一种点云数据处理方法和装置与流程
本申请涉及数据处理技术领域，尤其涉及一种点云数据处理方法和装置。
背景技术：
目前，激光雷达等探测设备已经在扫地机器人、自动驾驶等领域得到了广泛应用，探测设备采集的数据通常是呈现为云状的探测点，因此也被称为点云数据。点云数据一旦出现异常，就会对业务产生极大影响，但目前缺少对点云数据异常的有效处理方式。
技术实现要素：
本申请实施例提供一种点云数据处理方法和装置，以自适应多场景下的异常点云数据的识别。
本申请实施例采用下述技术方案：
第一方面，本申请实施例提供一种点云数据处理方法，包括：将多帧点云数据形成的序列作为样本数据；根据样本数据中的单帧点云数据确定第一级特征；根据样本数据中相邻帧点云数据的帧间关系确定第二级特征；利用第一级特征和第二级特征对孤立森林模型进行训练；利用训练得到的孤立森林模型，确定待检测的点云数据是否为异常数据。
在一些实施例中，将多帧点云数据形成的序列作为样本数据包括：获取激光雷达采集的多帧点云数据，点云数据中的探测点能够表征雷达与障碍物之间的距离；按照点云数据的采集时间确定点云数据在序列中的位置，得到由多帧点云数据形成的序列。
在一些实施例中，根据样本数据中的单帧点云数据确定第一级特征包括：将单帧点云数据进行归一化处理，得到第一级特征。
在一些实施例中，根据样本数据中相邻帧点云数据的帧间关系确定第二级特征包括：确定相邻两帧点云数据的帧间距离，将帧间距离作为第二级特征。
在一些实施例中，利用第一级特征和第二级特征对孤立森林模型进行训练包括：将第一级特征输入到孤立森林模型，对孤立森林模型的各孤立树进行训练；将第二级特征输入到利用第一级特征训练后的孤立森林模型，再次对各孤立树进行训练。
在一些实施例中，将第二级特征输入到利用第一级特征训练后的孤立森林模型，再次对各孤立树进行训练包括：根据相邻帧点云数据的相对旋转角度和相对平移设置第二级特征的目标函数，根据目标函数对各孤立树进行训练。
在一些实施例中，目标函数为
在一些实施例中，利用训练得到的孤立森林模型，确定待检测的点云数据是否为异常数据包括：将待检测的点云数据、待检测的点云数据的前m帧点云数据以及待检测的点云数据的后m帧点云数据作为目标点云数据，将目标点云数据输入到训练得到的孤立森林模型中，得到目标点云数据的异常分数；若异常分数趋近于预设值，则待检测的点云数据为异常数据，否则待检测的点云数据为正常数据。
在一些实施例中，方法还包括：若待检测的点云数据为异常数据，则根据待检测的点云数据的前m帧点云数据以及待检测的点云数据的后m帧点云数据进行插值计算，得到待检测的点云数据的替代数据。
第二方面，本申请实施例还提供一种点云数据处理装置，用于实现如上任一所述点云数据处理方法。
第三方面，本申请实施例还提供一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，可执行指令在被执行时使处理器执行如上任一所述的点云数据处理方法。
第四方面，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质存储一个或多个程序，一个或多个程序当被包括多个应用程序的电子设备执行时，使得电子设备执行如上任一所述的点云数据处理方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：利用多帧点云数据形成的序列作为样本数据进行孤立森林模型的训练，在训练时不仅考虑根据单帧点云数据确定的第一级特征，还考虑了根据样本数据中相邻帧点云数据的帧间关系确定的第二级特征，能够有效、快速地检测出点云数据是否是异常数据，检测时不需要利用预设检测阈值，减少了人为经验值的干扰，适用场景广泛，检测的精度和泛用性更高。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了根据本申请一个实施例的一种点云数据处理方法的流程示意图；
图2示出了一帧点云数据的直角坐标表示示意图；
图3示出了异常分数s与点云数据k在一批孤立树中的平均路径长度的期望e(h(k))的关系示意图；
图4示出了根据本申请一个实施例的一种点云数据处理装置的结构示意图；
图5为本申请实施例中一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的技术构思在于，利用训练得到的孤立森林模型来进行点云的检测，由于孤立森林模型不需要人工标注，避免了人为经验值的干扰；并且训练孤立森林模型时使用两级特征，既考虑了单帧点云数据的特点，也结合点云数据的采集方式，考虑了点云数据的帧间关系，从而增强了孤立森林模型的精度。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1示出了根据本申请一个实施例的一种点云数据处理方法的流程示意图。如图1所示，该方法包括：
步骤s110，将多帧点云数据形成的序列作为样本数据。点云数据就是多个探测点形成的集合。例如对于激光雷达来说，激光雷达按照最大扫描角度旋转扫描一周，即完成了一次扫描，得到一帧点云数据。如果激光雷达的帧率为10hz，那么也就是一秒可以旋转10周，得到10帧点云数据。
步骤s120，根据样本数据中的单帧点云数据确定第一级特征。
步骤s130，根据样本数据中相邻帧点云数据的帧间关系确定第二级特征。
发明人发现，点云数据异常，通常是由于场景中物体对返回的探测点产生了干扰，或者探测器本身出现异常。当一帧点云数据中某个局部角度范围的探测点异常，或者是某几个单独角度范围内的探测点异常，也就使点云数据成为了异常数据，也称为异常点云帧。
在目前的技术水平下，一般不会出现连续的异常点云帧；并且，由于激光雷达通常不会在两帧点云数据采集间隔内产生较大位移，相邻帧点云数据探测的障碍物就具有连续性。因此，考虑相邻帧点云数据的帧间关系就显得尤为重要，本申请中基于这一点，根据相邻帧点云数据的帧间关系来确定第二级特征。
步骤s140，利用第一级特征和第二级特征对孤立森林模型进行训练。
这里需要说明的是，第一级特征和第二级特征仅是用于两类特征的区分，而不代表特征在训练时被使用的先后顺序。
无论是第一级特征还是第二级特征，都可以采用如下的训练流程：对于输入到孤立森林模型中的特征，先随机选择n个点作为子样本，放入一棵孤立树的根节点；随机指定一个维度，在当前节点数据范围内，随机产生一个切割点p(切割点产生于当前节点数据中指定维度的最大值与最小值之间)；此切割点的选取生成了一个超平面，将当前节点数据空间切分为2个子空间：把当前所选维度下小于p的点放在当前节点的左分支，把大于等于p的点放在当前节点的右分支；在节点的左分支和右分支节点递归上述步骤，不断构造新的叶子节点，直到叶子节点上只有一个数据(无法再继续切割)或树已经生长到了所设定的高度。
步骤s150，利用训练得到的孤立森林模型，确定待检测的点云数据是否为异常数据。
可见，图1所示的方法，利用多帧点云数据形成的序列作为样本数据进行孤立森林模型的训练，在训练时不仅考虑根据单帧点云数据确定的第一级特征，还考虑了根据样本数据中相邻帧点云数据的帧间关系确定的第二级特征，能够有效、快速地检测出点云数据是否是异常数据，检测时不需要利用预设检测阈值，减少了人为经验值的干扰，适用场景广泛，检测的精度和泛用性更高。
在一些实施例中，将多帧点云数据形成的序列作为样本数据包括：获取激光雷达采集的多帧点云数据，点云数据中的探测点能够表征雷达与障碍物之间的距离；按照点云数据的采集时间确定点云数据在序列中的位置，得到由多帧点云数据形成的序列。
如前所述，由于障碍物的位置在连续采集的点云数据中具有连续性，因此按照点云数据的采集时间来确定点云数据在序列中的位置，能够更好地根据帧间关系确定出异常点云数据的特征。
在一些实施例中，根据样本数据中的单帧点云数据确定第一级特征包括：将单帧点云数据进行归一化处理，得到第一级特征。
点云数据是由多个探测点组成，这些探测点能够表征雷达与障碍物之间的距离，但形成的范围较大，直接作为特征进行训练会降低效率，因此通过进行归一化处理，能够得到便于孤立森林模型训练所使用的特征。
由于激光雷达是通过旋转扫描得到点云数据，因此探测点通常是以极坐标形式表示的，为了便于后续的孤立森林模型训练，可以进行坐标变换，得到直角坐标形式的探测点，如图2所示。例如第一级特征就可以是对单帧点云数据中各探测点的直角坐标归一化得到的张量。
在一些实施例中，根据样本数据中相邻帧点云数据的帧间关系确定第二级特征包括：确定相邻两帧点云数据的帧间距离，将帧间距离作为第二级特征。
在一些没有采用孤立森林模型的方案中，可以通过计算帧间距离，与人为设定的距离阈值进行比较来进行异常点云数据的检测，但是缺点如前所述，过于依赖人为经验，并且通常不同场景需要设置不同的距离阈值，泛用性差。本申请中则是将帧间距离作为帧间关系的一种体现，将帧间距离作为第二级特征进行孤立森林模型的训练，既保留了帧间距离和异常点云数据的语义联系，又减少了人为经验值的干扰。
在一些实施例中，利用第一级特征和第二级特征对孤立森林模型进行训练包括：将第一级特征输入到孤立森林模型，对孤立森林模型的各孤立树进行训练；将第二级特征输入到利用第一级特征训练后的孤立森林模型，再次对各孤立树进行训练。
虽然在训练孤立森林模型时，第一级特征和第二级特征的使用可以没有先后顺序的要求，也可以并行实现训练，但是发明人经过试验发现，先利用第一级特征对孤立森林模型的各孤立树进行训练，达到目标后，再将第二级特征输入到利用第一级特征训练后的孤立森林模型，这样最终得到的孤立森林模型的检测效果更好。
在一些实施例中，将第二级特征输入到利用第一级特征训练后的孤立森林模型，再次对各孤立树进行训练包括：根据相邻帧点云数据的相对旋转角度和相对平移设置第二级特征的目标函数，根据目标函数对各孤立树进行训练。
前面提到，障碍物的位置在连续采集的点云数据中具有连续性。例如，如果激光雷达和障碍物都保持不动，则连续两帧点云数据应该理论上是相同的。现实场景中，往往是激光雷达架设于一可移动物上，例如自动驾驶汽车、扫地机器人上。因此，不考虑激光雷达系统和环境等因素造成的误差，基于刚体的旋转平移运动，可以确定两帧点云数据的运动变化关系。
基于这一点，本申请实施例设置了基于相邻帧点云数据的相对旋转角度和相对平移的目标函数。
在一些实施例中，目标函数为
基于此，将两帧点云间的距离δu＝uk+1-uk作为第二级特征，目标函数为f(r,t)送入经过第一级特征训练后的孤立森林算法模型，对数据进行单棵孤立树的训练，训练流程同样可以参照前述实施例中所述，此处不做赘述。
在一些实施例中，利用训练得到的孤立森林模型，确定待检测的点云数据是否为异常数据包括：将待检测的点云数据、待检测的点云数据的前m帧点云数据以及待检测的点云数据的后m帧点云数据作为目标点云数据，将目标点云数据输入到训练得到的孤立森林模型中，得到目标点云数据的异常分数；若异常分数趋近于预设值，则待检测的点云数据为异常数据，否则待检测的点云数据为正常数据。
孤立树为每一帧点云数据计算异常分数。点云数据第k帧的异常分数为
由此，可以根据异常分数进行点云数据是否为异常点云数据的判断。
当e(h(k))→c(n)时，s→0.5，即样本k的路径平均长度与树的平均路径长度相近时，则不能区分是不是异常，此场景归为正常帧点云数据。
当e(h(k))→0时，s→1，即k的异常分数接近1时，被判定为异常帧点云数据。
当e(h(k))→n-1时，s→0，被判定为正常帧点云数据。
在一些实施例中，方法还包括：若待检测的点云数据为异常数据，则根据待检测的点云数据的前m帧点云数据以及待检测的点云数据的后m帧点云数据进行插值计算，得到待检测的点云数据的替代数据。这样，就能够替换异常数据，确保后续导航或其他应用场景对点云数据使用的准确性。
本申请的实施例还提供了一种点云数据处理装置，用于实现如上任一所述的点云数据处理方法。
具体地，图4示出了根据本申请一个实施例的一种点云数据处理装置的结构示意图。如图4所示，点云数据处理装置400包括：
样本数据单元410，用于将多帧点云数据形成的序列作为样本数据。
特征单元420，用于根据样本数据中的单帧点云数据确定第一级特征，根据样本数据中相邻帧点云数据的帧间关系确定第二级特征。
训练单元430，用于利用第一级特征和第二级特征对孤立森林模型进行训练。
检测单元440，用于利用训练得到的孤立森林模型，确定待检测的点云数据是否为异常数据。
可见，图4所示的装置，利用多帧点云数据形成的序列作为样本数据进行孤立森林模型的训练，在训练时不仅考虑根据单帧点云数据确定的第一级特征，还考虑了根据样本数据中相邻帧点云数据的帧间关系确定的第二级特征，能够有效、快速地检测出点云数据是否是异常数据，检测时不需要利用预设检测阈值，减少了人为经验值的干扰，适用场景广泛，检测的精度和泛用性更高。
在一些实施例中，样本数据单元410，用于获取激光雷达采集的多帧点云数据，点云数据中的探测点能够表征雷达与障碍物之间的距离；按照点云数据的采集时间确定点云数据在序列中的位置，得到由多帧点云数据形成的序列。
在一些实施例中，特征单元420，用于将单帧点云数据进行归一化处理，得到第一级特征。
在一些实施例中，特征单元420，用于确定相邻两帧点云数据的帧间距离，将帧间距离作为第二级特征。
在一些实施例中，训练单元430，用于将第一级特征输入到孤立森林模型，对孤立森林模型的各孤立树进行训练；将第二级特征输入到利用第一级特征训练后的孤立森林模型，再次对各孤立树进行训练。
在一些实施例中，训练单元430，用于根据相邻帧点云数据的相对旋转角度和相对平移设置第二级特征的目标函数，根据目标函数对各孤立树进行训练。
在一些实施例中，目标函数为
在一些实施例中，检测单元440，用于将待检测的点云数据、待检测的点云数据的前m帧点云数据以及待检测的点云数据的后m帧点云数据作为目标点云数据，将目标点云数据输入到训练得到的孤立森林模型中，得到目标点云数据的异常分数；若异常分数趋近于预设值，则待检测的点云数据为异常数据，否则待检测的点云数据为正常数据。
在一些实施例中，装置还包括替代单元，用于若待检测的点云数据为异常数据，则根据待检测的点云数据的前m帧点云数据以及待检测的点云数据的后m帧点云数据进行插值计算，得到待检测的点云数据的替代数据。
能够理解，上述点云数据处理装置，能够实现前述实施例中提供的由清算服务器执行的点云数据处理方法的各个步骤，关于点云数据处理方法的相关阐释均适用于点云数据处理装置，此处不再赘述。
图5是本申请的一个实施例电子设备的结构示意图。请参考图5，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(random-accessmemory，ram)，也可能还包括非易失性存储器(non-volatilememory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是isa(industrystandardarchitecture，工业标准体系结构)总线、pci(peripheralcomponentinterconnect，外设部件互连标准)总线或eisa(extendedindustrystandardarchitecture，扩展工业标准结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成点云数据处理装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
将多帧点云数据形成的序列作为样本数据；根据样本数据中的单帧点云数据确定第一级特征；根据样本数据中相邻帧点云数据的帧间关系确定第二级特征；利用第一级特征和第二级特征对孤立森林模型进行训练；利用训练得到的孤立森林模型，确定待检测的点云数据是否为异常数据。
上述如本申请图1所示实施例揭示的点云数据处理装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(centralprocessingunit，cpu)、网络处理器(networkprocessor，np)等；还可以是数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field－programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图1中点云数据处理装置执行的方法，并实现点云数据处理装置在图1所示实施例的功能，本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图1所示实施例中点云数据处理装置执行的方法，并具体用于执行：
将多帧点云数据形成的序列作为样本数据；根据样本数据中的单帧点云数据确定第一级特征；根据样本数据中相邻帧点云数据的帧间关系确定第二级特征；利用第一级特征和第二级特征对孤立森林模型进行训练；利用训练得到的孤立森林模型，确定待检测的点云数据是否为异常数据。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
- 还没有人留言评论。精彩留言会获得点赞！