对点云数据进行分割的方法及装置、存储介质和电子设备与流程
本公开涉及图像处理技术，尤其是涉及一种对点云数据进行分割的方法及装置、存储介质和电子设备。
背景技术：
场景分割或图像分割是机器视觉中的重要技术。对于诸如自动驾驶技术或家庭机器人技术而言，优秀的分割算法是实现复杂功能的基础。分割方法包括以下思路：自低向上，先将图像聚类成小的像素团再慢慢合并；自顶向下，用多尺度模板分割图像，再进一步将图像优化分割成不同物体，以及将自低向上和自顶向下进行结合的方法。然而，现有技术中的分割方法因为太依赖于已知的物体而失去了灵活性。
技术实现要素：
为了解决上述技术问题，提出了本公开。本公开的实施例提供了一种对点云数据进行分割的方法及装置、存储介质和电子设备。
根据本公开实施例的一个方面，提供了一种对点云数据进行分割的方法，所述方法包括：确定待处理的点云数据集中每个点云数据点所在的局部区域；将所述每个点云数据点所在的局部区域划分为预定数量的子区域；在所述预定数量的子区域中的每个子区域中的点云数据点进行排序，获得预定数量的同次序点云数据组；确定所述预定数量的同次序点云数据组中的每个同次序点云数据组中的每个点云数据点与相应的邻近点云数据点之间的依赖关系，将每个同次序点云数据组的所有依赖关系构建为单个依赖关系集，从而得到预定数量的依赖关系集；基于所述预定数量的依赖关系集，确定所述每个点云数据点归属于预测类别的概率值；根据每个点云数据点归属于预测类别的概率值对待处理的点云数据集进行分割。
根据本公开实施例的另一个方面，提供了一种对点云数据进行分割的装置，所述装置包括：第一确定模块，用于确定待处理的点云数据集中每个点云数据点所在的局部区域；区域划分模块，用于将所述每个点云数据点所在的局部区域划分为预定数量的子区域；排序模块，用于在所述预定数量的子区域中的每个子区域中的点云数据点进行排序，获得预定数量的同次序点云数据组；第二确定模块，用于确定所述预定数量的同次序点云数据组中的每个同次序点云数据组中的每个点云数据点与相应的邻近点云数据点之间的依赖关系，将每个同次序点云数据组的所有依赖关系构建为单个依赖关系集，从而得到预定数量的依赖关系集；概率值确定模块，用于基于所述预定数量的依赖关系集，确定所述每个点云数据点归属于预测类别的概率值；分割模块，用于根据每个点云数据点归属于预测类别的概率值对待处理的点云数据集进行分割。
基于本公开上述实施例提供的一种对点云数据进行分割的方法及装置，以待处理的点云数据中每个数据点为中心点确定中心点周围的多个子区域并对多个子区域中采样得到临近点按照子区域的编号进行固定顺序的排列。并且，这种中心点到临近点的依赖关系一旦被确定，就不再变化。按照这种固定的依赖关系构建出静态图结构并通过图模型的状态变化确定每个点所在类别的概率。由此可知，本公开提供的技术方案通过对由激光雷达传感器收集到目标区域的三维点云数据进行语义分割，即对收集到的每个空间区域中的点进行分类，有效地应用于无人驾驶场景下对室外环境中的物体进行灵活的分割和识别，以更好地辅助驾驶决策，也可以用于场景更为复杂的室内环境中的物体的分割和识别。
下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为本公开方法一个实施例的流程图。
图2为本公开一个实施例的几何采样的示意图。
图3为本公开一个实施例的构建单个图结构的示意图。
图4为本公开一个实施例的同步卷积的示意图。
图5为本公开一个实施例的构建集成图结构的示意图。
图6为本公开一个实施例的点云数据集的分割效果的示意图。
图7为本公开装置一个实施例的结构示意图。
图8为本公开装置另一个实施例的结构示意图。
图9图示了根据本公开实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。
应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
还应理解，在本公开实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
另外，本公开中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。
还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
申请概述
在实现本公开的过程中，发明人发现目前的分割方法依赖于自低向上、自顶向下或自低向上和自顶向下相结合的方式。在这些方式中至少存在以下问题：现有的分割方法过度依赖于已知的物体。
示例性方法
图1为本公开方法一个实施例的流程图。如图1所示，该实施例方法包括：
步骤101，确定待处理的点云数据集中每个点云数据点所在的局部区域。
在一实施例中，待处理的点云数据集是利用激光雷达传感器对目标区域(例如，室内或室外的特定场景)进行数据采集所获得的多个点云数据点的集合。在一实施例中，局部区域是以点云数据点为空间中心点的三维空间区域。
步骤102，将所述每个点云数据点所在的局部区域划分为预定数量的子区域。
在一实施例中，预设数量为每个点云数据点所在的三维空间区域所能划分的子三维空间区域的数量。例如，本实施例将每个点云数据点所在的三维空间区域划分为8个字三维空间区域。在一实施例中，子区域是将局部区域(三维空间区域)进行划分所得到的多个子三维空间区域中的一个。
步骤103，在所述预定数量的子区域中的每个子区域中的点云数据点进行排序，获得所述预定数量的同次序点云数据组。
在一实施例中，可以按照预定数量的子区域中的每个子区域中的点云数据点与局部区域的空间中心点的距离的升序顺序进行排序。同次序点云数据组为将每个子区域的经过排序的点云数据点按照与局部区域的空间中心点的距离处于相同次序的点云数据点。例如，预定数量为8时，则8个子区域中各自的与局部区域的空间中心点的距离最近的点云数据点(共8个)构成一个同次序点云数据组。
步骤104，确定所述预定数量的同次序点云数据组中的每个同次序点云数据组中的每个点云数据点与相应的邻近点云数据点之间的依赖关系，将每个同次序点云数据组的所有依赖关系构建为单个依赖关系集，从而得到预定数量的依赖关系集。
在一实施例中，依赖关系体现为每个点云数据点对相应的邻近点云数据点之间的依赖、使用或状态相似等关系。依赖关系可以体现为每个点云数据点与相应的邻近点云数据点之间关系连接。依赖关系集为所有依赖关系的集合。
步骤105，基于所述预定数量的依赖关系集，确定所述每个点云数据点归属于预测类别的概率值。
在一实施例中，概率值为每个点云数据点归属于预测类别的概率。
步骤106，根据每个点云数据点归属于预测类别的概率值对待处理点云数据集进行分割。每个点云数据点归属于预测类别的概率值可以表征点云数据点是特定物体上的点的概率。基于点云数据点是特定物体上的点的概率能够实现对目标区域内各个物体上的多个点的划分，从而实现图像识别。
本公开实施例的方法能够对室外环境的物体进行灵活的分割和识别，以更好地辅助驾驶决策，或者对场景更为复杂的室内物体进行分割和识别以更好地辅助智能设备。本公开实施例的方法通过以待处理的点云数据集中每个点云数据点为中心点，确定中心点周围的多个子区域并对多个子区域中采样得到临近点按照子区域的编号进行固定顺序的排列。通过这种方式，本公开实施例的方法实现了对每个点云数据点的相邻数据点的基于临近关系的处理的技术效果。本公开实施例的方法基于这种固定顺序的排列确定依赖关系，并按照这种固定的依赖关系构建出静态图结构并通过图模型的状态变化确定每个数据点所在类别的概率，从而使得本公开实施例的方法基于每个数据点所在类别的概率对待处理的点云数据中的多个数据点进行灵活的分割以实现对物体的识别。
其中，在确定待处理的点云数据集中每个点云数据点所在的局部区域之前还包括：利用激光雷达传感器对目标区域进行数据采集，以获取待处理的点云数据集。目标区域可以是室外环境中的特定区域，例如，在道路上行驶的车辆的前方区域、后方区域或侧方区域。目标区域还可以是室内环境中的特定区域，例如，书房、客厅、卧室或厨房等。本公开实施例的方法通过激光雷达传感器实现了对数据点的采集。
本公开利用激光雷达传感器对目标区域进行数据采集，例如，对在道路上行驶的车辆的前方区域进行数据采集能够获取包括前方车辆、标识牌、红绿灯等的物体上的多个点云数据点，并将所有的点云数据点构成点云数据集。例如，对书房进行数据采集能够获取包括桌子、椅子、台灯、书架等的物体上的多个点云数据点，并将所有的点云数据点构成点云数据集。本公开利用激光雷达传感器进行数据采集所获取的每个点云数据点均是三维空间区域内的数据点，通过这种方式实现了数据获取。
为了对目标区域内的各种物体进行识别，需要对与目标区域相对应的点云数据集中的点云数据点进行识别和分类。根据对点云数据点的识别和分类结果，确定每个点云数据点所归属的类别或对象的概率值。例如，对点云数据集中的点云数据点a和点云数据点b进行识别和分类后，确定点云数据点a属于桌子的概率值为85％，并且点云数据点b属于椅子的概率值为95％。基于概率值对点云数据点a和b进行分类，即分别分类为桌子和椅子。基于所归属的类别或对象的概率值，对点云数据集中的点云数据点进行分类。相同类别的点云数据点属于同一物体，并且本公开据此实现了对物体的识别。通过这种方式，本公开实施例的方法能够基于概率值来实现对各种物体上的点云数据点的分类和识别。
为了确定点云数据集中每个点云数据点归属于每个类别或对象的概率值，需要确定每个点云数据点与邻近的点云数据点的关系，并且基于这种关系来确定每个点云数据点归属的类别或对象的概率值。为此，本公开需要为待处理的点云数据集中每个点云数据点确定其所在的局部区域。其中，每个点云数据点所在的局部区域为三维空间区域。点云数据集对应于目标区域内的整体三维空间区域，而每个点云数据点所在的局部区域是整体三维空间区域内的局部三维空间区域。本公开实施例的方法通过确定邻近点云数据点的关系，实现了对物体进行灵活的准确分割。
为了对每个点云数据点的临近点云数据点进行依赖关系的确定，本公开对每个点云数据点所在的局部区域进行划分。例如，对于欧式空间中的每个点云数据点pi，以该点云数据点为中心点，以r为半径的球体空间作为局部区域。随后，以中心点为中心将r为半径的球体空间作为局部区域切分成8个卦限。其中每个卦限相当于一个子区域。通过这种划分，本公开实施例的方法可以确定与每个点云数据点相关的多个子区域，并这种子区域的划分来确定每个子区域中的点云数据点与中心点之间的关系。
本公开在每个子区域中获取最邻近的点云数据点集，包括：在点云数据点的每个子区域中确定与点云数据点距离最邻近的多个点云数据点，以将最邻近的多个点云数据点组成每个子区域的最邻近的点云数据点集。本公开将每个点云数据点所在的局部区域划分为预定数量的子区域的目的是，通过几何采样的方法得到多组(例如表示为，k组)依赖(dependency),并通过k组依赖来构建k个图结构(graphstructure)。应当了解的是，图结构一旦被构建，就不再改变。通过这种图结构，本公开实施例的方法可以更为直观地明确各个点云数据点之前的依赖关系。
本公开以8个卦限为例进行说明，但是所属领域技术人员应当了解的是，可以使用任何合理的其它数值。首先,定义图g＝(v,e)，利用ni代表图g中的节点且i＝1,2,…,n。v代表图g中所有节点的集合v＝{ni|i＝1，2，...，n}，并且e代表图g中所有边的集合e＝v×v。具体地，v1,v2,v3∈{0,1}，对于给定的卦限序号v∈{1,2,…,8}，v＝4×v1+2×v2+v3+1。
其中v代表卦限序号，v1、v2和v3的随机取值能够保证不同卦限的v的值不同。(v1，v2，v3)可以理解为v的二进制编码，比如(v1，v2，v3)＝(0，0，0)的话，v＝1，代表第一卦限(可以代进公式自行计算)，v1，v2，v3各自取值只能是0或者1。
确定与卦限相关(octant-specific)的示性函数：
其中a＝[ax，ay，ax]，其中ax，ay和az代表三维点云数据点的三维坐标。其中在卦限序号v确定之后，示性函数xv(a)用于判断每一个临近的点云数据点是否在这个卦限中。例如，返回0，则代表临近的点云数据点不在这个卦限中，而返回1，则代表临近的点云数据点在这个卦限中。
于是当且仅当满足下列条件时，nj是ni在卦限v中的最临近的点云数据点：
其中，d(pi，pk)代表两个点云数据点之间的欧氏距离，r代表球体的半径，(ni，nj)∈ev作为点云数据点ni在第v卦限的边，记做δv(ni)＝nj，其中δv(ni)代表点云数据点ni在第v卦限临近点的函数。于是，对于所有8个卦限，e＝e1∪e2∪...∪e8。其中e1、e2、......、e8分别是第1卦限、第2卦限、......、第8卦限中所有边的集合。
由此，本公开实施例的方法通过确定每个点云数据点和临近的点云数据点的关系，以及确定每个卦限中各个点云数据点之间的边，可以确定图g中的所有点云数据点和边。
在所述预定数量的子区域中的每个子区域中的点云数据点进行排序，获得所述预定数量的同次序点云数据组具体包括：在所述预定数量的子区域的每个子区域中获取最邻近的点云数据点集，并按照距离的升序顺序对每个最邻近的点云数据点集中的点云数据点进行排序。将预定数量的点云数据点集中位于相同次序的点云数据点作为同次序数据点组，以获得预定数量的同次序数据点组。通过确定同次序数据点组，本公开实施例的方法能够更好地对点云数据点的临近数据点进行分类和划分。
几何采样的方法如图2所示。图2为本公开一个实施例的几何采样的示意图。例如，在图2中，对于欧式空间中的每个点云数据点pi，以这个点云数据点pi为中心点，以r为半径的球体作为局部区域。将局部区域以中心点为中心切分成8个卦限。在每个卦限中，通过最近邻(knearestneighbor)采样的方法，得到k个点，并按照与点云数据点pi的距离从近到远的顺序对临近的点云数据点进行排序。通过排序，总共得到k×8个临近点，并记为k个批次(batch)。其中，第一批次代表与点云数据点pi的距离最近的8个点，第二批次代表与点云数据点pi的距离第二近的8个点，以此类推。由此可知，本公开可以将每个批次作为同次序点云数据组。为此，每个同次序点云数据组均包括预定数量的点云数据点。通过确定同次序点云数组，本公开实施例的方法明确了与中心点具有依赖关系的多个层次的数据点。其中，依赖关系体现为每个点云数据点对相应的邻近点云数据点之间的依赖、使用或状态相似等关系。依赖关系可以体现为每个点云数据点与相应的邻近点云数据点之间关系连接。例如，在上面介绍的实例中，对于得到的k个批次的临近的点云数据点，每个批次被用于构建点云数据点到临近的点云数据点之间的依赖(dependency)。通过这种方式，总共得到了k组依赖，并且后续可以基于每组依赖来构建单个图结构。即，k组依赖可以构建k个图结构。通过图结构的方式，本公开实施例的方法能够对依赖关系进行更为直观的表示，并且这种表示方式有利于后续的数据处理。
基于所述预定数量的依赖关系集，确定所述每个点云数据点归属于预测类别的概率值具体包括：将预定数量的依赖关系集中的每个依赖集构建为单个图结构，以获得多个图结构；基于所述多个图结构中的每个图结构中的点云数据点的位置坐标和最邻近的数据点的位置坐标对每个图结构的点云数据点的预测类别进行更新，得到所述每个点云数据点归属于预测类别的概率。通过确定每个点云数据点归属于预测类别的概率，本公开实施例的方法获得了对点云数据集中点云数据点进行划分的划分基础。
此外，还包括：将所确定的多个图结构按照相应的同次序点云数据组的距离升序顺序进行拼接，从而将多个图结构集成为集成图结构。其中将多个图结构集成为集成图结构是将多个图按照前后相继的顺序串接在一起。例如，将两个图结构g1和g2做图结构集成，则将图结构g1输出的状态作为图结构g2的输入。通过图结构集成的方式，能获得对点云数据集进行灵活分割的更好的效果。
具体地，本公开以多个批次(即，同次序数据点组)中的第一批次为例来说明如何进行点云数据点的状态更新，这样使得点云数据点的更新之后的状态可以代表每个点云数据点归属于预测类别的概率值。点云数据点的初始状态可以是其在三维空间中的坐标位置。其中点云数据点的状态更新可以同时由每个点云数据点以rgb图片状态的自我更新以及通过临近点的状态转移来实现。本公开为实现过程设置一定的灵活性来平衡rgb图片状态的自我更新以及通过临近点的状态转移的贡献。状态更新策略包括确定点云数据点ni的更新之后的状态：
其中t代表时间步(timestep)，
本公开使用多层感知机(multi-layerperceptron)来执行函数f1的功能。由于本公开使用了与8个卦限临近点的顺序排列(结构化排列)方式，可以用卷积操作来执行f2的功能，并使用最大池化(max-pooling)作为非线性激活层。
为此，上面的公式可改写为：
图3为本公开一个实施例的构建单个图结构的示意图。构建单个图结构的详细结构以及同步卷积操作机制可参考图3，其中相邻分权(adjacentdecentralization)代表每个点云数据点与邻近的点云数据点之间的一阶差分。在多个点云数据集中的每个点云数据点各自的子区域中确定与自身距离最邻近的多个其它的点云数据点，以将最邻近的多个其它点云数据点组成每个子区域的最邻近的点云数据组。将每个点云数据点所在的局部区域划分为预定数量的子区域的目的是，通过几何采样的方法得到多组依赖,并通多组依赖来构建多个图结构。对每个图结构进行相邻分权以确定每个点云数据点与邻近的点云数据点之间的一阶差分。将每个点云数组通过进行卷积操作以提取特征。通过所提取的特征获得每个点云数据点对相应的邻近点云数据点之间的依赖、使用或状态相似等关系，以及将预定数量的依赖关系集中的每个依赖集构建为单个图结构。通过池化层进行最大池化以对卷积操作输出的依赖进行特征选取或信息过滤。根据经过特征提取或信息过滤后的每个图结构中的点云数据点的位置坐标和最邻近的数据点的位置坐标获取分段输出分数和全局特征。基于全局特征对点云数据点进行识别和分类，确定每个点云数据点所归属的类别或对象的分数(概率值)。
本公开通过同步卷积(concurrentconvolution)来同时捕获每个点云数据点的状态的绝对信息和局部临近点云数据点之间的相对关系。图4为本公开一个实施例的同步卷积的示意图。本公开使用如图4所示的同步卷积同时捕获每个点云数据点的状态的绝对信息和局部临近点云数据点之间的相对关系，从而实现了对点云数据点的灵活划分。具体地，如图4所示，将点云数据集中每个点云数据点作为输入特征以输入到同步卷积网络中。随后，每个点云数据点为中心点构建单个球体作为局部区域。通过这种构建，实现了从图结构对每个点云数据点进行分组。例如，将局部区域以中心点为中心切分成8个卦限。在每个卦限中，通过最近邻采样的方法，得到k个点，并按照与点云数据点的距离从近到远的顺序对临近的点云数据点进行排序。通过排序，总共得到n×8个临近点，并记为n个批次。如图4所示，第一批次代表与中心点的距离最近的8个点，第二批次代表与中心点的距离第二近的8个点，以此类推。针对每个卦限进行邻近的点云数据点的排序，以形成8个卦限中每个卦限的经过排序的点云数据点的点云数组。将每个卦限的经过排序的点云数据点的点云数组通过进行卷积操作以提取特征。通过所提取的特征获得每个点云数据点对相应的邻近点云数据点之间的依赖、使用或状态相似等关系，以及将预定数量的依赖关系集中的每个依赖集构建为单个图结构。将每个点云数据点对相应的邻近点云数据点之间的依赖、使用或状态相似等关系通过池化层进行最大池化以对卷积操作输出的依赖进行特征选取或信息过滤。根据经过特征提取或信息过滤后的每个图结构中的点云数据点的位置坐标和最邻近的数据点的位置坐标获取每个点云数据点的状态的绝对信息和局部临近点云数据点之间的相对关系。
根据每个点云数据点归属于预测类别的概率对待处理点云数据集进行分割具体包括：根据每个点云数据点归属于预测类别的概率值对待处理的点云数据集进行基于语义的区域划分，以获取多个点云数据区域。本公开的实施例基于每个点云数据区域对待处理的点云数据集进行分割，以获得多个点云数据子集。
本公开实施例提供的任一种对点云数据进行分割的方法可以由任意适当的具有数据处理能力的设备执行，包括但不限于：终端设备和服务器等。或者，本公开实施例提供的任一种对点云数据进行分割的方法可以由处理器执行，如处理器通过调用存储器存储的相应指令来执行本公开实施例提及的任一种对点云数据进行分割的方法。下文不再赘述。
示例性装置
图7为本公开装置一个实施例的结构示意图。该实施例的装置可用于实现本公开上述方法实施例。如图7所示，该实施例的装置包括：
第一确定模块701，用于确定待处理的点云数据集中每个点云数据点所在的局部区域。
区域划分模块702，用于将所述每个点云数据点所在的局部区域划分为预定数量的子区域。
排序模块703，用于在所述预定数量的子区域中的每个子区域中的点云数据点进行排序，获得预定数量的同次序点云数据组。
第二确定模块704，用于确定所述预定数量的同次序点云数据组中的每个同次序点云数据组中的每个点云数据点与相应的邻近点云数据点之间的依赖关系，将每个同次序点云数据组的所有依赖关系构建为单个依赖关系集，从而得到预定数量的依赖关系集。
概率值确定模块705，用于基于所述预定数量的依赖关系集，确定所述每个点云数据点归属于预测类别的概率值。
分割模块706，用于根据每个点云数据点归属于预测类别的概率值对待处理的点云数据集进行分割。
图8为本公开装置另一个实施例的结构示意图。该实施例的装置可用于实现本公开上述各方法实施例。如图8所示，该实施例的装置包括：
第一确定模块801，用于确定待处理的点云数据集中每个点云数据点所在的局部区域。
区域划分模块802，用于将所述每个点云数据点所在的局部区域划分为预定数量的子区域。
排序模块803，用于在所述预定数量的子区域中的每个子区域中的点云数据点进行排序，获得预定数量的同次序点云数据组。
排序模块803进一步包括：
距离排序子模块8031，在所述预定数量的子区域的每个子区域中获取最邻近的点云数据点集，并按照距离的升序顺序对每个最邻近的点云数据点集中的点云数据点进行排序。
数据点组获取子模块8032，将预定数量的点云数据点集中位于相同次序的点云数据点作为同次序数据点组，以获得预定数量的同次序数据点组。
数据点集获取子模块8033，在点云数据点的每个子区域中确定与点云数据点距离最邻近的多个点云数据点，以将最邻近的多个点云数据点组成每个子区域的最邻近的点云数据点集。
第二确定模块804，用于确定所述预定数量的同次序点云数据组中的每个同次序点云数据组中的每个点云数据点与相应的邻近点云数据点之间的依赖关系，将每个同次序点云数据组的所有依赖关系构建为单个依赖关系集，从而得到预定数量的依赖关系集。
概率值确定模块805，用于基于所述预定数量的依赖关系集，确定所述每个点云数据点归属于预测类别的概率值。
概率值确定模块805进一步包括：
图结构获取子模块8051，将预定数量的依赖关系集中的每个依赖集构建为单个图结构，以获得多个图结构。
更新子模块8052，基于所述多个图结构中的每个图结构中的点云数据点的位置坐标和最邻近的数据点的位置坐标对每个图结构的点云数据点的预测类别进行更新，得到所述每个点云数据点归属于预测类别的概率。
分割模块806，用于根据每个点云数据点归属于预测类别的概率值对待处理的点云数据集进行分割。在一实施例中，分割模块806基于所述集成图结构中各个图结构的依赖关系，对待处理的点云数据集进行分割。
分割模块806进一步包括：
划分子模块8061，根据每个点云数据点归属于预测类别的概率值对待处理的点云数据集进行基于语义的区域划分，以获取多个点云数据区域。
子集获取子模块8062，基于每个点云数据区域对待处理的点云数据集进行分割，以获得多个点云数据子集。
拼接模块807，用于将所确定的多个图结构按照相应的同次序点云数据组的距离升序顺序进行拼接，从而将多个图结构集成为集成图结构。
采集模块808，用于利用激光雷达传感器对目标区域进行数据采集，以获取待处理的点云数据集。
在一实施例中，每个点云数据点所在的局部区域为三维空间区域。
在一实施例中，每个同次序点云数据组均包括预定数量的点云数据点。
示例性电子设备
下面，参考图9来描述根据本公开实施例的电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。
图9图示了根据本公开实施例的电子设备的框图。
如图9所示，电子设备900包括一个或多个处理器901和存储器902。
处理器901可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备900中的其他组件以执行期望的功能。
存储器902可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器901可以运行所述程序指令，以实现上文所述的本公开的各个实施例的对点云数据进行分割的方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中，电子设备900还可以包括：输入装置903和输出装置904，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如，在该电子设备是第一设备或第二设备时，该输入装置903可以是上述的麦克风或麦克风阵列，用于捕捉声源的输入信号。在该电子设备是单机设备时，该输入装置903可以是通信网络连接器，用于从第一设备和第二设备接收所采集的输入信号。
此外，该输入装置903还可以包括例如键盘、鼠标等等。
该输出装置904可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出设备904可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图9中仅示出了该电子设备900中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备900还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的对点云数据进行分割的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的对点云数据进行分割的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。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。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
- 还没有人留言评论。精彩留言会获得点赞！