聚类方法、目标轮廓及类型获取方法、设备、介质、车辆与流程

1.本发明涉及自动驾驶技术领域，具体涉及一种聚类方法、目标轮廓及类型获取方法、设备、介质、车辆。


背景技术：

2.在控制车辆进行自动驾驶时通常会通过雷达等设备采集车辆周围的三维点云并对三维点云进行目标感知，以确定目标的类型，进而根据不同类型的目标采取不同的自动驾驶操作。具体地，在对三维点云进行目标感知时可以对三维点云进行聚类，以将属于不同目标的点云聚类成不同的聚类簇，进而再根据各聚类簇中的点云分别识别各聚类簇对应目标的轮廓，最后根据目标的轮廓确定目标的类型。但是，目前常规的感知方法在对三维点云进行聚类时仅仅是根据点云的空间位置进行聚类，聚类的准确性较差，从而导致无法根据聚类结果准确地获取目标的类型。
3.相应地，本领域需要一种新的技术方案来解决上述问题。


技术实现要素：

4.为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决提高点云聚类准确性的技术问题的聚类方法、目标轮廓及类型获取方法、设备、介质、车辆。
5.在第一方面，提供一种点云聚类方法，所述方法包括：
6.对雷达采集的三维点云进行体素化处理，以形成多个体素；
7.分别在各体素及其各自邻域内的第一邻域体素之间建立索引关系；
8.根据各体素的索引关系建立多棵聚类树，所述聚类树是索引关系呈树状结构分布的体素的集合且不同聚类树之间没有相同的体素；
9.分别将各体素及其各自邻域内的第二邻域体素合并到同一棵聚类树；
10.其中，各体素的第一邻域体素是各体素的邻域内空间位置最小的邻域体素；
11.各体素的第二邻域体素是各体素的邻域内与各体素之间的多源信息相似的邻域体素，体素的多源信息包括在对三维点云进行多种目标感知任务之后各目标感知任务的结果中与所述体素对应的结果信息。
12.在上述点云聚类方法的一个技术方案中，“将各体素及其各自邻域内的第二邻域体素合并到同一棵聚类树”的步骤具体包括：
13.针对各体素，根据当前体素及其第二邻域体素所在聚类树中各体素的索引关系，分别获取当前体素及其第二邻域体素索引的根节点体素，并判断获取到的两个根节点体素是否相同；
14.若否，则基于预设的体素选取原则，从当前体素及其第二邻域体素中选取一个体素作为目标体素，并将当前体素及其第二邻域体素中另一个体素索引的根节点体素修正成所述目标体素索引的根节点体素，以将所述另一个体素合并到所述目标体素所在的聚类树。
15.在上述点云聚类方法的一个技术方案中，“在各体素及其各自邻域内的第一邻域体素之间建立索引关系”的步骤包括：
16.获取各体素的第一邻域体素的空间位置；
17.根据所述空间位置分别设定各体素的类别标签，以在各体素及其第一邻域体素之间建立索引关系。
18.在上述点云聚类方法的一个技术方案中，“获取各体素的第一邻域体素的空间位置”的步骤具体包括：获取各第一邻域体素的二维空间位置；
19.和/或，“根据所述空间位置分别设定各体素的类别标签”的步骤具体包括：
20.分别对各体素的第一邻域体素的空间位置进行线性计算；
21.根据线性计算的结果，分别设定各体素的类别标签。
22.在上述点云聚类方法的一个技术方案中，“判断获取到的两个根节点体素是否相同”的步骤具体包括：判断两个根节点体素的类别标签是否相等，若相等则两个根节点体素相同，若不相等则两个根节点体素不相同；
23.和/或，预设的体素选取原则为从两个体素中选取类别标签较小或较大的体素，“基于预设的体素选取原则，从当前体素及其第二邻域体素中选取一个体素作为目标体素”的步骤具体包括：基于预设的体素选取原则，从当前体素及其第二邻域体素中选取类别标签较小或较大的一个体素作为目标体素，其中，针对各体素基于的体素选取原则相同；
24.和/或，“将当前体素及其第二邻域体素中另一个体素索引的根节点体素修正成所述目标体素索引的根节点体素”的步骤具体包括：
25.将所述另一个体素索引的根节点体素的类别标签，修正成所述目标体素索引的根节点体素的类别标签。
26.在上述点云聚类方法的一个技术方案中，在“将各体素及其各自邻域内的第二邻域体素合并到同一棵聚类树”的步骤之后，所述方法还包括：
27.分别获取每棵聚类树中根节点体素的类别标签；
28.重新设定各根节点体素的类别标签，以使各根节点体素的类别标签能够形成标签值连续的类别标签序列。
29.在上述点云聚类方法的一个技术方案中，
[0030]“重新设定各根节点体素的类别标签”的步骤具体包括：基于图形处理器的原子操作，重新设定各根节点体素的类别标签；
[0031]
和/或，在“重新设定各根节点体素的类别标签”的步骤之后，所述方法还包括：针对各聚类树，将当前聚类树中除根节点体素外其他体素的类别标签，都重新设定成所述根节点体素的类别标签。
[0032]
在上述点云聚类方法的一个技术方案中，所述方法还包括通过下列方式获取各体素的第二邻域体素：
[0033]
针对各体素，获取当前体素的邻域描述信息，所述邻域描述信息是能够连续存储三个int型数据的信息字段，所述信息字段中各比特位的值分别用于表示在当前体素的邻域内与各比特位对应的邻域体素与当前体素之间的多源信息是否相似；
[0034]
根据所述邻域描述信息，获取当前体素的第二邻域体素。
[0035]
在上述点云聚类方法的一个技术方案中，“对雷达采集的三维点云进行体素化处
理，以形成多个体素”的步骤具体包括：
[0036]
对三维点云进行体素化处理，并根据处理的结果获取初始的体素；
[0037]
从初始的体素中获取包含点云的有效体素作为最终的体素。
[0038]
在上述点云聚类方法的一个技术方案中，“在各体素及其各自邻域内的第一邻域体素之间建立索引关系”的步骤具体包括：基于图形处理器的原子操作，分别在各体素及其各自邻域内的第一邻域体素之间建立索引关系；
[0039]“将各体素及其各自邻域内的第二邻域体素合并到同一棵聚类树”的步骤具体包括：基于图形处理器的原子操作，分别将各体素及其各自邻域内的第二邻域体素合并到同一棵聚类树。
[0040]
在第二方面，提供一种目标轮廓获取方法，所述方法包括：
[0041]
采用前述第一方面提供的点云聚类方法，对雷达采集的三维点云进行聚类，以获取多棵聚类树；
[0042]
根据所述聚类树分别获取各聚类树所表示目标的轮廓。
[0043]
在第三方面，提供一种目标类型获取方法，所述方法还包括：
[0044]
采用前述第二方面提供的目标轮廓获取方法，获取雷达采集的三维点云中各目标的轮廓；
[0045]
根据各目标的轮廓，分别获取各目标的初始类型；
[0046]
根据各目标的多源信息，分别对各目标的初始类型进行修正，以获取各目标的最终类型；
[0047]
其中，目标的多源信息包括在对三维点云进行多种目标感知任务之后各目标感知任务的结果中与所述目标对应的结果信息。
[0048]
在第四方面，提供一种计算机设备，该计算机设备包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述目标聚类或目标轮廓获取或目标类型获取方法的技术方案中任一项技术方案所述的方法。
[0049]
在第五方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述目标聚类或目标轮廓获取或目标类型获取方法的技术方案中任一项技术方案所述的方法。
[0050]
在第六方面，提供一种车辆，该车辆包括上述计算机设备的技术方案所述的计算机设备。
[0051]
方案1.一种点云聚类方法，其特征在于，所述方法包括：
[0052]
对雷达采集的三维点云进行体素化处理，以形成多个体素；
[0053]
分别在各体素及其各自邻域内的第一邻域体素之间建立索引关系；
[0054]
根据各体素的索引关系建立多棵聚类树，所述聚类树是索引关系呈树状结构分布的体素的集合且不同聚类树之间没有相同的体素；
[0055]
分别将各体素及其各自邻域内的第二邻域体素合并到同一棵聚类树；
[0056]
其中，各体素的第一邻域体素是各体素的邻域内空间位置最小的邻域体素；
[0057]
各体素的第二邻域体素是各体素的邻域内与各体素之间的多源信息相似的邻域体素，体素的多源信息包括在对三维点云进行多种目标感知任务之后各目标感知任务的结果中与所述体素对应的结果信息。
[0058]
方案2.根据方案1所述的点云聚类方法，其特征在于，“将各体素及其各自邻域内的第二邻域体素合并到同一棵聚类树”的步骤具体包括：
[0059]
针对各体素，根据当前体素及其第二邻域体素所在聚类树中各体素的索引关系，分别获取当前体素及其第二邻域体素索引的根节点体素，并判断获取到的两个根节点体素是否相同；
[0060]
若否，则基于预设的体素选取原则，从当前体素及其第二邻域体素中选取一个体素作为目标体素，并将当前体素及其第二邻域体素中另一个体素索引的根节点体素修正成所述目标体素索引的根节点体素，以将所述另一个体素合并到所述目标体素所在的聚类树。
[0061]
方案3.根据方案1或2所述的点云聚类方法，其特征在于，“在各体素及其各自邻域内的第一邻域体素之间建立索引关系”的步骤包括：
[0062]
获取各体素的第一邻域体素的空间位置；
[0063]
根据所述空间位置分别设定各体素的类别标签，以在各体素及其第一邻域体素之间建立索引关系。
[0064]
方案4.根据方案3所述的点云聚类方法，其特征在于，
[0065]“获取各体素的第一邻域体素的空间位置”的步骤具体包括：获取各第一邻域体素的二维空间位置；
[0066]
和/或，“根据所述空间位置分别设定各体素的类别标签”的步骤具体包括：
[0067]
分别对各体素的第一邻域体素的空间位置进行线性计算；
[0068]
根据线性计算的结果，分别设定各体素的类别标签。
[0069]
方案5.根据引用方案2时的方案3所述的方法，其特征在于，“判断获取到的两个根节点体素是否相同”的步骤具体包括：判断两个根节点体素的类别标签是否相等，若相等则两个根节点体素相同，若不相等则两个根节点体素不相同；
[0070]
和/或，预设的体素选取原则为从两个体素中选取类别标签较小或较大的体素，“基于预设的体素选取原则，从当前体素及其第二邻域体素中选取一个体素作为目标体素”的步骤具体包括：基于预设的体素选取原则，从当前体素及其第二邻域体素中选取类别标签较小或较大的一个体素作为目标体素，其中，针对各体素基于的体素选取原则相同；
[0071]
和/或，“将当前体素及其第二邻域体素中另一个体素索引的根节点体素修正成所述目标体素索引的根节点体素”的步骤具体包括：
[0072]
将所述另一个体素索引的根节点体素的类别标签，修正成所述目标体素索引的根节点体素的类别标签。
[0073]
方案6.根据方案3所述的点云聚类方法，其特征在于，在“将各体素及其各自邻域内的第二邻域体素合并到同一棵聚类树”的步骤之后，所述方法还包括：
[0074]
分别获取每棵聚类树中根节点体素的类别标签；
[0075]
重新设定各根节点体素的类别标签，以使各根节点体素的类别标签能够形成标签值连续的类别标签序列。
[0076]
7.根据方案6所述的点云聚类方法，其特征在于，
[0077]“重新设定各根节点体素的类别标签”的步骤具体包括：基于图形处理器的原子操作，重新设定各根节点体素的类别标签；
[0078]
和/或，在“重新设定各根节点体素的类别标签”的步骤之后，所述方法还包括：针对各聚类树，将当前聚类树中除根节点体素外其他体素的类别标签，都重新设定成所述根节点体素的类别标签。
[0079]
方案8.根据方案1所述的点云聚类方法，其特征在于，所述方法还包括通过下列方式获取各体素的第二邻域体素：
[0080]
针对各体素，获取当前体素的邻域描述信息，所述邻域描述信息是能够连续存储三个int型数据的信息字段，所述信息字段中各比特位的值分别用于表示在当前体素的邻域内与各比特位对应的邻域体素与当前体素之间的多源信息是否相似；
[0081]
根据所述邻域描述信息，获取当前体素的第二邻域体素。
[0082]
方案9.根据方案1所述的点云聚类方法，其特征在于，“对雷达采集的三维点云进行体素化处理，以形成多个体素”的步骤具体包括：
[0083]
对三维点云进行体素化处理，并根据处理的结果获取初始的体素；
[0084]
从初始的体素中获取包含点云的有效体素作为最终的体素。
[0085]
方案10.根据方案1所述的点云聚类方法，其特征在于，
[0086]“在各体素及其各自邻域内的第一邻域体素之间建立索引关系”的步骤具体包括：基于图形处理器的原子操作，分别在各体素及其各自邻域内的第一邻域体素之间建立索引关系；
[0087]“将各体素及其各自邻域内的第二邻域体素合并到同一棵聚类树”的步骤具体包括：基于图形处理器的原子操作，分别将各体素及其各自邻域内的第二邻域体素合并到同一棵聚类树。
[0088]
方案11.一种目标轮廓获取方法，其特征在于，所述方法包括：
[0089]
采用方案1至10中任一项所述的点云聚类方法，对雷达采集的三维点云进行聚类，以获取多棵聚类树；
[0090]
根据所述聚类树分别获取各聚类树所表示目标的轮廓。
[0091]
方案12.一种目标类型获取方法，其特征在于，所述方法还包括：
[0092]
采用方案11所述的目标轮廓获取方法，获取雷达采集的三维点云中各目标的轮廓；
[0093]
根据各目标的轮廓，分别获取各目标的初始类型；
[0094]
根据各目标的多源信息，分别对各目标的初始类型进行修正，以获取各目标的最终类型；
[0095]
其中，目标的多源信息包括在对三维点云进行多种目标感知任务之后各目标感知任务的结果中与所述目标对应的结果信息。
[0096]
方案13.一种计算机设备，包括处理器和存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行方案1至10中任一项所述的点云聚类方法或者执行方案11所述的目标轮廓获取方法或者执行方案12所述的目标类型获取方法。
[0097]
方案14.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行方案1至10中任一项所述的点云聚类方法或者执行方案11所述的目标轮廓获取方法或者执行方案12所述的目标类型获取方法。
[0098]
方案15.一种车辆，其特征在于，所述车辆包括方案13所述的计算机设备。
[0099]
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
[0100]
在实施本发明提供的目标聚类方法的技术方案中，在对雷达采集的三维点云进行体素化处理形成多个体素之后，可以同时根据体素的空间位置与多源信息进行聚类，从而显著提高点云聚类的准确性。具体地，可以分别在各体素及其各自邻域内的第一邻域体素之间建立索引关系，进而根据各体素的索引关系建立多棵聚类树，聚类树是索引关系呈树状结构分布的体素的集合且不同聚类树之间没有相同的体素。通过上述步骤，可以利用体素的空间位置完成初步的点云聚类。在此之后，再分别将各体素及其各自邻域内的第二邻域体素合并到同一棵聚类树，通过该步骤可以利用体素的多源信息对初步的点云聚类结果进行修正，得到最终更加准确的点云聚类结果。
[0101]
在实施本发明提供的目标轮廓获取方法的技术方案中，可以采用前述点云聚类方法对雷达采集的三维点云进行聚类，以获取多棵聚类树，进而根据聚类树分别获取各聚类树所表示目标的轮廓。通过上述方法，能够准确获取各目标的轮廓，从而有利于提高根据目标轮廓识别目标类型的准确性。
[0102]
在实施本发明的目标类型获取方法的技术方案中，可以采用前述目标轮廓获取方法，获取雷达采集的三维点云中各目标的轮廓，进而根据各目标的轮廓分别获取各目标的初始类型，根据各目标的多源信息分别对各目标的初始类型进行修正，以获取各目标的最终类型。通过上述方法，可以同时结合目标的轮廓与多源信息识别目标的类型，显著提高了目标类型识别的准确性。
附图说明
[0103]
参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。其中：
[0104]
图1是根据本发明的一个实施例的目标聚类方法的主要步骤流程示意图；
[0105]
图2是根据本发明的一个实施例的对体素类别标签进行优化的方法的主要步骤流程示意图；
[0106]
图3是根据本发明的一个实施例的体素示意图；
[0107]
图4是根据本发明的一个实施例的体素聚类结果示意图；
[0108]
图5是根据本发明的一个实施例的目标轮廓获取方法的主要步骤流程示意图；
[0109]
图6是根据本发明的一个实施例的目标类型获取方法的主要步骤流程示意图；
[0110]
图7是根据本发明的一个实施例的计算机设备的主要结构示意图。
具体实施方式
[0111]
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
[0112]
在本发明的描述中，“处理器”可以包括硬件、软件或者两者的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光
碟、闪存、只读存储器、随机存取存储器等等。
[0113]
本技术各实施例中可能涉及的相关用户个人信息，均为严格按照法律法规的要求，遵循合法、正当、必要的原则，基于业务场景的合理目的，处理用户在使用产品/服务过程中主动提供或因使用产品/服务而产生的，以及经用户授权获取的个人信息。
[0114]
申请人处理的用户个人信息会因具体产品/服务场景而有所不同，需以用户使用产品/服务的具体场景为准，可能会涉及用户的账号信息、设备信息、驾驶信息、车辆信息或其他相关信息。申请人会以高度的勤勉义务对待用户的个人信息及其处理。
[0115]
申请人非常重视用户个人信息的安全，已采取符合业界标准、合理可行的安全防护措施保护用户的信息，防止个人信息遭到未经授权访问、公开披露、使用、修改、损坏或丢失。
[0116]
下面对本发明提供的目标聚类方法的实施例进行说明。
[0117]
参阅附图1，图1是根据本发明的一个实施例的目标聚类方法的主要步骤流程示意图。如图1所示，本发明实施例中的目标聚类方法主要包括下列步骤s101至步骤s104。
[0118]
步骤s101：对雷达采集的三维点云进行体素化处理，以形成多个体素。
[0119]
雷达包括但不限于毫米波雷达(millimeter-wave radar)和激光雷达(laser radar)，在一个优选实施方式中雷达可以是激光雷达。
[0120]
在本发明实施例中可以采用点云数据处理技术领域中常规的体素化处理方法对三维点云进行处理。例如，可以根据三维点云中点云在点云坐标系的x轴、y轴和z轴上的分布，确定点云在x轴、y轴和z轴上的分布边界，进而根据点云的分布边界生成能够包含所有点云的大立方体，最后将上述大立方体划分成多个边长为预设的点云地图分辨率的小立方体，一个小立方体就是一个体素。
[0121]
在一些实施方式中，为了提高聚类效率，可以只对包含点云的体素进行聚类处理。具体地，可以对雷达采集到的三维点云进行体素化处理，根据体素化处理的结果获取多个初始形成的体素，进而从多个初始形成的体素中获取包含点云的有效体素，将有效体素作为最终形成的体素，并根据这些有效体素执行后续的步骤s102至步骤s104等。
[0122]
步骤s102：分别在各体素及其各自邻域内的第一邻域体素之间建立索引关系，第一邻域体素是相应邻域内空间位置最小的邻域体素。
[0123]
基于体素的索引关系可以查询到当前体素直接索引哪个体素，还可以查询到当前体素间接索引哪些体素。例如，体素a与体素b之间建立了索引关系，体素b与体素c之间也建立了索引关系，则基于上述索引关系可以确定体素a直接索引体素b，间接索引体素c。
[0124]
步骤s103：根据各体素的索引关系建立多棵聚类树，聚类树是索引关系呈树状结构分布的体素的集合且不同聚类树之间没有相同的体素，不同聚类树分别表示三维点云中的不同目标。
[0125]
各体素分别分布在不同的聚类树中，各聚类树都包含一个根节点体素。对于各聚类树而言，聚类树中除根节点体素以外的其他体素都直接或间接地索引根节点体素，并且在本发明实施例中各体素分别索引一个根节点体素，而不会同时索引多个根节点体素。
[0126]
例如，下表1中的数字1-100分别表示第1-100个体素。假设体素的邻域范围是8邻域，即邻域内包含8个邻域体素。在体素10的邻域内空间位置最小的第一邻域体素是体素19，体素10与体素19之间形成索引关系；在体素19的邻域内第一邻域体素是体素28，体素19
与体素28之间形成索引关系；以此类推，可以得到：体素28与体素37之间、体素37与体素46之间、体素46与体素55之间、体素55与体素64之间、体素64与体素73之间、体素73与体素82之间、体素82与体素91之间都可以形成索引关系，根据上述索引关系可以形成一棵聚类树，该聚类树包括体素10、19、28、37、46、55、64、73、82、91，各体素的索引关系呈树状结构分布。其中，体素91是聚类树中的根节点体素，体素82是树状结构中索引根节点体素的第1层体素，其直接索引根节点体素91，体素73是树状结构中索引根节点体素的第2层体素，其间接索引根节点体素91，其余体素与体素73类似，在此不再赘述。表112345678910 11121314151617181920 21222324252627282930 31323334353637383940 41424344454647484950 51525354555657585960 61626364655657585970 71727374757677787980 81828384858687888990 919293949596979899100
[0127]
步骤s104：分别将各体素及其各自邻域内的第二邻域体素合并到同一棵聚类树。
[0128]
各体素的第二邻域体素是各体素的邻域内与各体素之间的多源信息相似的邻域体素，若两个体素的多源信息相似则表明这两个体素属于同一目标，因而要合并到同一棵聚类树中。体素的多源信息包括在对三维点云进行多种目标感知任务之后各目标感知任务的结果中与体素对应的结果信息。目标感知任务包括但不限于目标检测任务、语义分割任务和运动状态估计任务等，本发明实施例不对目标感知任务的类型作具体限定，只要能够获取到多种不同任务得到的感知结果即可。
[0129]
在一些实施方式中，可以通过下列方式获取各体素的第二邻域体素：针对各体素，获取当前体素的邻域描述信息，进而根据邻域描述信息，获取当前体素的第二邻域体素。
[0130]
邻域描述信息是能够连续存储三个int型数据的信息字段，信息字段中各比特位(bit)的值分别用于表示在当前体素的邻域内与各比特位对应的邻域体素与当前体素之间的多源信息是否相似。例如，若比特位的值是1则表明相应邻域体素与当前体素之间的多源信息相似，若比特位的值是0则表明不相似。
[0131]
能够连续存储三个int型数据的信息字段包含96个比特位，因此其可以适用4邻域、8邻域、16邻域、24邻域、48邻域和80邻域等多种范围的邻域。本领域技术人员可以根据实际需求灵活地选择或改变邻域范围。在进行点云聚类之前，先选定一种邻域范围，再利用上述信息字段记录在这个邻域范围内各邻域体素的多源信息与当前体素的多源信息是否相似。例如，若邻域范围是8邻域，则可以查询上述信息字段中第1至8个比特位的值，根据这些比特位的值分别判断8邻域内各邻域体素的多源信息与当前体素的多源信息是否相似。类似地，若邻域范围是24邻域，则可以查询上述信息字段中第1至24个比特位的值。
[0132]
需要说明的是，在本发明实施例中各体素邻域范围的大小相同。
[0133]
在一些实施方式中，可以通过下列方式将各体素及其各自邻域内的第二邻域体素合并到同一棵聚类树：
[0134]
针对各体素，根据当前体素及其第二邻域体素所在聚类树中各体素的索引关系，分别获取当前体素及其第二邻域体素索引的根节点体素，并判断获取到的两个根节点体素是否相同；若相同，则表明当前体素及其第二邻域体素已经位于同一棵聚类树中，无需再对二者进行合并；若不同，则表明二者不在同一棵聚类树中，需要进行合并。具体地，可以基于预设的体素选取原则，从当前体素及其第二邻域体素中选取一个体素作为目标体素，并将当前体素及其第二邻域体素中另一个体素索引的根节点体素修正成目标体素索引的根节点体素，以将该另一个体素合并到目标体素所在的聚类树。通过上述方式，可以通过修改与根节点体素的索引关系，实现体素从一棵聚类树到另一棵聚类树的快速切换。
[0135]
在基于上述步骤s101至步骤s104所述的方法中，通过上述步骤s102至步骤s103可以根据体素的空间位置进行初步聚类形成一些初始的聚类树，进而通过上述步骤s104可以根据体素的多源信息对上述聚类树进行修正，完成最终的点云聚类。通过先初步聚类再修正聚类的方式，可以避免仅根据空间位置进行聚类导致的聚类准确性降低的问题，即使面对形状比较特殊的目标，也能够准确地聚类出该目标对应的点云。此外，上述方法是以体素为维度进行聚类，因此可以利用图形处理器(graphics processing unit，gpu)对各体素并行执行上述步骤，无需将三维点云和多源信息由gpu拷贝到cpu，再在cpu上执行上述方法，从而显著提高了聚类效率。
[0136]
下面对上述步骤s102和步骤s104作进一步说明。
[0137]
一、对上述步骤s102进行说明。
[0138]
在上述步骤s102的一些实施方式中，在建立索引关系时可以获取各体素的第一邻域体素的空间位置，根据空间位置分别设定各体素的类别标签，以在各体素及其第一邻域体素之间建立索引关系。
[0139]
进一步，在本实施方式中可以获取第一邻域体素在点云坐标系中x轴和y轴上的二维空间位置，根据该二维空间位置设定类别标签。
[0140]
在本实施方式中，可以直接将第一邻域体素的空间位置作为类别标签，也可以对该空间位置进行线性计算，根据线性计算的结果分别设定各体素的类别标签，比如将线性计算的结果作为类别标签。需要说明的是，本领域技术人员可以根据实际需求灵活地设定线性计算的计算方法，本发明实施例对此不作具体限定。例如，在一些优选实施方式中线性计算的计算方法可以是x*col+y，x和y分别表示二维空间位置中x轴和y轴的坐标，col表示在x轴方向上体素的个数。
[0141]
在上述步骤s102的一些实施方式中，可以基于gpu的原子操作，分别在各体素及其各自邻域内的第一邻域体素之间建立索引关系。通过上述方式可以保证对各体素执行上述步骤时是相互独立，互不影响的，即实现了对各体素并行执行上述步骤。
[0142]
二、对上述步骤s104进行说明。
[0143]
根据前述步骤s102的实施方式可知，可以根据第一邻域体素的空间位置来设定体素的类别标签。对此，在上述步骤s104的一些实施方式中，在判断获取到的两个根节点体素是否相同时可以判断两个根节点体素的类别标签是否相等，若相等则判定两个根节点体素相同，若不相等则判定两个根节点体素不相同。
[0144]
此外，在上述步骤s104的一些实施方式中，预设的体素选取原则可以为从两个体素中选取类别标签较小或较大的体素，在选取目标体素时可以基于预设的体素选取原则，从当前体素及其第二邻域体素中选取类别标签较小或较大的一个体素作为目标体素。
[0145]
需要说明的是，在本发明实施例中针对各体素基于的体素选取原则相同，要么都选取类别标签较小的体素作为目标体素，要么都选取类别标签较大的体素作为目标体素。
[0146]
在上述步骤s104的一些实施方式中，在将当前体素及其第二邻域体素中另一个体素索引的根节点体素修正成目标体素索引的根节点体素时可以将该另一个体素索引的根节点体素的类别标签，修正成目标体素索引的根节点体素的类别标签。基于上述方法，可以便捷且准确地将体素合并到同一棵聚类树中，有利于提高点云聚类的效率和准确性。
[0147]
在上述步骤s104的一些实施方式中，可以基于gpu的原子操作，分别将各体素及其各自邻域内的第二邻域体素合并到同一棵聚类树。通过上述方式可以保证对各体素执行上述步骤时是相互独立，互不影响的，即实现了对各体素并行执行上述步骤。
[0148]
进一步，在通过上述步骤s104形成多棵聚类树之后，各聚类树中根节点的类别标签可能是不连续的，对此可以通过图2所示的下列步骤s105至步骤s106进行连续化处理。
[0149]
步骤s105：分别获取每棵聚类树中根节点对应体素的类别标签。步骤s106：重新设定各根节点对应体素的类别标签，以使重新设定的类别标签能够形成标签值连续的类别标签序列。例如，根据前述表1中的体素形成了3棵聚类树，这3棵聚类树中根节点体素的类别标签分别是对体素91、93、95的空间位置进行线性计算得到的线性坐标值。假设线性计算的计算方法x*col+y，可以得到根节点体素的类别标签分别是11、31、51，这3个类别标签不是连续的。对此，可以将根节点体素的类别标签重新设定成连续的类别标签1、2、3。
[0150]
在上述步骤s106的一些实施方式中，同样可以基于gpu的原子操作重新设定各根节点对应体素的类别标签。具体地，可以依次遍历各体素，针对每次遍历到的体素，判断当前体素是否为根节点体素；若是，则将当前体素的类别标签重新设定成基于gpu的原子操作生成的全局原子变量的变量值，随后再将变量值增加预设值形成新的变量值，以便于能够将下一个根节点体素的类别标签重新设定为这个新的变量值；若否，则不重新设定当前体素的类别标签。
[0151]
例如，有3棵聚类树共包含100个体素对应的节点。首先设定全局原子变量的初始值是1，每次增加的预设值也是1。然后，依次遍历各体素，当第1次遍历到根节点体素时将这个根节点体素的类别标签重新设定成1，随后将全局原子变量的变量值增加1形成新的变量值2，继续遍历。当第2次遍历到根节点体素时将这个根节点体素的类别标签重新设定成2，随后将全局原子变量的变量值增加1形成新的变量值3，继续遍历。当第3次遍历到根节点体素时将这个根节点体素的类别标签重新设定成3，结束遍历。此外，也可以将全局原子变量的变量值增加1形成新的变量值4，重复上述过程，直至遍历完所有的体素。
[0152]
基于上述步骤s105至步骤s106所述的方法，可以将各根节点体素的类别标签修正成连续的标签，增加了类别标签的可读性和可理解性。
[0153]
进一步，在将各根节点体素的类别标签修正成连续的标签之后，针对各聚类树，可以将当前聚类树中除根节点体素以外的其他体素的类别标签，都重新设定成根节点体素的类别标签(步骤s107)。通过这种方式，可以保证同一棵聚类树中的所有体素都具有相同的类别标签，使得这体素可以被正确地划分到同一类别中。在本发明实施例中可以查询各体
素索引了哪个根节点体素，进而获取这个根节点体素的类别标签，将体素的类别标签重新设定成这个根节点体素的类别标签。
[0154]
参阅附图3和附图4，在图3中一个方格就代表一个体素，黑色的方格表示不包含点云的无效体素，剩余的方格表示包含点云的有效体素，且填充有横线的方格表示可以划分成一个类别的体素，填充有竖线的方格表示可以划分成另一个类别的体素。如图4所示，通过上述步骤s105至步骤s107所述的方法，可以将填充有横线的方格所表示的各体素的类别标签都设定成1，将填充有竖线的方格所表示的各体素的类别标签都设定成7，其中，类别标签为2至6的体素未在图3和图4中示出。
[0155]
下面对本发明提供的目标轮廓方法的实施例进行说明。
[0156]
参阅附图5，图5是根据本发明的一个实施例的目标轮廓方法的主要步骤流程示意图。如图5所示，本发明实施例中的目标轮廓方法主要包括下列步骤s201至步骤s202。
[0157]
步骤s201：采用点云聚类方法，对雷达采集的三维点云进行聚类，以获取多棵聚类树。此步骤中的点云聚类方法为前述方法实施例所述的点云聚类方法。
[0158]
步骤s202：根据聚类树分别获取各聚类树所表示目标的轮廓。在此步骤中，可以采用点云数据处理技术领域中常规的目标轮廓获取方法对各聚类树对应的点云进行轮廓获取，从而得到各聚类树所表示目标的轮廓。本发明实施例不对上述方法作具体限定。
[0159]
基于上述步骤s201至步骤s202所述的方法，可以能够准确获取各目标的轮廓，有利于提高根据目标轮廓识别目标类型的准确性。
[0160]
下面对本发明提供的目标类型获取方法的实施例进行说明。
[0161]
参阅附图6，图6是根据本发明的一个实施例的目标类型获取方法的主要步骤流程示意图。如图6所示，本发明实施例中的目标类型获取方法主要包括下列步骤s301至步骤s303。
[0162]
步骤s301：采用目标轮廓获取方法，获取雷达采集的三维点云中各目标的轮廓。此步骤中的目标轮廓获取方法为前述方法实施例所述的目标轮廓获取方法。
[0163]
步骤s302：根据各目标的轮廓，分别获取各目标的初始类型。
[0164]
在本发明实施例中可以采用目标检测技术领域中常规的目标类型获取方法，根据目标的轮廓获取其类型，本发明实施例不对上述目标类型获取方法作具体限定，只要能够根据目标的轮廓获取到初始类型即可。
[0165]
步骤s303：根据各目标的多源信息，分别对各目标的初始类型进行修正，以获取各目标的最终类型。
[0166]
目标的多源信息包括在对三维点云进行多种目标感知任务之后各目标感知任务的结果中与目标对应的结果信息，目标感知任务与前述步骤s102中提及的目标感知任务相同。
[0167]
根据目标的多源信息对初始类型进行修正，可以避免发生误识别。例如，对于油罐车这种特种车辆而言，根据轮廓可能会将其误识别成装载货物的普通卡车，在查询多源信息之后若多源信息中的语义信息包含油罐，则表明当前目标包含有油罐，则可以将类型由普通卡车修正成油罐车。
[0168]
基于上述步骤s301至步骤s303所述的方法，可以同时结合目标的轮廓与多源信息识别目标的类型，相比于单独根据轮廓识别目标类型，这种方法能够显著提高目标类型识
别的准确性。
[0169]
需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时(并行)执行或以其他顺序执行，这些调整之后的方案与本发明中描述的技术方案属于等同技术方案，因此也将落入本发明的保护范围之内。
[0170]
本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
[0171]
进一步，本发明还提供了一种计算机设备。
[0172]
参阅附图7，图7是根据本发明的一个计算机设备实施例的主要结构示意图。如图7所示，本发明实施例中的计算机设备主要包括存储装置和处理器，存储装置可以被配置成存储执行上述方法实施例的目标聚类或目标轮廓获取或目标类型获取方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的目标聚类或目标轮廓获取或目标类型获取方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。
[0173]
在本发明实施例中计算机设备可以是包括各种电子设备形成的控制装置设备。在一些可能的实施方式中，计算机设备可以包括多个存储装置和多个处理器。而执行上述方法实施例的目标聚类或目标轮廓获取或目标类型获取方法的程序可以被分割成多段子程序，每段子程序分别可以由处理器加载并运行以执行上述方法实施例的目标聚类或目标轮廓获取或目标类型获取方法的不同步骤。具体地，每段子程序可以分别存储在不同的存储装置中，每个处理器可以被配置成用于执行一个或多个存储装置中的程序，以共同实现上述方法实施例的目标聚类或目标轮廓获取或目标类型获取方法，即每个处理器分别执行上述方法实施例的目标聚类或目标轮廓获取或目标类型获取方法的不同步骤，来共同实现上述方法实施例的目标聚类或目标轮廓获取或目标类型获取方法。
[0174]
上述多个处理器可以是部署于同一个设备上的处理器，例如上述计算机设备可以是由多个处理器组成的高性能设备，上述多个处理器可以是该高性能设备上配置的处理器。此外，上述多个处理器也可以是部署于不同设备上的处理器，例如上述计算机设备可以是服务器集群，上述多个处理器可以是服务器集群中不同服务器上的处理器。
[0175]
进一步，本发明还提供了一种计算机可读存储介质。
[0176]
在根据本发明的一个计算机可读存储介质的实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的目标聚类或目标轮廓获取或目标类型获取方法的程序，该程序可以由处理器加载并运行以实现上述目标聚类或目标轮廓获取或目标类型获取
方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
[0177]
进一步，本发明还提供了一种车辆。
[0178]
在根据本发明的一个车辆的实施例中，车辆可以包括上述计算机设备实施例所述的计算机设备。在本实施例中车辆可以是自动驾驶车辆、无人车等车辆。此外，按照动力源类型划分，本实施例中车辆可以是燃油车、电动车、电能与燃油混合的混动车或使用其他新能源的车辆等。
[0179]
至此，已经结合附图所示的一个实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

技术特征：
1.一种点云聚类方法，其特征在于，所述方法包括：对雷达采集的三维点云进行体素化处理，以形成多个体素；分别在各体素及其各自邻域内的第一邻域体素之间建立索引关系；根据各体素的索引关系建立多棵聚类树，所述聚类树是索引关系呈树状结构分布的体素的集合且不同聚类树之间没有相同的体素；分别将各体素及其各自邻域内的第二邻域体素合并到同一棵聚类树；其中，各体素的第一邻域体素是各体素的邻域内空间位置最小的邻域体素；各体素的第二邻域体素是各体素的邻域内与各体素之间的多源信息相似的邻域体素，体素的多源信息包括在对三维点云进行多种目标感知任务之后各目标感知任务的结果中与所述体素对应的结果信息。2.根据权利要求1所述的点云聚类方法，其特征在于，“将各体素及其各自邻域内的第二邻域体素合并到同一棵聚类树”的步骤具体包括：针对各体素，根据当前体素及其第二邻域体素所在聚类树中各体素的索引关系，分别获取当前体素及其第二邻域体素索引的根节点体素，并判断获取到的两个根节点体素是否相同；若否，则基于预设的体素选取原则，从当前体素及其第二邻域体素中选取一个体素作为目标体素，并将当前体素及其第二邻域体素中另一个体素索引的根节点体素修正成所述目标体素索引的根节点体素，以将所述另一个体素合并到所述目标体素所在的聚类树。3.根据权利要求1或2所述的点云聚类方法，其特征在于，“在各体素及其各自邻域内的第一邻域体素之间建立索引关系”的步骤包括：获取各体素的第一邻域体素的空间位置；根据所述空间位置分别设定各体素的类别标签，以在各体素及其第一邻域体素之间建立索引关系。4.根据权利要求3所述的点云聚类方法，其特征在于，“获取各体素的第一邻域体素的空间位置”的步骤具体包括：获取各第一邻域体素的二维空间位置；和/或，“根据所述空间位置分别设定各体素的类别标签”的步骤具体包括：分别对各体素的第一邻域体素的空间位置进行线性计算；根据线性计算的结果，分别设定各体素的类别标签。5.根据引用权利要求2时的权利要求3所述的方法，其特征在于，“判断获取到的两个根节点体素是否相同”的步骤具体包括：判断两个根节点体素的类别标签是否相等，若相等则两个根节点体素相同，若不相等则两个根节点体素不相同；和/或，预设的体素选取原则为从两个体素中选取类别标签较小或较大的体素，“基于预设的体素选取原则，从当前体素及其第二邻域体素中选取一个体素作为目标体素”的步骤具体包括：基于预设的体素选取原则，从当前体素及其第二邻域体素中选取类别标签较小或较大的一个体素作为目标体素，其中，针对各体素基于的体素选取原则相同；
和/或，“将当前体素及其第二邻域体素中另一个体素索引的根节点体素修正成所述目标体素索引的根节点体素”的步骤具体包括：将所述另一个体素索引的根节点体素的类别标签，修正成所述目标体素索引的根节点体素的类别标签。6.根据权利要求3所述的点云聚类方法，其特征在于，在“将各体素及其各自邻域内的第二邻域体素合并到同一棵聚类树”的步骤之后，所述方法还包括：分别获取每棵聚类树中根节点体素的类别标签；重新设定各根节点体素的类别标签，以使各根节点体素的类别标签能够形成标签值连续的类别标签序列。7.根据权利要求6所述的点云聚类方法，其特征在于，“重新设定各根节点体素的类别标签”的步骤具体包括：基于图形处理器的原子操作，重新设定各根节点体素的类别标签；和/或，在“重新设定各根节点体素的类别标签”的步骤之后，所述方法还包括：针对各聚类树，将当前聚类树中除根节点体素外其他体素的类别标签，都重新设定成所述根节点体素的类别标签。8.根据权利要求1所述的点云聚类方法，其特征在于，所述方法还包括通过下列方式获取各体素的第二邻域体素：针对各体素，获取当前体素的邻域描述信息，所述邻域描述信息是能够连续存储三个int型数据的信息字段，所述信息字段中各比特位的值分别用于表示在当前体素的邻域内与各比特位对应的邻域体素与当前体素之间的多源信息是否相似；根据所述邻域描述信息，获取当前体素的第二邻域体素。9.根据权利要求1所述的点云聚类方法，其特征在于，“对雷达采集的三维点云进行体素化处理，以形成多个体素”的步骤具体包括：对三维点云进行体素化处理，并根据处理的结果获取初始的体素；从初始的体素中获取包含点云的有效体素作为最终的体素。10.根据权利要求1所述的点云聚类方法，其特征在于，“在各体素及其各自邻域内的第一邻域体素之间建立索引关系”的步骤具体包括：基于图形处理器的原子操作，分别在各体素及其各自邻域内的第一邻域体素之间建立索引关系；“将各体素及其各自邻域内的第二邻域体素合并到同一棵聚类树”的步骤具体包括：基于图形处理器的原子操作，分别将各体素及其各自邻域内的第二邻域体素合并到同一棵聚类树。

技术总结
本发明涉及自动驾驶技术领域，具体提供一种聚类方法、目标轮廓及类型获取方法、设备、介质、车辆，旨在解决提高点云聚类准确性的问题。本发明提供的方法包括对三维点云进行体素化处理形成多个体素，分别在各体素及其各自邻域内空间位置最小的第一邻域体素之间建立索引关系，根据各体素的索引关系建立多棵聚类树，分别将各体素及其各自邻域内的第二邻域体素合并到同一棵聚类树，第二邻域体素是与体素之间的多源信息相似的邻域体素，多源信息包括在对三维点云进行多种目标感知任务之后各目标感知任务的结果中与体素对应的结果信息。通过上述方法，可以同时提高点云聚类的效率和准确性，进而提高了根据聚类结果进行目标分类的准确性。确性。确性。


技术研发人员：敖红波 陆小泽
受保护的技术使用者：安徽蔚来智驾科技有限公司
技术研发日：2023.04.17
技术公布日：2023/7/25