障碍物识别方法及装置、计算机设备及可读介质与流程

本发明涉及自动驾驶技术领域，尤其涉及一种障碍物识别方法及装置、计算机设备及可读介质。

背景技术：

在现有的自动驾驶技术中，待识别的障碍物识别输出的信息会作为控制和策划的信息的输入，因此，对待识别的障碍物进行准确而快速的识别是一项非常关键的技术。

现有技术中，通常采用摄像头和激光雷达对待识别的障碍物进行识别。其中摄像头方案可以应用在光照非常充足，环境比较稳定的场景下。但是在天气不好和道路环境混乱的情况下，摄像头方案的视觉一直都不够稳定，导致采集的待识别的障碍物的信息不准确。而激光雷达虽然非常昂贵，但是激光雷达方案识别的待识别的障碍物时非常稳定和安全。现有技术中，采用激光雷达识别待识别的障碍物时，根据激光雷达扫描待识别的障碍物所获取的待识别的障碍物的点云大小以及局部特征，来判断待识别的障碍物的类别。例如，可以根据待识别的障碍物的点云的局部特征是否为人的头像，来判断待识别的障碍物是否为人；根据待识别的障碍物的点云的局部特征是否为自行车的车头特征，来判断待识别的障碍物是否为自行车等等。

但是现有技术中，激光雷达扫描的点云中待识别的障碍物的点云的局部特征通常并不是那么明显，导致对待识别的障碍物的识别准确度较差、识别效率较低。

技术实现要素：

本发明提供了一种障碍物识别方法及装置、计算机设备及可读介质，用于提高自动驾驶中待识别的障碍物的识别准确度和识别效率。

本发明提供一种障碍物识别方法，所述方法包括：

将待识别的障碍物的点云在高度上划分为指定层数的分层；所述指定层数包括至少两层；

获取所述待识别的障碍物的点云在各所述分层中的各方向的最大值、最小值和所包括的点数；

根据所述待识别的障碍物的点云在各所述分层中的各方向的最大值、最小值和所包括的点数，生成所述待识别的障碍物的分层特征向量；

根据预先训练的分类器模型和所述待识别的障碍物的分层特征向量，识别所述待识别的障碍物的类别。

进一步可选地，在如上所述的方法中，根据所述待识别的障碍物的点云在各所述分层中的各方向的最大值、最小值和所包括的点数，生成所述待识别的障碍物的分层特征向量，具体包括：

根据所述待识别的障碍物的点云在各所述分层中的各方向的最大值、最小值和所包括的点数，并参考所述待识别的障碍物的点云的质心的坐标信息和所述待识别的障碍物的点云所包括的总点数中的至少一个，生成所述待识别的障碍物的分层特征向量。

进一步可选地，在如上所述的方法中，还包括：

根据所述待识别的障碍物的点云的质心的坐标信息，确定所述待识别的障碍物相对于当前车辆的位置。

进一步可选地，在如上所述的方法中，根据所述待识别的障碍物的点云在各所述分层中的各方向的最大值、最小值和所包括的点数，生成所述待识别的障碍物的分层特征向量，具体包括：

根据所述待识别的障碍物的点云在各所述分层中的长度方向的最大值和最小值，获取所述待识别的障碍物的点云在各所述分层中的长度信息；

根据所述待识别的障碍物的点云在各所述分层中的宽度方向的最大值和最小值，获取所述待识别的障碍物的点云在各所述分层中的宽度信息；

根据所述待识别的障碍物的点云在各所述分层中的所述长度信息、所述宽度信息和所包括的点数，生成所述待识别的障碍物的分层特征向量。

进一步可选地，在如上所述的方法中，根据预先训练的分类器模型和所述待识别的障碍物的分层特征向量，识别所述待识别的障碍物的类别之前，所述方法还包括：

采集多个已标注类别的预设障碍物的点云信息，生成障碍物训练集；

根据所述障碍物训练集中的所述多个预设障碍物的点云信息，训练所述分类器模型。

进一步可选地，在如上所述的方法中，根据所述障碍物训练集中的所述多个预设障碍物的点云信息，训练所述分类器模型，具体包括：

将各所述预设障碍物的点云在高度上划分为所述指定层数的分层；获取各所述预设障碍物的点云在各所述分层中的各方向的最大值、最小值和所包括的点数；

根据各所述预设障碍物的点云在各所述分层中的各方向的最大值、最小值和所包括的点数，生成各所述预设障碍物的分层特征向量；

分别根据各所述预设障碍物的分层特征向量以及各所述预设障碍物的类别，训练分类器模型，从而确定所述分类器模型。

本发明还提供一种障碍物识别装置，所述装置包括：

划分模块，用于将待识别的障碍物的点云在高度上划分为指定层数的分层；所述指定层数包括至少两层；

获取模块，用于获取所述待识别的障碍物的点云在各所述分层中的各方向的最大值、最小值和所包括的点数；

特征向量生成模块，用于根据所述待识别的障碍物的点云在各所述分层中的各方向的最大值、最小值和所包括的点数，生成所述待识别的障碍物的分层特征向量；

识别模块，用于根据预先训练的分类器模型和所述待识别的障碍物的分层特征向量，识别所述待识别的障碍物的类别。

进一步可选地，在如上所述的装置中，所述特征向量生成模块，具体用于根据所述待识别的障碍物的点云在各所述分层中的各方向的最大值、最小值和所包括的点数，并参考所述待识别的障碍物的点云的质心的坐标信息和所述待识别的障碍物的点云所包括的总点数中的至少一个，生成所述待识别的障碍物的分层特征向量。

进一步可选地，在如上所述的装置中，还包括：

确定模块，用于根据所述待识别的障碍物的点云的质心的坐标信息，确定所述待识别的障碍物相对于当前车辆的位置。

进一步可选地，在如上所述的装置中，所述特征向量生成模块，具体用于：

根据所述待识别的障碍物的点云在各所述分层中的长度方向的最大值和最小值，获取所述待识别的障碍物的点云在各所述分层中的长度信息；

根据所述待识别的障碍物的点云在各所述分层中的宽度方向的最大值和最小值，获取所述待识别的障碍物的点云在各所述分层中的宽度信息；

根据所述待识别的障碍物的点云在各所述分层中的所述长度信息、所述宽度信息和所包括的点数，生成所述待识别的障碍物的分层特征向量。

进一步可选地，在如上所述的装置中，还包括：

采集模块，用于采集多个已标注待识别的障碍物类别的预设障碍物的点云信息，生成障碍物训练集；

训练模块，用于根据所述障碍物训练集中的所述多个预设障碍物的点云信息，训练所述分类器模型。

进一步可选地，在如上所述的装置中，所述训练模块，具体用于：

将各所述预设障碍物的点云在高度上划分为所述指定层数的分层；获取各所述预设障碍物的点云在各所述分层中的各方向的最大值、最小值和所包括的点数；

根据各所述预设障碍物的点云在各所述分层中的各方向的最大值、最小值和所包括的点数，生成各所述预设障碍物的分层特征向量；分别根据各所述预设障碍物的分层特征向量以及各所述预设障碍物的类别，训练分类器模型，从而确定所述分类器模型。

本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的障碍物识别方法。

本发明还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的障碍物识别方法。

本发明的障碍物识别方法及装置、计算机设备及可读介质，通过将待识别的障碍物的点云在高度上划分为指定层数的分层；获取待识别的障碍物的点云在各分层中的各方向的最大值、最小值和所包括的点数；根据待识别的障碍物的点云在各分层中各方向的最大值、最小值和所包括的点数，生成待识别的障碍物的分层特征向量；根据预先训练的分类器模型和待识别的障碍物的分层特征向量，识别待识别的障碍物的类别。与现有技术中的根据待识别的障碍物点云的大小和局部特征，识别待识别的障碍物的识别方法相比，本发明的技术方案，通过对待识别的障碍物的点云进行剖析，使得待识别的障碍物的分层特征向量中包含更加丰富的待识别的障碍物的信息，并根据预先训练的分类器模型对待识别的障碍物的特征向量进行识别，以确定待识别的障碍物的类别，能够有效地提高对待识别的障碍物的识别准确度，从而能够有效地提高对待识别的障碍物的识别效率。

【附图说明】

图1为本发明的障碍物识别方法实施例的流程图。

图2为本发明的障碍物识别装置实施例一的结构图。

图3为本发明的障碍物识别装置实施例二的结构图。

图4为本发明的计算机设备的结构图。

【具体实施方式】

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

图1为本发明的障碍物识别方法实施例的流程图。如图1所示，本实施例的障碍物识别方法，具体可以包括如下步骤：

100、将待识别的障碍物的点云在高度上划分为指定层数的分层；

本实施例的障碍物识别方法应用在自动驾驶技术领域中。在自动驾驶中，需要车辆能够自动识别道路中的障碍物，以在车辆行驶中及时做出决策与控制，便于车辆的安全行驶。本实施例的障碍物识别方法的执行主体可以为障碍物识别装置，该障碍物识别装置可以采用多个模块集成而得，该障碍物识别装置具体可以设置在自动驾驶的车辆中，以对自动驾驶的车辆进行控制。

本实施例的待识别的障碍物的点云可以采用激光雷达扫射得到的。激光雷达的规格可以采用16线、32线或者64线等等。其中线数越高表示激光雷达的单位能量密度越大。本实施例中的指定层数包括至少两层，具体可以根据障碍物的点云的高低来分，障碍物的点云的高度越高，可以适当分的层数越多，相对来说障碍物的点云的高度越低，分的层数可以越少。由于本实施例是将待识别的障碍物的点云在高度上划分为指定层数的分层，所以本实施例中，在划分时，可以理解为采用多个平行于水平面的xy平面将障碍物的点云在高度方向上进行切分。优选地，本实施例中，待识别的障碍物的点云在高度上是以均匀的方式划分，即划分后的各分层中的点云的高度相等。

101、获取待识别的障碍物的点云在各分层中的各方向的最大值、最小值和所包括的点数；

本实施例中的待识别的障碍物的点云中每一个点都有坐标。对应的所使用的坐标系的原点为当前载有激光雷达的车辆的质心位置。这样，检测得到的待识别障碍物的点云中的每一个点，均可以以车辆的质心位置为原点，对应标识的一个坐标点。根据障碍物的点云中所有点的坐标，可以从中确定该障碍物的点云在长度方向上的最大值ymax和最小值ymin，宽度方向上的最大值xmax和最小值xmin，以及高度方向上的最大值zmax和最小值zmin，然后可以取该障碍物的长等于点云中最大的长减去最小长ymax-ymin，该障碍物的宽等于点云中的最大宽减去最小宽xmax-xmin，该障碍物的高等于点云中的最大高减去最小高zmax-zmin。按照同样的方式，采用上述步骤100对障碍物的点云进行分层之后，可以获取到该障碍物的点云的每个分层中长度方向的最大长度值、最小长度值，以及宽度方向的最大宽度值、最小宽度值。同时，还可以获取到每一个分层的点云中所包括的点数。

102、根据待识别的障碍物的点云在各分层中各方向的最大值、最小值和所包括的点数，生成待识别的障碍物的分层特征向量；

本实施例中，可以直接根据各分层中各方向的最大值、最小值和所包括的点数，生成待识别障碍物的分层特征向量。例如当待识别的障碍物点云包括10个分层时，每一个分层包括长度方向的最大值、最小值、宽度方向的最大值，最小值、以及该分层点云包括的点数，共5个特征；那么10个分层，可以共包括50个特征，这50个特征可以排列成一行，共同组成该待识别的障碍物的分层特征向量。

另外，可选地，本实施例中，该步骤102还可以包括如下步骤：

(a1)根据待识别的障碍物的点云在各分层中的长度方向的最大值和最小值，获取待识别的障碍物的点云在各分层中的长度信息；

具体地，待识别的障碍物的点云在各分层中的长度等于待识别的障碍物的点云在该分层中的长度方向的最大值减去最小值。

(a2)根据待识别的障碍物的点云在各分层中的宽度方向的最大值和最小值，获取待识别的障碍物的点云在各分层中的宽度信息；

具体地，待识别的障碍物的点云在各分层中的宽度等于待识别的障碍物的点云在该分层中的宽度方向的最大值减去最小值。

(a3)根据待识别的障碍物的点云在各分层中的长度信息、宽度信息和所包括的点数，生成待识别的障碍物的分层特征向量。

此时，根据待识别的障碍物的点云在各分层中的长度、宽度以及所包括的点数，也可以生成待识别的障碍物的分层特征向量。同理，当待识别的障碍物点云包括10个分层时，每一个分层仅包括3个特征。那么10个分层，可以共包括30个特征，这30个特征可以排列成一行，共同组成该待识别的障碍物的分层特征向量。

进一步可选地，本实施例中的步骤102，具体还可以为：根据待识别的障碍物的点云在各分层中的各方向的最大值、最小值和所包括的点数，并参考待识别的障碍物的点云的质心的坐标信息和待识别的障碍物的点云所包括的总点数中的至少一个，生成待识别的障碍物的分层特征向量。

也就是说，在上述技术方案的基础上，在生成待识别的障碍物的分层特征向量的时候，还可以加上待识别的障碍物的点云的质心的坐标信息和待识别的障碍物的点云所包括的总点数中的至少一个。这样，在步骤“根据待识别的障碍物的点云在各分层中的各方向的最大值、最小值和所包括的点数，并参考待识别的障碍物的点云的质心的坐标信息和待识别的障碍物的点云所包括的总点数中的至少一个，生成待识别的障碍物的分层特征向量”之前，需要先获取待识别的障碍物的点云的质心的坐标信息和待识别的障碍物的点云所包括的总点数。具体地，在激光雷达检测到待识别障碍物的点云时，可以获取到该待识别的障碍物的点云的质心坐标，该质心坐标可以包括该待识别的障碍物的质心在当前坐标系中的长、宽以及高的值。另外，该待识别的障碍物的点云所包括的总点数为该待识别的障碍物在被分层前，整个待识别障碍物的点云的总点数。该待识别的障碍物的点云所包括的总点数应该等于各分层所包括的点云的数量之和。在在激光雷达检测到待识别障碍物的点云时，也可以获取到该待识别的障碍物的点云所包括的总点数。

例如，在直接根据各分层中各方向的最大值、最小值和所包括的点数，生成待识别障碍物的分层特征向量时，生成待识别障碍物的分层特征向量，除了包括每一分层的长度方向的最大值、最小值、宽度方向的最大值，最小值、以及该分层点云包括的点数5个特征之外，还可以包括该待识别的障碍物的质心的长、宽和高3个特征，这样，当待识别的障碍物的点云共包括10个分层时，生成的待识别障碍物的分层特征向量可以共包括以上5*10+3＝53个特征。或者生成待识别障碍物的分层特征向量，除了包括每一分层的5个特征之外，还可以包括该待识别的障碍物的点云所包括的总点数。这样，当待识别的障碍物的点云共包括10个分层时，生成的待识别障碍物的分层特征向量可以共包括以上5*10+1＝51个特征。或者，生成待识别障碍物的分层特征向量，除了包括每一分层的5个特征之外，还同时包括该待识别的障碍物的质心的长、宽和高3个特征，以及该待识别的障碍物的点云所包括的总点数。这样，当待识别的障碍物的点云共包括10个分层时，生成的待识别障碍物的分层特征向量可以共包括以上5*10+3+1＝54个特征。

另外，当通过上述步骤(a1)、(a2)和(a3)，根据待识别的障碍物的点云在各分层中的长度、宽度以及所包括的点数，便可以生成待识别的障碍物的分层特征向量时，生成待识别障碍物的分层特征向量，除了包括每一分层的长度、宽度以及该分层点云包括的点数3个特征之外，还可以包括该待识别的障碍物的质心的长、宽和高3个特征，这样，当待识别的障碍物的点云共包括10个分层时，生成的待识别障碍物的分层特征向量可以共包括以上3*10+3＝33个特征。或者生成待识别障碍物的分层特征向量，除了包括每一分层的3个特征之外，还可以包括该待识别的障碍物的点云所包括的总点数。这样，当待识别的障碍物的点云共包括10个分层时，生成的待识别障碍物的分层特征向量可以共包括以上3*10+1＝31个特征。或者，生成待识别障碍物的分层特征向量，除了包括每一分层的3个特征之外，还同时包括该待识别的障碍物的质心的长、宽和高3个特征，以及该待识别的障碍物的点云所包括的总点数。这样，当待识别的障碍物的点云共包括10个分层时，生成的待识别障碍物的分层特征向量可以共包括以上3*10+3+1＝34个特征。

实际使用中，生成待识别的障碍物的分层特征向量除了包括上述方式之外，还可以根据待识别障碍物的其它特征信息，如距离当前车辆的距离等等，相应扩展待识别的障碍物的分层特征向量所包括的特征的数量，同样可以实现对待识别的障碍物进行识别。

进一步可选地，本实施例中，在获取到待识别的障碍物的点云的质心的坐标信息之后，还可以根据该待识别的障碍物的质心的坐标信息计算该待识别的障碍物距离坐标系原点即车辆的质心位置的距离，从而可以确定该待识别的障碍物相对于当前车辆的位置，即该待识别的障碍物在当前车辆的哪个方位多远的距离处，便于自己驾驶的车辆根据该待识别的障碍物相对于当前车辆的位置，及时做出控制，保证车辆的行驶安全。

103、根据预先训练的分类器模型和待识别的障碍物的分层特征向量，识别待识别的障碍物的类别。

本实施例中，预先训练有分类器模型，该分类器模型的输入可以为障碍物的分层特征向量，输出可以为障碍物的类别。这样，向该分类器模型输入上述实施例获取的待识别的障碍物的分层特征向量，该分类器模型输出的类别即为该待识别的障碍物的类别。可选地，本实施例中，可以将待识别的障碍物的类别分为行人、自行车、小汽车、大汽车或者其它类别。在对障碍物进行识别时，不确定的障碍物的类别都识别为其他类别。而且根据实际应用中，道路中出现的新的交通工具，还可以逐步增加障碍物的类别，并根据无数条该类别的障碍物的点云信息对分类器模型进行更新训练，使得更新后的分类器模型也可以对新增加类别的障碍物进行识别。

该分类器模型在预先的训练时，可以采用一些已经标注了类别的障碍物的点云信息进行训练，例如，该步骤103之前，具体可以包括如下步骤：

(b1)采集多个已标注类别的预设障碍物的点云信息，生成障碍物训练集；

(b2)根据障碍物训练集中的多个预设障碍物的点云信息，训练分类器模型。

本实施例中障碍物训练集中包括的预设障碍物的点云信息的条数可以很多，例如5000以上或者上万或者更多，障碍物训练集中包括的预设障碍物的点云信息的条数越多，训练的分类器模型时，确定的分类器模型的参数越准确，后续根据分类器模型识别待识别的障碍物的类别便越准确。

例如，该步骤(b2)，具体可以包括如下步骤：

(c1)将各预设障碍物的点云在高度上划分为指定层数的分层；

(c2)获取各预设障碍物的点云在各分层中的各方向的最大值、最小值和所包括的点数；

(c3)根据各预设障碍物的点云在各分层中的各方向的最大值、最小值和所包括的点数，生成各预设障碍物的分层特征向量；

(c4)分别根据各预设障碍物的分层特征向量以及各预设障碍物的类别，训练分类器模型，从而确定分类器模型。

本实施例中，步骤(c1)-(c3)的实施过程详细可以参考上述步骤100-102的实施过程。也就是说，在训练分类器模型时，生成各预设障碍物的分层特征向量的生成方式，与上述使用分类器模型识别待识别的障碍物类别的过程中生成待识别的障碍物的分层特征向量的生成方式是相同的；得到的预设障碍物的分层特征向量所包含的特征的数量与待识别的障碍物的分层特征向量所包含的特征的数量是相同的。且实际应用中，预设障碍物的分层特征向量所包含的特征的数量越多，对应的预设障碍物的特征越丰富，得到的分类器模型越准确，在对待识别的障碍物进行识别时，获取的待识别的障碍物的分层特征向量也需要包括同样数量的特征，这样，待识别的障碍物的特征也比较丰富，使用分类器模型对待识别的障碍物的识别也比较准确。其中，需要注意的是，在识别待识别障碍物时，将待识别的障碍物的点云在高度上划分的指定层数，与在训练分类器模型时，将各预设障碍物的点云在高度上划分的指定层数必须是相同的。而且在识别待识别障碍物时，获取待识别的障碍物的点云所采用的激光雷达的规格，也需要与在训练时获取的各预设障碍物的点云的所采用的激光雷达的规格相同，否则会造成点云所包括的点数不在一个级别，无法对待识别的障碍物进行准确地识别。

最后，根据各预设障碍物的分层特征向量和各预设障碍物的类别对分类器模型进行训练，使得分类器模型在输入预设障碍物的分层特征向量的时候，能够输出预设障碍物的类别。训练时，因为已经知道预障碍物的类别，若输入预设障碍物的分层特征向量，输出的预设障碍物的类别不符合预先知道的预障碍物的类别，可以对分类器的模型的参数进行调整，使得分类器模型输出的预设障碍物的类别与预先知道的预设障碍物的类别相符合。经过使用障碍物训练集中的无数条的预设障碍物的点云信息，采用上述步骤(c1)-(c4)对该分类器模型进行训练，可以确定该分类器模型的参数，从而确定该分类器模型。此时若将待识别的障碍物的分层特征向量输入至已经确定的分类器模型中，该分类器模型便可以准确输入该待识别的障碍物的类别。

本实施例的分类器模型可以为随机森林模型、决策树模型、逻辑回归模型、、支持向量机(Support Vector Machine；SVM)模型以及神经网络模型中的任意一种，在此不做限定。

通过采用本实施例的障碍物识别方法，自动驾驶的车辆通过激光雷达扫描到待识别的障碍物的点云之后，便可以根据上述的障碍物识别方法对待识别的障碍物进行识别，进一步可以根据障碍物的类别控制车辆的行驶，例如控制车辆避让障碍物，从而有效地增加了自动驾驶的车辆的行驶安全。

本实施例的障碍物识别方法，通过将待识别的障碍物的点云在高度上划分为指定层数的分层；获取待识别的障碍物的点云在各分层中的各方向的最大值、最小值和所包括的点数；根据待识别的障碍物的点云在各分层中各方向的最大值、最小值和所包括的点数，生成待识别的障碍物的分层特征向量；根据预先训练的分类器模型和待识别的障碍物的分层特征向量，识别待识别的障碍物的类别。与现有技术中的根据待识别的障碍物点云的大小和局部特征，识别待识别的障碍物的识别方法相比，本实施例的技术方案，通过对待识别的障碍物的点云进行剖析，使得待识别的障碍物的分层特征向量中包含更加丰富的待识别的障碍物的信息，并根据预先训练的分类器模型对待识别的障碍物的特征向量进行识别，以确定待识别的障碍物的类别，能够有效地提高对待识别的障碍物的识别准确度，从而能够有效地提高对待识别的障碍物的识别效率。

图2为本发明的障碍物识别装置实施例一的结构图。如图2所示，本实施例的障碍物识别装置，具体可以包括：划分模块10、获取模块11、特征向量生成模块12和识别模块13。

其中划分模块10用于将待识别的障碍物的点云在高度上划分为指定层数的分层；该指定层数包括至少两层；获取模块11用于获取划分模块10划分之后，待识别的障碍物的点云在各分层中的各方向的最大值、最小值和所包括的点数；特征向量生成模块12用于根据获取模块11获取的待识别的障碍物的点云在各分层中的各方向的最大值、最小值和所包括的点数，生成待识别的障碍物的分层特征向量；识别模块13用于根据预先训练的分类器模型和特征向量生成模块12生成的待识别的障碍物的分层特征向量，识别待识别的障碍物的类别。

本实施例的障碍物识别装置，通过采用上述模块实现对待识别的障碍物进行识别，与上述相关方法实施例的实现原理与技术效果相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。

图3为本发明的障碍物识别装置实施例二的结构图。如图3所示，本实施例的障碍物识别装置，在上述图2所示实施例的技术方案的基础上，进一步更加详细地描述本发明的技术方案。

本实施例的障碍物识别装置中，特征向量生成模块12具体用于根据获取模块11获取的待识别的障碍物的点云在各分层中的各方向的最大值、最小值和所包括的点数，并参考待识别的障碍物的点云的质心的坐标信息和待识别的障碍物的点云所包括的总点数中的至少一个，生成待识别的障碍物的分层特征向量。

进一步可选地，本实施例的障碍物识别装置中还包括：确定模块14。

其中获取模块11还用于获取待识别的障碍物的点云的质心的坐标信息和待识别的障碍物的点云所包括的总点数；

对应的，特征向量生成模块12具体用于根据获取模块11获取的待识别的障碍物的点云在各分层中的各方向的最大值、最小值和所包括的点数，并参考获取模块11获取的待识别的障碍物的点云的质心的坐标信息和待识别的障碍物的点云所包括的总点数中的至少一个，生成待识别的障碍物的分层特征向量。

确定模块14用于根据获取模块11获取的待识别的障碍物的点云的质心的坐标信息，确定待识别的障碍物相对于当前车辆的位置。

进一步可选地，本实施例的障碍物识别装置中特征向量生成模块12具体用于：

根据待识别的障碍物的点云在各分层中的长度方向的最大值和最小值，获取待识别的障碍物的点云在各分层中的长度信息；

根据待识别的障碍物的点云在各分层中的宽度方向的最大值和最小值，获取待识别的障碍物的点云在各分层中的宽度信息；

根据待识别的障碍物的点云在各分层中的长度信息、宽度信息和所包括的点数，生成待识别的障碍物的分层特征向量。

进一步可选地，本实施例的障碍物识别装置中，还包括：

采集模块15用于采集多个已标注待识别的障碍物类别的预设障碍物的点云信息，生成障碍物训练集；

训练模块16用于根据采集模块15采集的障碍物训练集中的多个预设障碍物的点云信息，训练分类器模型。

对应地，识别模块13用于根据训练模块16预先训练的分类器模型和特征向量生成模块12生成的待识别的障碍物的分层特征向量，识别待识别的障碍物的类别。

进一步可选地，本实施例的障碍物识别装置中，训练模块16具体用于：

将各预设障碍物的点云在高度上划分为指定层数的分层；获取各预设障碍物的点云在各分层中的各方向的最大值、最小值和所包括的点数；

根据各预设障碍物的点云在各分层中的各方向的最大值、最小值和所包括的点数，生成各预设障碍物的分层特征向量；分别根据各预设障碍物的分层特征向量以及各预设障碍物的类别，训练分类器模型，从而确定分类器模型。

本实施例的障碍物识别装置，通过采用上述模块实现对待识别的障碍物进行识别，与上述相关方法实施例的实现原理与技术效果相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。

本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如上述实施例所示的障碍物识别方法。

例如，图4为本发明提供的一种计算机设备的结构图。图4示出了适于用来实现本发明实施方式的示例性计算机设备12a的框图。图4显示的计算机设备12a仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，计算机设备12a以通用计算设备的形式表现。计算机设备12a的组件可以包括但不限于：一个或者多个处理器或者处理器16a，系统存储器28a，连接不同系统组件(包括系统存储器28a和处理器16a)的总线18a。

总线18a表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机设备12a典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12a访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28a可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30a和/或高速缓存存储器32a。计算机设备12a可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34a可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18a相连。存储器28a可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明上述图1-图3各实施例的功能。

具有一组(至少一个)程序模块42a的程序/实用工具40a，可以存储在例如存储器28a中，这样的程序模块42a包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42a通常执行本发明所描述的上述图1-图3各实施例中的功能和/或方法。

计算机设备12a也可以与一个或多个外部设备14a(例如键盘、指向设备、显示器24a等)通信，还可与一个或者多个使得用户能与该计算机设备12a交互的设备通信，和/或与使得该计算机设备12a能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22a进行。并且，计算机设备12a还可以通过网络适配器20a与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20a通过总线18a与计算机设备12a的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12a使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理器16a通过运行存储在系统存储器28a中的程序，从而执行各种功能应用以及数据处理，例如实现上述实施例所示的障碍物识别方法。

本发明还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例所示的障碍物识别方法。

本实施例的计算机可读介质可以包括上述图4所示实施例中的系统存储器28a中的RAM30a、和/或高速缓存存储器32a、和/或存储系统34a。

随着科技的发展，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载，或者采用其他方式获取。因此，本实施例中的计算机可读介质不仅可以包括有形的介质，还可以包括无形的介质。

本实施例的计算机可读介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。