征提取，其中，各阶段的第二特征中间结果的特征维度不同；

在所述多个阶段中，获取至少一个指定阶段的第二特征中间结果进行透视变换，得到相应的阶段透视图，以确定所述深度图像对应的二维鸟瞰图。