[发明专利]对象标注方法、装置、电子设备及存储介质

说明书

本公开提供了一种对象标注方法，包括：获取多个传感器采集的数据；对图像数据和激光点云数据进行初次时空对齐，获得初次时空对齐后的激光点云数据及图像数据；以预设时间长度对初次时空对齐后的激光点云数据及图像数据进行分组，获取各分段数据对应的RTK方差；基于各分段数据对应的RTK方差，判断是否使用车体IMU/轮速数据对车体RTK位姿序列数据进行位姿优化以对图像数据和激光点云数据进行二次时空对齐；对激光点云数据和图像数据分别进行3D对象检测和2D对象检测，以进行对象标注。本公开还提供了一种基于多帧数据累积的方法以进行自动标注。本公开还提供了对象标注装置、电子设备及存储介质。

技术领域

本公开涉及对象标注技术领域，本公开尤其涉及一种对象标注方法、装置、电子设备及存储介质。

背景技术

高精地图作为无人驾驶核心技术之一，其精准程度对于无人车定位、导航、控制以及安全起着至关重要的作用。由于高精地图是三维点云和相关语义信息的组合，因此不可避免的存在信息损失，且除了自然环境、外物遮挡、噪声等的影响，路况本身的变动也为提高高精地图的精度增加了很多困难。因此，如何在现有高精地图的基础上设计一个适用性广、能够满足复杂多变路况的自动标注方法具有重要的理论意义和实际应用价值。

高精地图自动标注的核心思想是把RGB语义信息赋予到点云上，借助待生成对象的边界与颜色提升标注效率。这类方法将获取到的图像数据进行语义分割后，把点云数据与分割后的图像数据进行融合处理，并使用神经网络等算法进行地图绘制。

技术方案1：专利号为CN113674287A的《高精地图的绘制方法、装置、设备以及存储介质》，涉及计算机视觉、自动驾驶、智能交通等技术领域。具体实现方案为：1)对获取到的图像数据进行语义分割处理，以得到识别出待标注对象的图像数据；2)将获取到的点云数据与识别出待标注对象的图像数据进行融合处理，得到语义地图数据；3)利用预先训练的神经网络模型，根据语义地图和点云数据，得到绘制出待标注对象的位置、待标注对象的颜色和待标注对象的边界的地图。该方法融合图像数据和点云数据的特征进行地图的自动化绘制以及自动化标注，不仅能够生成待标注对象的几何位置，还能生成待标注对象的颜色和边界。该方法通过计算机视觉、自动驾驶、智能交通等技术领域的融合，实现了地图绘制和标注的自动化、并且可以保持标注精度，但该方法在数据融合过程中并未对采集数据进行运动畸变去除和时间对齐，从而会导致标注精度难以提升的问题。

技术方案2：专利号为CN113255578A的《交通标识的识别方法及装置、电子设备和存储介质》，涉及一种交通标识的识别方法及装置、电子设备和存储介质。该方法包括：1)获取车辆行驶过程中采集的图像以及点云数据；2)对图像进行检测，得到图像中的各交通标识的初始检测值序列，并分别从各交通标识的初始检测值序列中选择一个目标检测值，得到交通标识的目标检测值序列；3)对目标检测值序列中的目标检测值进行分组，并从点云数据中选取每个分组对应的点云数据；4)从每个分组对应的点云数据中确定每个分组中各交通标识对应的点云数据，并依据各交通标识对应的点云数据确定各交通标识在参考坐标系下的轮廓；5)依据各交通标识在参考坐标系下的轮廓在地图中标注各交通标识。该方法通过软硬件结合的方式，实现了提高了在高精度地图中标注交通标识的精度和效率的技术效果，但该方法放宽了时间戳会导致一定的激光点云的运动畸变，从而导致重合度不高等问题，且在重合度超过第三预设阈值的图像时，该方法选择将两个交通标识的检测值中置信度较低的一个交通标识删除，直接将另一个作为正确的交通标识使用，虽然自动标注后有人工复检，仍有一定的安全隐患；同时该方法主要着力于无人驾驶车辆在行驶过程中需要识别的静态物体，对动态物体识别方面的适用性不高。