基于点云数据的车辆轮廓检测方法和装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107025642A(43)申请公布日2017.08.08(21)申请号201610057306.X(22)申请日2016.01.27(71)申请人百度在线网络技术（北京）有限公司地址100085北京市海淀区上地十街10号百度大厦三层(72)发明人李博张天雷夏添陶吉林元庆(74)专利代理机构北京英赛嘉华知识产权代理有限责任公司11204代理人王达佐马晓亚(51)Int.Cl.G06T7/00(2017.01)G06K9/00(2006.01)权利要求书5页说明书12页附图5页(54)发明名称基于点云数据的车辆轮廓检测方法和装置(57)摘要本申请公开了基于点云数据的车辆轮廓检测方法和装置。所述的方法包括：获取待训练点云数据；响应于对待训练点云数据中的各点的标注，生成与待训练点云数据中的各点对应的标签数据，其中，标注用于指示各待训练点云数据中的各点是否属于车辆轮廓；基于待训练点云数据中的各点和与待训练点云数据中的各点对应的标签数据训练全卷积神经网络模型，以得到车辆检测模型；以及获取待检测点云数据，并基于车辆检测模型，得到与待检测点云数据中的各待检测点对应的检测结果。该实施方式实现了车辆轮廓的准确检测。CN107025642ACN107025642A权利要求书1/5页1.一种基于点云数据的车辆轮廓检测方法，其特征在于，包括：获取待训练点云数据；响应于对所述待训练点云数据中的各点的标注，生成与所述待训练点云数据中的各点对应的标签数据，其中，所述标注用于指示各所述待训练点云数据中的各点是否属于车辆轮廓；基于所述待训练点云数据中的各点和与所述待训练点云数据中的各点对应的标签数据训练全卷积神经网络模型，以得到车辆检测模型；以及获取待检测点云数据，并基于所述车辆检测模型，得到与所述待检测点云数据中的各待检测点对应的检测结果。2.根据权利要求1所述的方法，其特征在于，所述获取待训练点云数据包括：将点云数据采集设备采集的待训练三维数据映射生成待训练深度图，所述待训练深度图中的各像素点的数值为与所述待训练三维数据一一对应的所述待训练点云数据中的各点。3.根据权利要求2所述的方法，其特征在于：各所述待训练三维数据D(x,y,z)为以所述点云数据采集设备为原点，以竖直向上方向为z轴，以水平面内任意垂直的二轴分别为x轴和y轴的坐标系中的坐标值；所述待训练深度图中的各像素点的坐标为(r,c)，各所述像素点的数值为(d,z)；其中：θ＝atan2(y,x)θ为各所述待训练三维数据D和原点之间的连线与第一平面之间的夹角，Δθ为所述点云数据采集设备的水平分辨率，所述第一平面为y轴、z轴组成的平面；φ为各所述待训练三维数据D和原点之间的连线与第二平面之间的夹角，Δφ为所述点云数据采集设备的垂直分辨率，所述第二平面为x轴、y轴组成的平面。4.根据权利要求3所述的方法，其特征在于，所述响应于对所述待训练点云数据中的各点的标注，生成与所述待训练点云数据中的各点对应的标签数据包括：若所述待训练点云数据中的点属于车辆轮廓，则将该属于车辆轮廓的点变换生成26通道的二维标签数据，其中，所述26通道中的第一通道的数值为1，第二通道的数值为0，所述26通道中的第3～24通道分别为车辆所在的三维立方体各顶点的各坐标相对于所述待训练点云数据中属于车辆轮廓的各点的各三维坐标的旋转向量；若所述待训练点云数据中的点不属于车辆轮廓，则将该不属于车辆轮廓的点变换生成2通道的二维标签数据，其中，所述2通道中的第一通道的数值为0，第二通道的数值为1。5.根据权利要求3所述的方法，其特征在于：所述车辆所在的三维立方体各顶点的各坐标相对于所述点云数据中属于车辆轮廓的2CN107025642A权利要求书2/5页各点的各三维坐标的旋转向量(x’p,y’p,z’p)为：其中，R为所述点云数据中属于车辆轮廓的任意一点P(xi,yi,zi)的旋转矩阵，且有：R＝Rzi(θi)Ryi(φi)；θi＝atan2(yi,xi)6.根据权利要求1-5任意一项所述的方法，其特征在于，所述基于所述待训练点云数据和与所述待训练点云数据对应的标签数据训练全卷积神经网络模型，以得到车辆检测模型包括：初始化所述全卷积神经网络的参数；基于损失函数调节所述全卷积神经网络的参数，其中，所述损失函数为与当前输出和与所述待训练点云数据对应的标签数据之间的偏差，所述当前输出为与当前待训练点云数据以及所述全卷积神经网络的当前参数对应的所述全卷积神经网络的输出；若所述损失函数为最小值，则输出与所述损失函数对应的参数作为车辆检测模型的参数；否则，重复执行所述基于损失函数调节所述全卷积神经网络的参数的步骤。7.根据权利要求5所述的方法，其特征在于，所述获取待检测点云数据，并基