本发明涉及测控技术领域，尤其涉及一种基于点云深度学习的点云数据集制作系统及方法。

背景技术：

深度学习网络模型一般都是基于64线单帧激光数据集进行。但64线激光器和单帧的限定，造成了工程应用中点云数据到深度学习网络模型不匹配。

技术实现要素：

本发明实施例至少揭露了一种基于点云深度学习的点云数据集制作方法。本实施例揭露的方法被执行时能够制作单线及多线融合后的点云数据集，该点云数据集能够匹配较多的深度学习网络模型，可较快的进行工程化应用，并不需要指定点云采集设备可降低工程成本。

为了实现上述内容，所述方法被配置为：获取点云数据；转换所述点云数据的经纬度信息为坐标系信息；沿一轨迹方向切割转换后的所述点云数据为至少一存储区域相同的点云块数据；获取所述点云块数据中待标识的目标，并且生成标识所述目标的标注容器；生成描述所述标注容器中坐标信息及反射强度信息的标注文件；优化所述标注文件中的所述坐标信息及所述反射强度信息；根据优化后的所述标注文件生成用于输入深度学习网络模型的二进制格式文件。

在本发明揭露的一些实施例中，获取点云数据，被配置为：获取单线和/或多线点云融合后的所述点云数据。

在本发明揭露的一些实施例中，切割转换后的所述点云数据为至少一存储区域相同的点云块数据，被配置为：切割转换后的所述点云数据为小于或等于40x20x15立方米的点云块数据。

在本发明揭露的一些实施例中，生成标识所述目标的标注容器，被配置为：选中所述点云块数据中待标识的所述目标；生成一可调整的标注方框；调整后给定所述目标的所述标注方框为所述标注容器。

在本发明揭露的一些实施例中，生成所述标注文件，被配置为：生成通过一标记语言描述所述标注容器中坐标信息及反射强度信息的标注文件。

在本发明揭露的一些实施例中，所述标记语言为可扩展标记语言。

在本发明揭露的一些实施例中，优化所述坐标信息及所述反射强度信息，被配置为：通过高程切割、反射强度过滤及数据抽稀中一个或多个的组合优化所述坐标信息及所述反射强度信息。

在本发明揭露的一些实施例中，提取优化后所述标注文件的坐标信息及反射强度信息；获取所述坐标信息的二进制格式坐标信息；获取所述反射强度信息的二进制格式强度信息；组合所述二进制格式坐标信息及所述二进制格式强度信息为所述二进制格式文件。

在本发明揭露的一些实施例中，所述深度学习网络模型被配置为基于三维空间逐层次学习网络模型。

本发明实施例至少揭露一种基于点云深度学习的点云数据集制作系统。所述系统被配置有：点云获取模块，被配置为获取点云数据；点云转换模块，被配置为转换所述点云数据的经纬度信息为坐标系信息；点云切割模块，被配置为沿一轨迹方向切割转换后的所述点云数据为至少一存储区域相同的点云块数据；点云标注模块，被配置为获取所述点云块数据中待标识的目标，并且生成标识所述目标的标注容器，以及生成描述所述标注容器中坐标信息及反射强度信息的标注文件；点云处理模块，被配置为优化所述标注文件中的所述坐标信息及所述反射强度信息；二进制点云转换模块，被配置为点云根据优化后的所述标注文件生成用于输入深度学习网络模型的二进制格式文件。

针对上述方案，本发明通过以下参照附图对揭露的示例性实施例作详细描述，亦使本发明实施例的其它特征及其优点清楚。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为实施例中方法的流程图；

图2为实施例中系统的结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

本实施例揭露一种基于点云深度学习的点云数据集制作方法。本实施例的方法被执行时能够作为样本文件输入到深度学习网络模型的点云数据的二进制格式文件。方法的执行主要实现在一些标准化的服务器和/或计算设备。

服务器和/或计算设备在本实施例中的实现至少有存储器及处理器。存储器主要包括存储程序区和存储数据区；其中，存储程序区可存储操作系统(比如：安卓操作系统，简称“安卓系统”，或者ios操作系统，或者其他操作系统，其中，操作系统也可简称为“系统”)、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)。以及，存储数据区可存储根据电子终端的使用所创建的数据，包括本申请实施例中涉及的显示的应用的相关设置信息或使用情况信息等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件，及其他易失性固态存储器件。

具体的，本实施例的方法被执行在计算设备，其系统环境为windows10，使用的显卡为rtx2080，开发环境为pycharm和anaconda，所使用的深度学习网络模型为voxelnet，该深度学习网络模型能够对点云数据中的目标进行识别。

本实施例的方法被上述计算设备执行前，由采集车辆通过激光扫描仪获取道路上一轨迹线段的点云数据，并且存在多线点云数据时由计算设备对多线点云数据融合。

在计算设备获取单线和/或多线点云融合后的点云数据后，执行本实施例的方法并且实现如图1的步骤。

s100转换点云数据的经纬度信息为坐标系信息，即将laz格式的点云数据转换为las格式。

s200沿采集车辆的行驶轨迹，即轨迹线段的轨迹方向切割转换后的点云数据为若干个40x20x15立方米的点云块数据，使每个点云块数据的存储区域相同。

s300识别并且选中点云块数据中待标识的目标，再生成一可调整的标注方框；通过对标注方框进行旋转、拉伸等操作，使目标被给定在标注方框中；被调整后的标注方框为标注容器。

s400生成描述标注容器中坐标信息及反射强度信息的xml标注文件。可选的，再将xml标注文件转换为易读取的txt文件或其他格式。

s500通过高程切割、反射强度过滤及数据抽稀的组合处理坐标信息及反射强度信息，主要目的是降低xml标注文件中非零值的点云数据。

s600提取优化后xml标注文件的坐标信息及反射强度信息；再获取坐标信息的二进制格式坐标信息，及获取反射强度信息的二进制格式强度信息；再后组合二进制格式坐标信息及二进制格式强度信息为二进制格式的.bin文件，即点云数据集。

同时，本实施例中深度学习网络模型的训练主要是选取前述的点云数据集及点云数据集对应目标的标签为样本集及测试集进行训练。

那么本实施例揭露的上述方法在被执行时能够制作单线及多线融合后的点云数据集，该点云数据集能够匹配较多的深度学习网络模型，可较快的进行工程化应用，并不需要指定点云采集设备可降低工程成本。

本实施例另揭露一种基于点云深度学习的点云数据集制作系统。

请参考图2，本实施例系统为执行上述方法包括点云获取模块、点云转换模块、点云切割模块、点云标注模块、点云处理模块及二进制点云转换模块。点云获取模块被执行时获取点云数据；点云转换模块被执行时转换点云数据的经纬度信息为坐标系信息；点云切割模块被执行时沿一轨迹方向切割转换后的点云数据为至少一存储区域相同的点云块数据；点云标注模块被执行时获取点云块数据中待标识的目标，并且生成标识目标的标注容器，以及生成描述标注容器中坐标信息及反射强度信息的标注文件；点云处理模块被执行时优化标注文件中的坐标信息及反射强度信息；二进制点云转换模块被执行时点云根据优化后的标注文件生成用于输入深度学习网络模型的二进制格式文件。

以上对本实施例进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例揭露的系统而言，由于其与实施例揭露的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

说明书中各个实施例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相似部分互相参见即可。对于实施例揭露的装置而言，由于其与实施例揭露的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所揭露的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。