Nothing Special   »   [go: up one dir, main page]

CN111340935A - 点云数据处理方法、智能行驶方法及相关装置、电子设备 - Google Patents

点云数据处理方法、智能行驶方法及相关装置、电子设备 Download PDF

Info

Publication number
CN111340935A
CN111340935A CN202010076628.5A CN202010076628A CN111340935A CN 111340935 A CN111340935 A CN 111340935A CN 202010076628 A CN202010076628 A CN 202010076628A CN 111340935 A CN111340935 A CN 111340935A
Authority
CN
China
Prior art keywords
voxel
voxels
neighboring
determining
probability
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010076628.5A
Other languages
English (en)
Inventor
王泰
祝新革
林达华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime Technology Development Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to CN202010076628.5A priority Critical patent/CN111340935A/zh
Publication of CN111340935A publication Critical patent/CN111340935A/zh
Priority to PCT/CN2020/135237 priority patent/WO2021147551A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例公开了一种点云数据处理方法、智能行驶方法及相关装置、电子设备。所述方法包括：将目标场景的点云数据划分为多个相同规格的体素；确定多个体素中非空体素中每个体素的标识，以及确定第一中心体素的相邻体素的初始标识；基于各个体素中包含的点的数量，确定第一中心体素的至少部分相邻体素转移至其他体素的标识；基于未转移的相邻体素的初始标识和相邻体素转移至其他体素的标识，确定第一中心体素的相邻体素的目标标识；基于第一中心体素包含的点以及第一中心体素的相邻体素的目标标识对应的体素包含的点，确定第一中心体素的特征；根据点云数据的特征，对点云数据进行处理，点云数据的特征根据各个第一中心体素的特征确定。

Description

点云数据处理方法、智能行驶方法及相关装置、电子设备
技术领域
本发明涉及计算机应用技术领域，具体涉及一种点云数据处理方法、智能行驶方法及相关装置、电子设备。
背景技术
激光雷达已广泛应用于驾驶员辅助或自动驾驶系统，它通过反射的激光感知环境，并产生三维点云数据输出。与传统的三维数据相比，例如由三维扫描仪获得的用于物体建模的三维点云数据，由激光雷达得到的三维点云数据通常更加稀疏和不规则，因此这种场景下对特征的提取，可能会带来精度不高或计算复杂的问题。
发明内容
为解决现有存在的技术问题，本发明实施例提供一种点云数据处理方法、智能行驶方法及相关装置、电子设备。
为达到上述目的，本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种点云数据处理方法，所述方法包括：
将目标场景的点云数据划分为多个相同规格的体素；
确定多个体素中非空体素中每个体素的标识，以及确定第一中心体素的相邻体素的初始标识；所述第一中心体素为所述非空体素中的任一体素；
基于各个体素中包含的点的数量，确定所述第一中心体素的至少部分相邻体素转移至其他体素的标识；
基于未转移的相邻体素的初始标识和相邻体素转移至其他体素的标识，确定所述第一中心体素的相邻体素的目标标识；
基于所述第一中心体素包含的点以及所述第一中心体素的相邻体素的目标标识对应的体素包含的点，确定所述第一中心体素的特征；
根据所述点云数据的特征，对所述点云数据进行处理，其中，所述点云数据的特征根据各个第一中心体素的特征确定。
上述方案中，所述基于各个体素中包含的点的数量，确定所述第一中心体素的至少部分相邻体素转移至其他体素的标识，包括：
基于第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的标识；所述第一相邻体素为所述第一中心体素的多个相邻体素中的任一相邻体素。
上述方案中，所述基于第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的标识，包括：
基于所述第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的概率；
基于所述第一相邻体素中包含的点的数量确定所述第一相邻体素至所述其他体素的移动步数；
基于所述概率和所述移动步数确定所述第一相邻体素转移至其他体素的标识。
上述方案中，所述将目标场景的点云数据划分为多个相同规格的体素，包括：
将目标场景的点云数据按照至少两种分辨率进行划分，获得分别对应各分辨率的多个相同规格的体素；其中，所述至少两种分辨率中的第二分辨率对应的体素的大小为第一分辨率对应的体素的大小的整数倍；
所述确定多个体素中非空体素中每个体素的标识，以及确定第一中心体素的相邻体素的初始标识，包括：
在所述第一分辨率划分的多个体素情况下，确定多个体素中非空体素中每个体素的第一标识，在所述第二分辨率划分的多个体素情况下，确定多个体素中非空体素中每个体素的第二标识；
在所述第一分辨率划分的多个体素情况下，确定所述第一中心体素的各个相邻体素的第一初始标识，以及各个所述第一初始标识在所述第二分辨率划分的多个体素情况下对应的第二初始标识；所述第一初始标识对应的第一体素在所述第二初始标识对应的第二体素的范围内。
上述方案中，所述基于各个体素中包含的点的数量，确定所述第一中心体素的至少部分相邻体素转移至其他体素的标识，包括：
在所述第一分辨率划分的多个体素情况下，基于第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的概率；所述第一相邻体素为所述第一中心体素的多个相邻体素中的任一相邻体素；
基于所述第一相邻体素中包含的点的数量确定所述第一相邻体素转移至所述其他体素的移动步数；
获得所述第一相邻体素由所述第一分辨率转换至所述第二分辨率的第一转移概率、以及由所述第二分辨率转移至所述第一分辨率的第二转移概率；
基于所述概率、所述移动步数、所述第一转移概率和所述第二转移概率确定所述第一相邻体素转移至其他体素的标识。
上述方案中，所述基于第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的概率，包括：
基于所述第一相邻体素中包含的点的数量确定所述第一相邻体素执行转移的第一概率；所述第一概率的大小与所述第一相邻体素中包含的点的数量呈负相关关系；
在所述移动步数内，基于第i步的体素i的各个相邻体素中包含的点的数量以及由第i步转移至第i+1步的体素i+1中包含的点的数量，确定所述体素i转移至所述体素i+1的第二概率；i+1为小于等于所述移动步数的正整数。
上述方案中，所述基于所述概率和所述移动步数确定所述第一相邻体素转移至其他体素的标识，包括：
基于所述第一概率、所述移动步数和所述第二概率，确定所述第一相邻体素转移至其他体素的标识。
上述方案中，所述基于所述概率、所述移动步数、所述第一转移概率和所述第二转移概率确定所述第一相邻体素转移至其他体素的标识，包括：
基于所述第一概率、所述移动步数和所述第二概率、所述移动步数、所述第一转移概率和所述第二转移概率确定所述第一相邻体素转移至其他体素的标识。
上述方案中，所述基于所述第一中心体素包含的点以及所述第一中心体素的相邻体素的目标标识对应的体素包含的点，确定所述第一中心体素的特征，包括：
对所述第一中心体素以及所述第一中心体素的相邻体素的目标标识对应的各个体素包含的点进行特征提取，将提取的特征确定为所述第一中心体素的特征。
上述方案中，所述基于所述第一中心体素包含的点以及所述第一中心体素的相邻体素的目标标识对应的体素包含的点，确定所述第一中心体素的特征，包括：
对所述第一中心体素包含的点进行特征提取，获得第一特征；
对所述第一中心体素的相邻体素的目标标识对应的各个体素包含的点进行特征提取，获得多个第二特征；
基于所述第一特征和所述多个第二特征生成第三特征，将所述第三特征确定为所述第一中心体素的特征。
本发明实施例还提供了一种智能行驶方法，所述方法包括：
利用本发明实施例任一项所述的点云数据处理方法对道路场景的点云数据进行处理，得到所述道路场景的点云数据的处理结果；
根据所述道路场景的点云数据的处理结果，对采集所述道路场景的点云数据的智能行驶设备进行控制。
本发明实施例还提供了一种点云数据处理装置，所述装置包括：划分单元、转移单元、编码单元和数据处理单元；其中，
所述划分单元，用于将目标场景的点云数据划分为多个相同规格的体素；确定多个体素中非空体素中每个体素的标识，以及确定第一中心体素的相邻体素的初始标识；所述第一中心体素为所述非空体素中的任一体素；
所述转移单元，用于基于各个体素中包含的点的数量，确定所述第一中心体素的至少部分相邻体素转移至其他体素的标识；基于未转移的相邻体素的初始标识和相邻体素转移至其他体素的标识，确定所述第一中心体素的相邻体素的目标标识；
所述编码单元，用于基于所述第一中心体素包含的点以及所述第一中心体素的相邻体素的目标标识对应的体素包含的点，确定所述第一中心体素的特征；
所述数据处理单元，用于根据所述点云数据的特征，对所述点云数据进行处理，其中，所述点云数据的特征根据各个第一中心体素的特征确定。
上述方案中，所述转移单元，用于基于第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的标识；所述第一相邻体素为所述第一中心体素的多个相邻体素中的任一相邻体素。
上述方案中，所述转移单元，用于基于所述第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的概率；基于所述第一相邻体素中包含的点的数量确定所述第一相邻体素至所述其他体素的移动步数；基于所述概率和所述移动步数确定所述第一相邻体素转移至其他体素的标识。
上述方案中，所述划分单元，用于将目标场景的点云数据按照至少两种分辨率进行划分，获得分别对应各分辨率的多个相同规格的体素；其中，所述至少两种分辨率中的第二分辨率对应的体素的大小为第一分辨率对应的体素的大小的整数倍；还用于在所述第一分辨率划分的多个体素情况下，确定多个体素中非空体素中每个体素的第一标识，在所述第二分辨率划分的多个体素情况下，确定多个体素中非空体素中每个体素的第二标识；在所述第一分辨率划分的多个体素情况下，确定所述第一中心体素的各个相邻体素的第一初始标识，以及各个所述第一初始标识在所述第二分辨率划分的多个体素情况下对应的第二初始标识；所述第一初始标识对应的第一体素在所述第二初始标识对应的第二体素的范围内。
上述方案中，所述转移单元，用于在所述第一分辨率划分的多个体素情况下，基于第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的概率；所述第一相邻体素为所述第一中心体素的多个相邻体素中的任一相邻体素；基于所述第一相邻体素中包含的点的数量确定所述第一相邻体素转移至所述其他体素的移动步数；获得所述第一相邻体素由所述第一分辨率转换至所述第二分辨率的第一转移概率、以及由所述第二分辨率转移至所述第一分辨率的第二转移概率；基于所述概率、所述移动步数、所述第一转移概率和所述第二转移概率确定所述第一相邻体素转移至其他体素的标识。
上述方案中，所述转移单元，用于基于所述第一相邻体素中包含的点的数量确定所述第一相邻体素执行转移的第一概率；所述第一概率的大小与所述第一相邻体素中包含的点的数量呈负相关关系；在所述移动步数内，基于第i步的体素i的各个相邻体素中包含的点的数量以及由第i步转移至第i+1步的体素i+1中包含的点的数量，确定所述体素i转移至所述体素i+1的第二概率；i+1为小于等于所述移动步数的正整数。
上述方案中，所述转移单元，用于基于所述第一概率、所述移动步数和所述第二概率，确定所述第一相邻体素转移至其他体素的标识。
上述方案中，所述转移单元，用于基于所述第一概率、所述移动步数和所述第二概率、所述移动步数、所述第一转移概率和所述第二转移概率确定所述第一相邻体素转移至其他体素的标识。
上述方案中，所述编码单元，用于对所述第一中心体素以及所述第一中心体素的相邻体素的目标标识对应的各个体素包含的点进行特征提取，将提取的特征确定为所述第一中心体素的特征。
上述方案中，所述编码单元，用于对所述第一中心体素包含的点进行特征提取，获得第一特征；对所述第一中心体素的相邻体素的目标标识对应的各个体素包含的点进行特征提取，获得多个第二特征；基于所述第一特征和所述多个第二特征生成第三特征，将所述第三特征确定为所述第一中心体素的特征。
本发明实施例还提供了一种智能行驶装置，所述装置包括：点云数据处理单元和控制单元；其中，
所述点云数据处理单元，用于利用本发明实施例任一所述的点云数据处理方法对道路场景的点云数据进行处理，得到所述道路场景的点云数据的处理结果；
所述控制单元，用于根据所述道路场景的点云数据的处理结果，对采集所述道路场景的点云数据的智能行驶设备进行控制。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例所述点云数据处理方法的步骤；或者，该程序被处理器执行时实现本发明实施例所述智能行驶方法的步骤。
本发明实施例还提供了一种电子设备，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本发明实施例所述点云数据处理方法的步骤；或者，所述处理器执行所述程序时实现本发明实施例所述智能行驶方法的步骤。
本发明实施例提供的点云数据处理方法、智能行驶方法及相关装置、电子设备。所述方法包括：将目标场景的点云数据划分为多个相同规格的体素；确定多个体素中非空体素中每个体素的标识，以及确定第一中心体素的相邻体素的初始标识；所述第一中心体素为所述非空体素中的任一体素；基于各个体素中包含的点的数量，确定所述第一中心体素的至少部分相邻体素转移至其他体素的标识；基于未转移的相邻体素的初始标识和相邻体素转移至其他体素的标识，确定所述第一中心体素的相邻体素的目标标识；基于所述第一中心体素包含的点以及所述第一中心体素的相邻体素的目标标识对应的体素包含的点，确定所述第一中心体素的特征。采用本发明实施例的技术方案，通过体素的形式表示点云数据，通过相邻体素的转移游走，实现了各个中心体素的相邻体素自适应重配置，对于稀疏和不规则分布的点云数据，使得中心体素和各相邻体素有效的覆盖点云密度较大的体素，有效的解决了由于点云的稀疏和不规则带来的精度和计算复杂度的困难。
附图说明
图1为本发明实施例的点云数据处理方法的流程示意图一；
图2为本发明实施例的点云数据处理方法中的体素划分示意图；
图3a为本发明实施例的点云数据处理方法中的体素和相邻体素示意图；
图3b和图3c分别为本发明实施例的点云数据处理方法中的一种相邻体素转移的示意图；
图4为本发明实施例的点云数据处理方法的流程示意图二；
图5为本发明实施例的点云数据处理方法中的另一种相邻体素转移的示意图；
图6为本发明实施例的点云数据处理方法的应用示意图；
图7为本发明实施例的智能行驶方法的流程示意图；
图8为本发明实施例的点云数据处理装置的组成结构示意图；
图9为本发明实施例的智能行驶装置的组成结构示意图；
图10为本发明实施例的电子设备的硬件组成结构示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
本发明实施例提供了一种点云数据处理方法。图1为本发明实施例的点云数据处理方法的流程示意图一；如图1所示，所述方法包括：
步骤101：将目标场景的点云数据划分为多个相同规格的体素；
步骤102：确定多个体素中非空体素中每个体素的标识，以及确定第一中心体素的相邻体素的初始标识；所述第一中心体素为所述非空体素中的任一体素；
步骤103：基于各个体素中包含的点的数量，确定所述第一中心体素的至少部分相邻体素转移至其他体素的标识；
步骤104：基于未转移的相邻体素的初始标识和相邻体素转移至其他体素的标识，确定所述第一中心体素的相邻体素的目标标识；
步骤105：基于所述第一中心体素包含的点以及所述第一中心体素的相邻体素的目标标识对应的体素包含的点，确定所述第一中心体素的特征；
步骤106：根据所述点云数据的特征，对所述点云数据进行处理，其中，所述点云数据的特征根据各个第一中心体素的特征确定。
本实施例中，点云数据指的是通过测量设备得到的目标场景中的对象的外观表面的点数据集合，表征目标场景中的对象的表面特性的海量的点的集合。所述点云数据包括每个点的三维坐标数据。实际应用中，作为一种实施方式，所述点云数据可通过N*3的矩阵表示，其中，N表示点云数据中的点的数量，每个点的三维坐标可通过1*3的特征向量表示。
本实施例中，将目标场景的点云数据划分为多个相同规格的体素。图2为本发明实施例的点云数据处理方法中的体素划分示意图；如图2所示，将目标场所划分为相同规格的矩形，每个矩形表示一个空间范围。所划分的多个体素中，体素中包含点云数据，可能也不包含点云数据，可以理解，有些体素为非空体素(即体素中包含至少一个点)，有些体素为空体素(即体素中不包含点)。
在一些实施例中，所划分的各体素的规格可依据精度的需求预先配置，若精度要求较高，则可参照图2中的(a)图所示划分规格较小的体素，若精度要求不是很高，则可参照图2中的(b)图所示划分规格较大的体素。当然，本实施例中的体素的规格不限于图2中所示，其他各种规格也可在本实施例的保护范围之内。
本实施例中，在对体素进行划分的过程中，还可对各体素进行编码，即确定各个体素的标识。示例性的，由于体素中可能会存在空体素，则本实施例中可仅针对非空体素进行编码，即确定多个体素中非空体素中每个体素的标识。
针对非空体素，可遍历每个非空体素，将每个非空体素作为所述第一中心体素，确定第一中心体素的相邻体素的初始标识。如图3a所示，为体素和相邻体素的俯视图，则以体素1作为第一中心体素，体素2至体素5则为所述第一中心体素的相邻体素。
在本发明的一些可选实施例中，所述基于各个体素中包含的点的数量，确定所述第一中心体素的至少部分相邻体素转移至其他体素的标识，包括：基于第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的标识；所述第一相邻体素为所述第一中心体素的多个相邻体素中的任一相邻体素。
本实施例中，可基于各个相邻体素中包含的点的数量确定相邻体素是否随机转移，或者基于各个相邻体素中包含的点的数量以及各个相邻体素的邻居体素中点的数量分布转移至其他体素的位置，确定转移至其他体素的标识。
在本发明的一些可选实施例中，所述基于第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的标识，包括：基于所述第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的概率；基于所述第一相邻体素中包含的点的数量确定所述第一相邻体素至所述其他体素的移动步数；基于所述概率和所述移动步数确定所述第一相邻体素转移至其他体素的标识。
其中，所述移动步数的确定和所述概率的确定的执行先后顺序不限于上述实施例中给出的顺序，也可以先基于所述第一相邻体素中包含的点的数量确定所述第一相邻体素至所述其他体素的移动步数，再确定所述第一相邻体素转移至其他体素的概率，本实施例中对此不做限定。
在一些实施例中，所述基于第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的概率，包括：基于所述第一相邻体素中包含的点的数量确定所述第一相邻体素执行转移的第一概率；所述第一概率的大小与所述第一相邻体素中包含的点的数量呈负相关关系；在所述移动步数内，基于第i步的体素i的各个相邻体素中包含的点的数量以及由第i步转移至第i+1步的体素i+1中包含的点的数量，确定所述体素i转移至所述体素i+1的第二概率；i+1为小于等于所述移动步数的正整数。
相应的，所述基于所述概率和所述移动步数确定所述第一相邻体素转移至其他体素的标识，包括：基于所述第一概率、所述移动步数和所述第二概率，确定所述第一相邻体素转移至其他体素的标识；
本实施例中，所述第一相邻体素是否执行转移完全取决于所述第一概率，即基于所述第一概率随机确定所述第一相邻体素是否执行转移。在确定执行转移后，所述第一相邻体素执行转移的转移步数不超过所述移动步数，也即所述移动步数是所述第一相邻体素执行转移的步数的最大值。第一相邻体素在其他体素之间转移过程中，转移至包含有更多点的体素的概率较高。基于此，本实施例中，第一相邻体素基于所述第一概率随机执行是否转移；在确定执行转移后，在所述移动步数内，按照所述第二概率执行是否由第i步转移至第i+1步，进而确定所述第一相邻体素转移至其他体素的最终位置，即确定所述其他体素的标识。
示例性的，假设第j个体素作为某个第一相邻体素，且第j个体素中包含N(j)个点，所划分的多个体素中的非空体素中包含的点的最大点数为n，则第j个体素执行随机转移的概率(即所述第一概率)为PW(j)，第j个体素执行转移的移动步数是S(j)，转移第i步的体素的标识是wj(i)，标识为wj(i)的体素的四个相邻体素的集合记为V(wj(i))，由第i步体素wj(i)转移至下一步体素wj(i+1)的转移概率为P(wj(i+1)|wj(i))，则有：
Figure BDA0002378650720000101
S(j)＝n-N(j) (2)
Figure BDA0002378650720000102
其中，N(wj(i+1))表示体素wj(i+1)包含的点的数量；
Figure BDA0002378650720000103
表示体素wj(i)的四个相邻体素的点数的总和。
由上述表达式(1)可以看出，第一相邻体素执行转移的第一概率与该第一相邻体素中包含的点的数量呈反比，换句话说，第一相邻体素中包含的点的数量越多，其执行转移的第一概率越小。由上述表达式(2)可以看出，第一相邻体素执行转移的移动步数与第一相邻体素中包含的点的数量以及各个体素包含的点的数量的最大点数n相关，可以理解，所述第一相邻体素中包含的点的数量与所述第一相邻体素执行转移的移动步数呈负相关关系；第一相邻体素中包含的点的数量越多，其执行转移的移动步数越少。例如，若第一相邻体素中包含的点的数量等于所述最大点数，则该第一相邻体素执行转移的移动步数为零，即该第一相邻体素便不会执行转移。又例如，若第一相邻体素中包含的点的数量等于1，则该第一相邻体素执行转移的移动步数最多为n-1步。基于统计得出，平均的转移步数约为
Figure BDA0002378650720000112
由上述表达式(3)可以看出，第一相邻体素在其他体素之间转移过程中，转移至包含有更多点的体素的概率较高。
如图3b所示，若某第一中心体素的相邻体素为图中的体素1至体素4所示，则相邻体素迁移后的位置可参照图中所示。
本实施例中，所述第一相邻体素执行转移的范围在与所述第一相邻体素内包含的点具有连通关系的其他点所在的体素范围内。其中，具有连通关系的点可表明属于同一物体的点；相反的，不属于同一物体上的点往往不具有体素上的连通关系。如图3c所示，某第一中心体素的相邻体素的转移方式可如图中所示，其中，相邻体素2的转移不会向非连通的其他体素转移。
在本发明的一种可选实施例中，所述基于所述第一中心体素包含的点以及所述第一中心体素的相邻体素的目标标识对应的体素包含的点，确定所述第一中心体素的特征，包括：对所述第一中心体素以及所述第一中心体素的相邻体素的目标标识对应的各个体素包含的点进行特征提取，将提取的特征确定为所述第一中心体素的特征。
本实施例中，将所述第一中心体素包含的点以及相邻体素的目标标识对应的各个体素包含的点作为整体进行特征提取，将提取的特征确定为所述第一中心体素的特征。
示例性的，本实施例中的第一中心体素的特征的确定方式可参照以下表达式(4)所示：
Figure BDA0002378650720000111
其中，第i个中心体素的特征表示为fvi，第i个中心体素的相邻体素的目标标识对应的体素特征表示为fV(vi)。
Figure BDA0002378650720000121
表示一种特征提取操作。
实际应用中，示例性的，若每个点可通过1*4的特征向量表示，其中，三个维度的特征向量可分别表示点的三维坐标，第四个维度的特征向量可表示点的描述信息，例如法线方向、曲率等描述信息；假设体素中均包括n个点，则该体素中包括的n个点可通过n*4的特征向量表示。针对本实施例中，针对第一中心体素以及其对应的相邻体素进行特征提取，相当于针对5n个点进行特征提取。针对每个点的特征向量进行相应的特征提取处理，例如进行卷积处理等等，获得每个点对应的处理后的特征向量，处理的结果可能是针对每个点，增加了特征向量的维度；再通过池化的方式确定各个维度中的特征值，例如通过平均池化的方式确定每个点在各个维度的特征值的平均值，将确定出的5n个点的各个维度的平均池化结果作为所述第一中心体素的特征。
在本发明的一种可选实施例中，所述基于所述第一中心体素包含的点以及所述第一中心体素的相邻体素的目标标识对应的体素包含的点，确定所述第一中心体素的特征，包括：对所述第一中心体素包含的点进行特征提取，获得第一特征；对所述第一中心体素的相邻体素的目标标识对应的各个体素包含的点进行特征提取，获得多个第二特征；基于所述第一特征和所述多个第二特征生成第三特征，将所述第三特征确定为所述第一中心体素的特征。
本实施例中，分别提取所述第一中心体素包含的点的第一特征，以及提取各个相邻体素的目标标识对应的各个体素包含的点的第二特征，进一步基于第一特征和第二特征确定出第三特征，将所述第三特征作为所述第一中心体素的特征。
示例性的，本实施例中的第一中心体素的特征的确定方式可参照以下表达式(5)所示：
Figure BDA0002378650720000122
其中，第i个中心体素特征表示为fvi，第i个中心体素的相邻体素的目标标识对应的体素特征表示为fV(vi)。
Figure BDA0002378650720000123
表示一种特征提取操作。fVj(vi)表示第i个中心体素的第j个相邻体素。Wj(fvi)表示第j个相邻体素对应的权重。
则实际应用中，示例性的，若每个点可通过1*4的特征向量表示，其中，三个维度的特征向量可分别表示点的三维坐标，第四个维度的特征向量可表示点的描述信息，例如法线方向、曲率等描述信息；假设体素中均包括n个点，则该体素中包括的n个点可通过n*4的特征向量表示。针对本实施例中，分别针对第一中心体素进行特征提取，以及针对四个相邻体素进行特征提取。针对第一中心体素中每个点的特征向量进行相应的特征提取处理，例如进行卷积处理等等，获得每个点对应的处理后的特征向量，处理的结果可能是针对每个点，增加了特征向量的维度；再通过池化的方式确定各个维度中的特征值，例如通过最大池化的方式确定每个点在各个维度的特征值的最大值，将确定出的每个点在各个维度的最大特征值作为所述第一中心体素的第一特征。同理，针对四个相邻体素进行特征提取的过程与上述类似，区别在于，在针对每个相邻体素的各个点进行特征提取之前，可分别将各个点的特征向量与相邻体素对应的权重Wj(fvi)相乘，再将各个点的特征向量与权重的乘积结果进行上述特征提取处理。
本实施例中，根据各个第一中心体素的特征确定点云数据的特征，对所述点云数据进行处理。示例性的，本实施例中步骤101至步骤105的过程可作为针对点云数据的目标检测网络中的第一个特征提取网络，通过采用上述对各个第一中心体素的确定，生成对点云数据的初次处理后的特征数据；再通过目标检测网络中的其他网络，对上述特征数据进行处理，例如可通过多个卷积层对上述特征数据进行卷积处理，进一步提取特征。本实施例的技术方案可将相邻体素的特征、或者可以说相邻的包含点的数量较多的体素的特征，作为第一中心体素的特征的表达，在此基础上的各个第一中心体素的特征的表达用于后续的点云数据的场景理解或目标检测，能够适应稀疏和不规则分布的点云数据，从而提升网络的性能。
采用本发明实施例的技术方案，通过体素的形式表示点云数据，通过相邻体素的转移游走，实现了各个中心体素的相邻体素自适应重配置，对于稀疏和不规则分布的点云数据，使得中心体素和各相邻体素有效的覆盖点云密度较大的体素，有效的解决了由于点云的稀疏和不规则带来的精度和计算复杂度的困难。
基于前述实施例，本发明实施例还提供了一种点云数据处理方法。图4为本发明实施例的点云数据处理方法的流程示意图二；如图4所示，所述方法包括：
步骤201：将目标场景的点云数据按照至少两种分辨率进行划分，获得分别对应各分辨率的多个相同规格的体素；其中，所述至少两种分辨率中的第二分辨率对应的体素的大小为第一分辨率对应的体素的大小的整数倍；
步骤202：在所述第一分辨率划分的多个体素情况下，确定多个体素中非空体素中每个体素的第一标识，在所述第二分辨率划分的多个体素情况下，确定多个体素中非空体素中每个体素的第二标识；
步骤203：在所述第一分辨率划分的多个体素情况下，确定第一中心体素的各个相邻体素的第一初始标识，以及各个所述第一初始标识在所述第二分辨率划分的多个体素情况下对应的第二初始标识；所述第一初始标识对应的第一体素在所述第二初始标识对应的第二体素的范围内；所述第一中心体素为所述非空体素中的任一体素；
步骤204：在所述第一分辨率划分的多个体素情况下，基于第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的概率；所述第一相邻体素为所述第一中心体素的多个相邻体素中的任一相邻体素；
步骤205：基于所述第一相邻体素中包含的点的数量确定所述第一相邻体素转移至所述其他体素的移动步数；
步骤206：获得所述第一相邻体素由所述第一分辨率转换至所述第二分辨率的第一转移概率、以及由所述第二分辨率转移至所述第一分辨率的第二转移概率；
步骤207：基于所述概率、所述移动步数、所述第一转移概率和所述第二转移概率确定所述第一相邻体素转移至其他体素的标识；
步骤208：基于未转移的相邻体素的初始标识和相邻体素转移至其他体素的标识，确定所述第一中心体素的相邻体素的目标标识；
步骤209：基于所述第一中心体素包含的点以及所述第一中心体素的相邻体素的目标标识对应的体素包含的点，确定所述第一中心体素的特征；
步骤210：根据所述点云数据的特征，对所述点云数据进行处理，其中，所述点云数据的特征根据各个第一中心体素的特征确定。
本实施例中，步骤204和步骤205的执行先后顺序不限于上述实施例中给出的顺序，也可以先执行步骤205，再执行步骤204，本实施例中对此不做限定。
与前述实施例的区别在于，本实施例可采用至少两种分辨率对所述点云数据进行划分，至少获得第一分辨率对应的多个相同规格的体素以及第二分辨率对应的多个相同规格的体素。其中，第二分辨率对应的体素的大小为第一分辨率对应的体素的大小的整数倍。可以理解，第二分辨率下的一个体素可包括第一分辨率下的多个体素。
具体可参照图2中的(a)图和(b)图所示，图2中的(a)图为所述第一分辨率下的一种体素划分方式，图2中的(b)图为所述第二分辨率下的一种体素划分方式，则在相同的目标场景下，第二分辨率下的一个体素可包括第一分辨率下的四个体素。
则本实施例中，分别在各个分辨率下，确定非空体素的标识，即在所述第一分辨率划分的多个体素情况下，确定多个体素中非空体素中每个体素的第一标识，在所述第二分辨率划分的多个体素情况下，确定多个体素中非空体素中每个体素的第二标识。
本实施例中，在第一分辨率划分的多个体素情况下，也即在小分辨率划分的多个体素情况下，确定各个第一中心体素在第一分辨率的场景下的各个相邻体素的第一初始标识，以及各个所述第一初始标识在所述第二分辨率划分的多个体素情况下对应的第二初始标识。可以理解，本实施例中在第一分辨率划分的多个体素的场景下，确定各个第一中心体素的各个相邻体素的第一初始标识。由于第二分辨率对应的体素的大小为第一分辨率对应的体素的大小的整数倍，则针对第一分辨率下的各个体素，均会对应于第二分辨率下的一个体素。若参照图2中所示的示例，则第一分辨率下的四个体素的标识可对应于第二分辨率下的一个体素的标识。
本实施例中，所述基于第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的概率，包括：基于所述第一相邻体素中包含的点的数量确定所述第一相邻体素执行转移的第一概率；所述第一概率的大小与所述第一相邻体素中包含的点的数量呈负相关关系；在所述移动步数内，基于第i步的体素i的各个相邻体素中包含的点的数量以及由第i步转移至第i+1步的体素i+1中包含的点的数量，确定所述体素i转移至所述体素i+1的第二概率；i+1为小于等于所述移动步数的正整数。具体的实现方式可参照前述实施例中的详细阐述，这里不再赘述。
区别于前述实施例，本实施例中的相邻体素的转移不仅可以在第一分辨率划分的多个体素范围内进行转移，也可以在不同的分辨率之间的体素进行转移。示例性的，由于第二分辨率划分的体素较大，大体素内包含的点的数量也可能相对较多，则通过将第一分辨率下的相邻体素转移至第二分辨率划分下的体素，使得转移后的相邻体素可包含更多的点，从而缓解稀疏的点云数据带来的特征提取困难。
本实施例中预先配置所述第一相邻体素由所述第一分辨率转换至所述第二分辨率的第一转移概率、以及由所述第二分辨率转移至所述第一分辨率的第二转移概率。示例性的，由第一分辨率转换至第二分辨率的第一转移概率可以为0.25Pw，即前述实施例中的第一概率的四分之一，由第二分辨率转移至第一分辨率的第二转移概率可以为0.5Pw，即前述实施例中的第一概率的二分之一，换句话说，本实施例中依旧以小分辨率(即所述第一分辨率)划分的小体素为主，以大分辨率(即所述第二分辨率)划分的大体素为辅。
在本发明的一些可选实施例中，所述基于所述概率、所述移动步数、所述第一转移概率和所述第二转移概率确定所述第一相邻体素转移至其他体素的标识，包括：基于所述第一概率、所述移动步数和所述第二概率、所述移动步数、所述第一转移概率和所述第二转移概率确定所述第一相邻体素转移至其他体素的标识。
本实施例中，第一相邻体素基于所述第一概率随机执行是否转移；在确定执行转移后，在所述移动步数内，按照所述第二概率执行如何由第i步转移至第i+1步；基于所述第一转移概率确定是否由第一分辨率下的体素转移至第二分辨率下的体素，基于所述第二转移概率确定是否由第二分辨率下的体素转移至第一分辨率下的体素；进而确定所述第一相邻体素转移至其他体素的最终位置，即确定所述其他体素的标识。例如可参照图5所示，相邻体素1至相邻体素4的转移过程中，相邻体素3则由第一分辨率下的体素转移至第二分辨率下的体素，也即转移后的相邻体素3的体素范围增大。
本实施例中的步骤208至步骤210的具体实现方式可参照前述实施例中的详细阐述，这里不再赘述。
图6为本发明实施例的点云数据处理方法的应用示意图；如图6所示，本实施例中的点云数据处理方法可应用于针对点云数据中的目标检测网络中。在目标检测网络中，可包括体素特征提取网络(voxel feature extraction)、骨干网(backbone)和区域建议网络(region proposal network)，本实施例中的点云数据处理方法可应用于体素特征提取网络中，用于对体素的特征进行提取，具体的提取过程可参照前述所述。体素特征提取网络输出的点云数据的特征依次通过骨干网和区域建议网络的处理，输出如图中所示的包含有各个目标建议框的图像；其中，每个目标建议框可标识目标对象。
本发明实施例还提供了一种智能行驶方法。图7为本发明实施例的智能行驶方法的流程示意图；如图7所示，所述方法包括：
步骤301：利用点云数据处理方法对道路场景的点云数据进行处理，得到所述道路场景的点云数据的处理结果；
步骤302：根据所述道路场景的点云数据的处理结果，对采集所述道路场景的点云数据的智能行驶设备进行控制。
本实施例步骤301中，可采用前述图1或图4所示的点云数据处理方法对道路场景的点云数据进行处理，具体的处理过程不再赘述。
可以理解，得到的所述道路场景的点云数据的处理结果可包括对道路场景的点云数据中的目标对象的检测结果，例如可输出道路场景的点云数据中的各个目标对象的检测框。
本实施例的智能行驶方法可应用于智能行驶设备中，智能行驶设备包括但不限于是自动驾驶车辆、安装有高级驾驶辅助系统(ADAS，Advanced Driving AssistanceSystem)的车辆或者智能机器人中。并且，上述智能行驶设备中可设置有点云数据采集装置，能够实时采集道路场景或周围环境的点云数据。通过步骤301对采集的点云数据进行处理，可确定道路场景或周围环境中的目标对象，例如道路场景或周围环境中的障碍物情况等等，从而对智能行驶设备的控制包括但不限于是：控制智能行驶设备转向行驶、控制智能行驶设备加速或减速行驶、控制智能行驶设备停止行驶等等。
本发明实施例还提供了一种点云数据处理装置。图8为本发明实施例的点云数据处理装置的组成结构示意图，如图8所示，所述装置包括：划分单元41、转移单元42、编码单元43和数据处理单元44；其中，
所述划分单元41，用于将目标场景的点云数据划分为多个相同规格的体素；确定多个体素中非空体素中每个体素的标识，以及确定第一中心体素的相邻体素的初始标识；所述第一中心体素为所述非空体素中的任一体素；
所述转移单元42，用于基于各个体素中包含的点的数量，确定所述第一中心体素的至少部分相邻体素转移至其他体素的标识；基于未转移的相邻体素的初始标识和相邻体素转移至其他体素的标识，确定所述第一中心体素的相邻体素的目标标识；
所述编码单元43，用于基于所述第一中心体素包含的点以及所述第一中心体素的相邻体素的目标标识对应的体素包含的点，确定所述第一中心体素的特征；
所述数据处理单元44，用于根据所述点云数据的特征，对所述点云数据进行处理，其中，所述点云数据的特征根据各个第一中心体素的特征确定。
在本发明的一些可选实施例中，所述转移单元42，用于基于第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的标识；所述第一相邻体素为所述第一中心体素的多个相邻体素中的任一相邻体素。
在本发明的一些可选实施例中，所述转移单元42，用于基于所述第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的概率；基于所述第一相邻体素中包含的点的数量确定所述第一相邻体素至所述其他体素的移动步数；基于所述概率和所述移动步数确定所述第一相邻体素转移至其他体素的标识。
在本发明的一些可选实施例中，所述划分单元41，用于按照至少两种分辨率对所述点云数据进行划分，获得分别对应各分辨率的多个相同规格的体素；其中，所述至少两种分辨率中的第二分辨率对应的体素的大小为第一分辨率对应的体素的大小的整数倍；还用于在所述第一分辨率划分的多个体素情况下，确定多个体素中非空体素中每个体素的第一标识，在所述第二分辨率划分的多个体素情况下，确定多个体素中非空体素中每个体素的第二标识；在所述第一分辨率划分的多个体素情况下，确定所述第一中心体素的各个相邻体素的第一初始标识，以及各个所述第一初始标识在所述第二分辨率划分的多个体素情况下对应的第二初始标识；所述第一初始标识对应的第一体素在所述第二初始标识对应的第二体素的范围内。
在本发明的一些可选实施例中，所述转移单元42，用于在所述第一分辨率划分的多个体素情况下，基于第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的概率；所述第一相邻体素为所述第一中心体素的多个相邻体素中的任一相邻体素；基于所述第一相邻体素中包含的点的数量确定所述第一相邻体素转移至所述其他体素的移动步数；获得所述第一相邻体素由所述第一分辨率转换至所述第二分辨率的第一转移概率、以及由所述第二分辨率转移至所述第一分辨率的第二转移概率；基于所述概率、所述移动步数、所述第一转移概率和所述第二转移概率确定所述第一相邻体素转移至其他体素的标识。
在本发明的一些可选实施例中，所述转移单元42，用于基于所述第一相邻体素中包含的点的数量确定所述第一相邻体素执行转移的第一概率；所述第一概率的大小与所述第一相邻体素中包含的点的数量呈负相关关系；基于所述第一相邻体素中包含的点的数量和所述最大点数确定所述第一相邻体素执行转移的移动步数；所述移动步数的大小与所述第一相邻体素中包含的点的数量呈负相关关系；在所述移动步数内，基于第i步的体素i的各个相邻体素中包含的点的数量以及由第i步转移至第i+1步的体素i+1中包含的点的数量，确定所述体素i转移至所述体素i+1的第二概率；i+1为小于等于所述移动步数的正整数。
在本发明的一些可选实施例中，所述转移单元42，用于基于所述第一概率、所述移动步数和所述第二概率，确定所述第一相邻体素转移至其他体素的标识。
在本发明的一些可选实施例中，所述转移单元42，用于基于所述第一概率、所述移动步数和所述第二概率、所述移动步数、所述第一转移概率和所述第二转移概率确定所述第一相邻体素转移至其他体素的标识。
在本发明的一些可选实施例中，所述编码单元43，用于对所述第一中心体素以及所述第一中心体素的相邻体素的目标标识对应的各个体素包含的点进行特征提取，将提取的特征确定为所述第一中心体素的特征。
在本发明的一些可选实施例中，所述编码单元43，用于对所述第一中心体素包含的点进行特征提取，获得第一特征；对所述第一中心体素的相邻体素的目标标识对应的各个体素包含的点进行特征提取，获得多个第二特征；基于所述第一特征和所述多个第二特征生成第三特征，将所述第三特征确定为所述第一中心体素的特征。
本发明实施例中，所述点云数据处理装置中的划分单元41、转移单元42、编码单元43和数据处理单元44，在实际应用中均可由所述装置中的中央处理器(CPU，CentralProcessing Unit)、数字信号处理器(DSP，Digital Signal Processor)、微控制单元(MCU，Microcontroller Unit)或可编程门阵列(FPGA，Field－Programmable Gate Array)实现。
需要说明的是：上述实施例提供的点云数据处理装置在进行点云数据处理时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的点云数据处理装置与点云数据处理方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本发明实施例还提供了一种智能行驶装置。图9为本发明实施例的智能行驶装置的组成结构示意图；如图9所示，所述装置包括：点云数据处理单元51和控制单元52；其中，
所述点云数据处理单元51，用于利用点云数据处理方法对道路场景的点云数据进行处理，得到所述道路场景的点云数据的处理结果；
所述控制单元52，用于根据所述道路场景的点云数据的处理结果，对采集所述道路场景的点云数据的智能行驶设备进行控制。
本实施例中，所述点云数据处理单元51利用点云数据处理方法对道路场景的点云数据进行处理的具体实现过程可参照前述图1或图4所示的处理过程。
本发明实施例中，所述智能行驶装置中的点云数据处理单元51和控制单元52，在实际应用中均可由所述装置中的CPU、DSP、MCU或FPGA实现。
需要说明的是：上述实施例提供的智能行驶装置在进行处理时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的智能行驶装置与智能行驶方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本发明实施例还提供了一种电子设备，图10为本发明实施例的电子设备的硬件组成结构示意图，如图10所示，所述电子设备包括存储器62、处理器61及存储在存储器62上并可在处理器61上运行的计算机程序，所述处理器61执行所述程序时实现本发明实施例所述的点云数据处理方法的步骤；或者，所述处理器61执行所述程序时实现本发明实施例所述的智能行驶方法的步骤。
可选地，电子设备中的各个组件通过总线系统63耦合在一起。可理解，总线系统63用于实现这些组件之间的连接通信。总线系统63除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图10中将各种总线都标为总线系统63。
可以理解，存储器62可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器62旨在包括但不限于这些和任意其它适合类型的存储器。
上述本发明实施例揭示的方法可以应用于处理器61中，或者由处理器61实现。处理器61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61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61可以是通用处理器、DSP，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器61可以实现或者执行本发明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任何常规的处理器等。结合本发明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。软件模块可以位于存储介质中，该存储介质位于存储器62，处理器61读取存储器62中的信息，结合其硬件完成前述方法的步骤。
在示例性实施例中，电子设备可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、FPGA、通用处理器、控制器、MCU、微处理器(Microprocessor)、或其他电子元件实现，用于执行前述方法。
在示例性实施例中，本发明实施例还提供了一种计算机可读存储介质，例如包括计算机程序的存储器62，上述计算机程序可由电子设备的处理器61执行，以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。
本发明实施例提供的计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例所述的点云数据处理方法的步骤；或者，该程序被处理器执行时实现本发明实施例所述的智能行驶方法的步骤。
本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品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)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、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，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (24)

1.一种点云数据处理方法，其特征在于，所述方法包括：
将目标场景的点云数据划分为多个相同规格的体素；
确定多个体素中非空体素中每个体素的标识，以及确定第一中心体素的相邻体素的初始标识；所述第一中心体素为所述非空体素中的任一体素；
基于各个体素中包含的点的数量，确定所述第一中心体素的至少部分相邻体素转移至其他体素的标识；
基于未转移的相邻体素的初始标识和相邻体素转移至其他体素的标识，确定所述第一中心体素的相邻体素的目标标识；
基于所述第一中心体素包含的点以及所述第一中心体素的相邻体素的目标标识对应的体素包含的点，确定所述第一中心体素的特征；
根据所述点云数据的特征，对所述点云数据进行处理，其中，所述点云数据的特征根据各个第一中心体素的特征确定。
2.根据权利要求1所述的方法，其特征在于，所述基于各个体素中包含的点的数量，确定所述第一中心体素的至少部分相邻体素转移至其他体素的标识，包括：
基于第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的标识；所述第一相邻体素为所述第一中心体素的多个相邻体素中的任一相邻体素。
3.根据权利要求2所述的方法，其特征在于，所述基于第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的标识，包括：
基于所述第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的概率；
基于所述第一相邻体素中包含的点的数量确定所述第一相邻体素至所述其他体素的移动步数；
基于所述概率和所述移动步数确定所述第一相邻体素转移至其他体素的标识。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述将目标场景的点云数据划分为多个相同规格的体素，包括：
将目标场景的点云数据按照至少两种分辨率进行划分，获得分别对应各分辨率的多个相同规格的体素；其中，所述至少两种分辨率中的第二分辨率对应的体素的大小为第一分辨率对应的体素的大小的整数倍；
所述确定多个体素中非空体素中每个体素的标识，以及确定第一中心体素的相邻体素的初始标识，包括：
在所述第一分辨率划分的多个体素情况下，确定多个体素中非空体素中每个体素的第一标识，在所述第二分辨率划分的多个体素情况下，确定多个体素中非空体素中每个体素的第二标识；
在所述第一分辨率划分的多个体素情况下，确定所述第一中心体素的各个相邻体素的第一初始标识，以及各个所述第一初始标识在所述第二分辨率划分的多个体素情况下对应的第二初始标识；所述第一初始标识对应的第一体素在所述第二初始标识对应的第二体素的范围内。
5.根据权利要求4所述的方法，其特征在于，所述基于各个体素中包含的点的数量，确定所述第一中心体素的至少部分相邻体素转移至其他体素的标识，包括：
在所述第一分辨率划分的多个体素情况下，基于第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的概率；所述第一相邻体素为所述第一中心体素的多个相邻体素中的任一相邻体素；
基于所述第一相邻体素中包含的点的数量确定所述第一相邻体素转移至所述其他体素的移动步数；
获得所述第一相邻体素由所述第一分辨率转换至所述第二分辨率的第一转移概率、以及由所述第二分辨率转移至所述第一分辨率的第二转移概率；
基于所述概率、所述移动步数、所述第一转移概率和所述第二转移概率确定所述第一相邻体素转移至其他体素的标识。
6.根据权利要求3或5所述的方法，其特征在于，基于第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的概率，包括：
基于所述第一相邻体素中包含的点的数量确定所述第一相邻体素执行转移的第一概率；所述第一概率的大小与所述第一相邻体素中包含的点的数量呈负相关关系；
在所述移动步数内，基于第i步的体素i的各个相邻体素中包含的点的数量以及由第i步转移至第i+1步的体素i+1中包含的点的数量，确定所述体素i转移至所述体素i+1的第二概率；i+1为小于等于所述移动步数的正整数。
7.根据权利要求3所述的方法，其特征在于，所述基于所述概率和所述移动步数确定所述第一相邻体素转移至其他体素的标识，包括：
基于所述第一概率、所述移动步数和所述第二概率，确定所述第一相邻体素转移至其他体素的标识。
8.根据权利要求5所述的方法，其特征在于，所述基于所述概率、所述移动步数、所述第一转移概率和所述第二转移概率确定所述第一相邻体素转移至其他体素的标识，包括：
基于所述第一概率、所述移动步数和所述第二概率、所述移动步数、所述第一转移概率和所述第二转移概率确定所述第一相邻体素转移至其他体素的标识。
9.根据权利要求1至8任一项所述的方法，其特征在于，所述基于所述第一中心体素包含的点以及所述第一中心体素的相邻体素的目标标识对应的体素包含的点，确定所述第一中心体素的特征，包括：
对所述第一中心体素以及所述第一中心体素的相邻体素的目标标识对应的各个体素包含的点进行特征提取，将提取的特征确定为所述第一中心体素的特征。
10.根据权利要求1至8任一项所述的方法，其特征在于，所述基于所述第一中心体素包含的点以及所述第一中心体素的相邻体素的目标标识对应的体素包含的点，确定所述第一中心体素的特征，包括：
对所述第一中心体素包含的点进行特征提取，获得第一特征；
对所述第一中心体素的相邻体素的目标标识对应的各个体素包含的点进行特征提取，获得多个第二特征；
基于所述第一特征和所述多个第二特征生成第三特征，将所述第三特征确定为所述第一中心体素的特征。
11.一种智能行驶方法，其特征在于，所述方法包括：
利用权利要求1-10任一所述的方法对道路场景的点云数据进行处理，得到所述道路场景的点云数据的处理结果；
根据所述道路场景的点云数据的处理结果，对采集所述道路场景的点云数据的智能行驶设备进行控制。
12.一种点云数据处理装置，其特征在于，所述装置包括：划分单元、转移单元、编码单元和数据处理单元；其中，
所述划分单元，用于将目标场景的点云数据划分为多个相同规格的体素；确定多个体素中非空体素中每个体素的标识，以及确定第一中心体素的相邻体素的初始标识；所述第一中心体素为所述非空体素中的任一体素；
所述转移单元，用于基于各个体素中包含的点的数量，确定所述第一中心体素的至少部分相邻体素转移至其他体素的标识；基于未转移的相邻体素的初始标识和相邻体素转移至其他体素的标识，确定所述第一中心体素的相邻体素的目标标识；
所述编码单元，用于基于所述第一中心体素包含的点以及所述第一中心体素的相邻体素的目标标识对应的体素包含的点，确定所述第一中心体素的特征；
所述数据处理单元，用于根据所述点云数据的特征，对所述点云数据进行处理，其中，所述点云数据的特征根据各个第一中心体素的特征确定。
13.根据权利要求12所述的装置，其特征在于，所述转移单元，用于基于第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的标识；所述第一相邻体素为所述第一中心体素的多个相邻体素中的任一相邻体素。
14.根据权利要求13所述的装置，其特征在于，所述转移单元，用于基于所述第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的概率；基于所述第一相邻体素中包含的点的数量确定所述第一相邻体素至所述其他体素的移动步数；基于所述概率和所述移动步数确定所述第一相邻体素转移至其他体素的标识。
15.根据权利要求12至14任一项所述的装置，其特征在于，所述划分单元，用于将目标场景的点云数据按照至少两种分辨率进行划分，获得分别对应各分辨率的多个相同规格的体素；其中，所述至少两种分辨率中的第二分辨率对应的体素的大小为第一分辨率对应的体素的大小的整数倍；还用于在所述第一分辨率划分的多个体素情况下，确定多个体素中非空体素中每个体素的第一标识，在所述第二分辨率划分的多个体素情况下，确定多个体素中非空体素中每个体素的第二标识；在所述第一分辨率划分的多个体素情况下，确定所述第一中心体素的各个相邻体素的第一初始标识，以及各个所述第一初始标识在所述第二分辨率划分的多个体素情况下对应的第二初始标识；所述第一初始标识对应的第一体素在所述第二初始标识对应的第二体素的范围内。
16.根据权利要求15所述的装置，其特征在于，所述转移单元，用于在所述第一分辨率划分的多个体素情况下，基于第一相邻体素中包含的点的数量以及与所述第一相邻体素相近的其他体素中包含的点的数量，确定所述第一相邻体素转移至其他体素的概率；所述第一相邻体素为所述第一中心体素的多个相邻体素中的任一相邻体素；基于所述第一相邻体素中包含的点的数量确定所述第一相邻体素转移至所述其他体素的移动步数；获得所述第一相邻体素由所述第一分辨率转换至所述第二分辨率的第一转移概率、以及由所述第二分辨率转移至所述第一分辨率的第二转移概率；基于所述概率、所述移动步数、所述第一转移概率和所述第二转移概率确定所述第一相邻体素转移至其他体素的标识。
17.根据权利要求14或16所述的装置，其特征在于，所述转移单元，用于基于所述第一相邻体素中包含的点的数量确定所述第一相邻体素执行转移的第一概率；所述第一概率的大小与所述第一相邻体素中包含的点的数量呈负相关关系；在所述移动步数内，基于第i步的体素i的各个相邻体素中包含的点的数量以及由第i步转移至第i+1步的体素i+1中包含的点的数量，确定所述体素i转移至所述体素i+1的第二概率；i+1为小于等于所述移动步数的正整数。
18.根据权利要求14所述的装置，其特征在于，所述转移单元，用于基于所述第一概率、所述移动步数和所述第二概率，确定所述第一相邻体素转移至其他体素的标识。
19.根据权利要求16所述的装置，其特征在于，所述转移单元，用于基于所述第一概率、所述移动步数和所述第二概率、所述移动步数、所述第一转移概率和所述第二转移概率确定所述第一相邻体素转移至其他体素的标识。
20.根据权利要求12至19任一项所述的装置，其特征在于，所述编码单元，用于对所述第一中心体素以及所述第一中心体素的相邻体素的目标标识对应的各个体素包含的点进行特征提取，将提取的特征确定为所述第一中心体素的特征。
21.根据权利要求12至19任一项所述的装置，其特征在于，所述编码单元，用于对所述第一中心体素包含的点进行特征提取，获得第一特征；对所述第一中心体素的相邻体素的目标标识对应的各个体素包含的点进行特征提取，获得多个第二特征；基于所述第一特征和所述多个第二特征生成第三特征，将所述第三特征确定为所述第一中心体素的特征。
22.一种智能行驶装置，其特征在于，所述装置包括：点云数据处理单元和控制单元；其中，
所述点云数据处理单元，用于利用权利要求1-10任一所述的方法对道路场景的点云数据进行处理，得到所述道路场景的点云数据的处理结果；
所述控制单元，用于根据所述道路场景的点云数据的处理结果，对采集所述道路场景的点云数据的智能行驶设备进行控制。
23.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至10任一项所述方法的步骤；或者，该程序被处理器执行时实现权利要求11所述方法的步骤。
24.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现权利要求1至10任一项所述方法的步骤；或者，所述处理器执行所述程序时实现权利要求11所述方法的步骤。
CN202010076628.5A 2020-01-23 2020-01-23 点云数据处理方法、智能行驶方法及相关装置、电子设备 Pending CN111340935A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010076628.5A CN111340935A (zh) 2020-01-23 2020-01-23 点云数据处理方法、智能行驶方法及相关装置、电子设备
PCT/CN2020/135237 WO2021147551A1 (zh) 2020-01-23 2020-12-10 点云数据处理方法、智能行驶方法及相关装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010076628.5A CN111340935A (zh) 2020-01-23 2020-01-23 点云数据处理方法、智能行驶方法及相关装置、电子设备

Publications (1)

Publication Number Publication Date
CN111340935A true CN111340935A (zh) 2020-06-26

Family

ID=71183365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010076628.5A Pending CN111340935A (zh) 2020-01-23 2020-01-23 点云数据处理方法、智能行驶方法及相关装置、电子设备

Country Status (2)

Country Link
CN (1) CN111340935A (zh)
WO (1) WO2021147551A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095172A (zh) * 2021-03-29 2021-07-09 天津大学 一种基于深度学习的点云三维物体检测方法
WO2021147551A1 (zh) * 2020-01-23 2021-07-29 北京市商汤科技开发有限公司 点云数据处理方法、智能行驶方法及相关装置、电子设备
CN113521741A (zh) * 2020-10-23 2021-10-22 腾讯科技（深圳）有限公司 自动生成地图区域链接的方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108694740A (zh) * 2017-03-06 2018-10-23 索尼公司 信息处理设备、信息处理方法以及用户设备
US20180365506A1 (en) * 2017-05-25 2018-12-20 General Motors Llc Method and apparatus for classifying lidar data for object detection
CN109118564A (zh) * 2018-08-01 2019-01-01 湖南拓视觉信息技术有限公司 一种基于融合体素的三维点云标记方法和装置
CN110390706A (zh) * 2018-04-13 2019-10-29 北京京东尚科信息技术有限公司 一种物体检测的方法和装置
CN110443810A (zh) * 2019-07-17 2019-11-12 北京建筑大学 基于快速邻接体素查询的点云平面分割方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102238693B1 (ko) * 2014-06-20 2021-04-09 삼성전자주식회사 포인트 클라우드에서 특징 영역을 추출하는 방법 및 장치
CN106127153B (zh) * 2016-06-24 2019-03-05 南京林业大学 车载激光扫描点云数据的交通标牌识别方法
CN106780524B (zh) * 2016-11-11 2020-03-06 厦门大学 一种三维点云道路边界自动提取方法
CN109766878B (zh) * 2019-04-11 2019-06-28 深兰人工智能芯片研究院（江苏）有限公司 一种车道线检测的方法和设备
CN111340935A (zh) * 2020-01-23 2020-06-26 北京市商汤科技开发有限公司 点云数据处理方法、智能行驶方法及相关装置、电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108694740A (zh) * 2017-03-06 2018-10-23 索尼公司 信息处理设备、信息处理方法以及用户设备
US20180365506A1 (en) * 2017-05-25 2018-12-20 General Motors Llc Method and apparatus for classifying lidar data for object detection
CN110390706A (zh) * 2018-04-13 2019-10-29 北京京东尚科信息技术有限公司 一种物体检测的方法和装置
CN109118564A (zh) * 2018-08-01 2019-01-01 湖南拓视觉信息技术有限公司 一种基于融合体素的三维点云标记方法和装置
CN110443810A (zh) * 2019-07-17 2019-11-12 北京建筑大学 基于快速邻接体素查询的点云平面分割方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021147551A1 (zh) * 2020-01-23 2021-07-29 北京市商汤科技开发有限公司 点云数据处理方法、智能行驶方法及相关装置、电子设备
CN113521741A (zh) * 2020-10-23 2021-10-22 腾讯科技（深圳）有限公司 自动生成地图区域链接的方法、装置、设备及存储介质
CN113521741B (zh) * 2020-10-23 2024-02-23 腾讯科技（深圳）有限公司 自动生成地图区域链接的方法、装置、设备及存储介质
CN113095172A (zh) * 2021-03-29 2021-07-09 天津大学 一种基于深度学习的点云三维物体检测方法
CN113095172B (zh) * 2021-03-29 2022-08-05 天津大学 一种基于深度学习的点云三维物体检测方法

Also Published As

Publication number Publication date
WO2021147551A1 (zh) 2021-07-29

Similar Documents

Publication Publication Date Title
Jaritz et al. Sparse and dense data with cnns: Depth completion and semantic segmentation
CN111160214B (zh) 一种基于数据融合的3d目标检测方法
CN115147598B (zh) 目标检测分割方法、装置、智能终端及存储介质
CN111340935A (zh) 点云数据处理方法、智能行驶方法及相关装置、电子设备
CN114638954B (zh) 点云分割模型的训练方法、点云数据分割方法及相关装置
JP7475287B2 (ja) ポイントクラウドデータの処理方法、装置、電子機器、記憶媒体及びコンピュータプログラム
CN111860138A (zh) 基于全融合网络的三维点云语义分割方法及系统
WO2022253148A1 (en) Systems and methods for sparse convolution of unstructured data
CN112734931B (zh) 一种辅助点云目标检测的方法及系统
CN114764856A (zh) 图像语义分割方法和图像语义分割装置
CN113807361A (zh) 神经网络、目标检测方法、神经网络训练方法及相关产品
CN115457492A (zh) 目标检测方法、装置、计算机设备及存储介质
CN113657246B (zh) 一种基于自监督学习的三维点云二阶段目标检测方法
CN113158970B (zh) 一种基于快慢双流图卷积神经网络的动作识别方法与系统
CN114998610A (zh) 一种目标检测方法、装置、设备及存储介质
CN114359554A (zh) 一种基于多感受野上下文语义信息的图像语义分割方法
CN114638866A (zh) 一种基于局部特征学习的点云配准方法及系统
CN115775214B (zh) 一种基于多阶段分形组合的点云补全方法及系统
CN114638953B (zh) 点云数据的分割方法、装置及计算机可读存储介质
CN116403062A (zh) 一种点云目标检测方法、系统、设备及介质
WO2022017129A1 (zh) 目标对象检测方法、装置、电子设备及存储介质
CN116858233A (zh) 路径生成方法、装置、服务器及存储介质
CN117036658A (zh) 一种图像处理方法及相关设备
CN114022721A (zh) 图像特征点选取方法及相关装置、设备和存储介质
CN114882247A (zh) 图像的处理方法、装置和电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
AD01 Patent right deemed abandoned
AD01 Patent right deemed abandoned

Effective date of abandoning: 20240419