本技術(shù)涉及數(shù)字圖像，特別涉及一種激光雷達(dá)點(diǎn)云特征提取與匹配方法、裝置、車輛及產(chǎn)品。

背景技術(shù)：

1、激光雷達(dá)傳感器是自動(dòng)駕駛系統(tǒng)中重要的傳感器之一，能夠直接提供目標(biāo)的三維位置的測(cè)量信息，在高精定位模塊以及地圖構(gòu)建模塊中扮演非常重要的角色。其中，對(duì)激光雷達(dá)采集到的點(diǎn)云數(shù)據(jù)的特征提取和匹配技術(shù)是該傳感器在高精定位和建圖應(yīng)用中的關(guān)鍵技術(shù)。

2、相關(guān)技術(shù)中，根據(jù)對(duì)點(diǎn)云數(shù)據(jù)處理策略的不同，將上述技術(shù)分為兩類：通過(guò)人工設(shè)計(jì)規(guī)則的特征提取和基于深度學(xué)習(xí)的特征提取。其中，人工設(shè)計(jì)的特征大多是基于直方圖實(shí)現(xiàn)的，通過(guò)局部或者全局的統(tǒng)計(jì)信息實(shí)現(xiàn)特征點(diǎn)的表示，然而，由于激光雷達(dá)點(diǎn)云數(shù)據(jù)中局部信息的相似性，可能導(dǎo)致匹配過(guò)程中出現(xiàn)誤匹配進(jìn)而影響后續(xù)性能；基于全局信息的特征點(diǎn)在計(jì)算過(guò)程中存在較高的復(fù)雜度，在實(shí)時(shí)性方面存在欠缺，同時(shí)其特征結(jié)果在點(diǎn)到點(diǎn)的匹配中準(zhǔn)確性存在不足?；谏疃葘W(xué)習(xí)的激光雷達(dá)點(diǎn)云特征提取方法在近年來(lái)取得了快速的進(jìn)展，可以實(shí)現(xiàn)準(zhǔn)確的特征提取和匹配，然而改方案需要大量的計(jì)算資源，在基于嵌入式設(shè)備的自動(dòng)駕駛系統(tǒng)中，缺少計(jì)算成本控制與計(jì)算實(shí)時(shí)性之前的平衡。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)提供一種激光雷達(dá)點(diǎn)云特征提取與匹配方法、裝置、車輛及產(chǎn)品，以解決相關(guān)技術(shù)中，激光雷達(dá)點(diǎn)云特征提取與匹配存在較大誤差和較高的復(fù)雜度，且缺少計(jì)算成本控制與計(jì)算實(shí)時(shí)性之前的平衡等問(wèn)題，提高特征點(diǎn)提取的準(zhǔn)確性，以及特征點(diǎn)匹配的精確性，有助于自動(dòng)駕駛的高精定位和建圖的應(yīng)用，實(shí)現(xiàn)更有效地性能提升。

2、本技術(shù)第一方面實(shí)施例提供一種激光雷達(dá)點(diǎn)云特征提取與匹配方法，包括以下步驟：

3、獲取點(diǎn)云數(shù)據(jù)集，計(jì)算所述點(diǎn)云數(shù)據(jù)集中每個(gè)點(diǎn)云數(shù)據(jù)的平滑度，并根據(jù)所述平滑度確定邊緣點(diǎn)云數(shù)據(jù)集；

4、基于預(yù)設(shè)的分割策略將所述邊緣點(diǎn)云數(shù)據(jù)集進(jìn)行分割，得到所述邊緣點(diǎn)云數(shù)據(jù)集的多個(gè)子區(qū)域，基于預(yù)設(shè)的聚類算法對(duì)每個(gè)子區(qū)域進(jìn)行處理，得到所述每個(gè)子區(qū)域的特征點(diǎn)，根據(jù)所述每個(gè)子區(qū)域的特征點(diǎn)得到點(diǎn)云特征點(diǎn)集，并確定所述點(diǎn)云特征點(diǎn)集中每個(gè)特征點(diǎn)的描述子；

5、計(jì)算所述點(diǎn)云特征點(diǎn)集中相鄰兩個(gè)特征點(diǎn)描述子距離，根據(jù)所述相鄰兩個(gè)特征點(diǎn)描述子距離得到所述相鄰兩個(gè)特征點(diǎn)的相似度，并根據(jù)所述相似度得到所述相鄰兩個(gè)特征點(diǎn)的匹配結(jié)果。

6、可選地，在一些實(shí)施例中，所述計(jì)算所述點(diǎn)云數(shù)據(jù)集中每個(gè)點(diǎn)云數(shù)據(jù)的平滑度，并根據(jù)所述平滑度確定邊緣點(diǎn)云數(shù)據(jù)集，包括：

7、確定所述每個(gè)點(diǎn)云數(shù)據(jù)的線束信息和所述每個(gè)點(diǎn)云數(shù)據(jù)的相鄰點(diǎn)云數(shù)據(jù)，根據(jù)所述線束信息和所述相鄰點(diǎn)云數(shù)據(jù)計(jì)算所述每個(gè)點(diǎn)云數(shù)據(jù)的平滑度；

8、根據(jù)所述每個(gè)點(diǎn)云數(shù)據(jù)的平滑度和第一預(yù)設(shè)閾值確定所述邊緣點(diǎn)云數(shù)據(jù)集。

9、可選地，在一些實(shí)施例中，所述基于預(yù)設(shè)的分割策略將所述邊緣點(diǎn)云數(shù)據(jù)集進(jìn)行分割，得到所述邊緣點(diǎn)云數(shù)據(jù)集的多個(gè)子區(qū)域，包括：

10、將所述邊緣點(diǎn)云數(shù)據(jù)集等分為多個(gè)第一區(qū)域，統(tǒng)計(jì)每個(gè)第一區(qū)域的元素?cái)?shù)量；

11、根據(jù)所述每個(gè)第一區(qū)域的元素?cái)?shù)量和期望分割數(shù)量對(duì)所述每個(gè)第一區(qū)域的范圍進(jìn)行調(diào)整，得到所述邊緣點(diǎn)云數(shù)據(jù)集的多個(gè)子區(qū)域。

12、可選地，在一些實(shí)施例中，所述基于預(yù)設(shè)的聚類算法對(duì)每個(gè)子區(qū)域進(jìn)行處理，得到所述每個(gè)子區(qū)域的特征點(diǎn)，根據(jù)所述每個(gè)子區(qū)域的特征點(diǎn)得到點(diǎn)云特征點(diǎn)集，包括：

13、基于預(yù)設(shè)的聚類算法對(duì)每個(gè)子區(qū)域進(jìn)行處理，得到所述每個(gè)子區(qū)域的聚類結(jié)果；

14、確定所述每個(gè)聚類結(jié)果中的元素?cái)?shù)量和所述每個(gè)聚類結(jié)果中的元素的線束數(shù)量，并根據(jù)所述每個(gè)聚類結(jié)果中的元素?cái)?shù)量和所述每個(gè)子區(qū)域的聚類結(jié)果中的元素的線束數(shù)量判斷對(duì)應(yīng)子區(qū)域的有效性；

15、將有效子區(qū)域的中心點(diǎn)作為對(duì)應(yīng)有效子區(qū)域的特征點(diǎn)，根據(jù)每個(gè)有效子區(qū)域的特征點(diǎn)得到所述點(diǎn)云特征點(diǎn)集。

16、可選地，在一些實(shí)施例中，所述確定所述點(diǎn)云特征點(diǎn)集中每個(gè)特征點(diǎn)的描述子，包括：

17、基于預(yù)設(shè)方向，以當(dāng)前特征點(diǎn)為中心將采集區(qū)域等分為多個(gè)第二區(qū)域，在每個(gè)第二區(qū)域內(nèi)確定所述邊緣點(diǎn)云數(shù)據(jù)集中與所述當(dāng)前特征點(diǎn)相鄰的多個(gè)數(shù)據(jù)點(diǎn)；

18、分別計(jì)算所述當(dāng)前特征點(diǎn)與每個(gè)數(shù)據(jù)點(diǎn)的歐氏距離，并根據(jù)所述當(dāng)前特征點(diǎn)的所有第二區(qū)域的歐氏距離得到所述當(dāng)前特征點(diǎn)的描述子。

19、可選地，在一些實(shí)施例中，在以當(dāng)前特征點(diǎn)為中心將采集區(qū)域等分為多個(gè)第二區(qū)域之后，還包括：

20、確定所述每個(gè)第二區(qū)域的元素?cái)?shù)量，并根據(jù)所述每個(gè)第二區(qū)域的元素?cái)?shù)量確定所述當(dāng)前特征點(diǎn)的描述子的主方向。

21、可選地，在一些實(shí)施例中，在獲取點(diǎn)云數(shù)據(jù)集之前，還包括：

22、采集原始點(diǎn)云數(shù)據(jù)集，剔除所述原始點(diǎn)云數(shù)據(jù)集中的異常點(diǎn)云數(shù)據(jù)，并根據(jù)剩余點(diǎn)云數(shù)據(jù)生成所述點(diǎn)云數(shù)據(jù)集。

23、本技術(shù)第二方面實(shí)施例提供一種激光雷達(dá)點(diǎn)云特征提取與匹配裝置，包括：

24、第一提取模塊，用于獲取點(diǎn)云數(shù)據(jù)集，計(jì)算所述點(diǎn)云數(shù)據(jù)集中每個(gè)點(diǎn)云數(shù)據(jù)的平滑度，并根據(jù)所述平滑度確定邊緣點(diǎn)云數(shù)據(jù)集；

25、第二提取模塊，用于基于預(yù)設(shè)的分割策略將所述邊緣點(diǎn)云數(shù)據(jù)集進(jìn)行分割，得到所述邊緣點(diǎn)云數(shù)據(jù)集的多個(gè)子區(qū)域，基于預(yù)設(shè)的聚類算法對(duì)每個(gè)子區(qū)域進(jìn)行處理，得到所述每個(gè)子區(qū)域的特征點(diǎn)，根據(jù)所述每個(gè)子區(qū)域的特征點(diǎn)得到點(diǎn)云特征點(diǎn)集，并確定所述點(diǎn)云特征點(diǎn)集中每個(gè)特征點(diǎn)的描述子；

26、匹配模塊，用于計(jì)算所述點(diǎn)云特征點(diǎn)集中相鄰兩個(gè)特征點(diǎn)描述子距離，根據(jù)所述相鄰兩個(gè)特征點(diǎn)描述子距離得到所述相鄰兩個(gè)特征點(diǎn)的相似度，并根據(jù)所述相似度得到所述相鄰兩個(gè)特征點(diǎn)的匹配結(jié)果。

27、可選地，在一些實(shí)施例中，所述第一提取模塊，具體用于：

28、確定所述每個(gè)點(diǎn)云數(shù)據(jù)的線束信息和所述每個(gè)點(diǎn)云數(shù)據(jù)的相鄰點(diǎn)云數(shù)據(jù)，根據(jù)所述線束信息和所述相鄰點(diǎn)云數(shù)據(jù)計(jì)算所述每個(gè)點(diǎn)云數(shù)據(jù)的平滑度；

29、根據(jù)所述每個(gè)點(diǎn)云數(shù)據(jù)的平滑度和第一預(yù)設(shè)閾值確定所述邊緣點(diǎn)云數(shù)據(jù)集。

30、可選地，在一些實(shí)施例中，所述第二提取模塊，具體用于：

31、將所述邊緣點(diǎn)云數(shù)據(jù)集等分為多個(gè)第一區(qū)域，統(tǒng)計(jì)每個(gè)第一區(qū)域的元素?cái)?shù)量；

32、根據(jù)所述每個(gè)第一區(qū)域的元素?cái)?shù)量和期望分割數(shù)量對(duì)所述每個(gè)第一區(qū)域的范圍進(jìn)行調(diào)整，得到所述邊緣點(diǎn)云數(shù)據(jù)集的多個(gè)子區(qū)域。

33、可選地，在一些實(shí)施例中，所述第二提取模塊，具體用于：

34、基于預(yù)設(shè)的聚類算法對(duì)每個(gè)子區(qū)域進(jìn)行處理，得到所述每個(gè)子區(qū)域的聚類結(jié)果；

35、確定所述每個(gè)聚類結(jié)果中的元素?cái)?shù)量和所述每個(gè)聚類結(jié)果中的元素的線束數(shù)量，并根據(jù)所述每個(gè)聚類結(jié)果中的元素?cái)?shù)量和所述每個(gè)子區(qū)域的聚類結(jié)果中的元素的線束數(shù)量判斷對(duì)應(yīng)子區(qū)域的有效性；

36、將有效子區(qū)域的中心點(diǎn)作為對(duì)應(yīng)有效子區(qū)域的特征點(diǎn)，根據(jù)每個(gè)有效子區(qū)域的特征點(diǎn)得到所述點(diǎn)云特征點(diǎn)集。

37、可選地，在一些實(shí)施例中，所述第二提取模塊，具體用于：

38、基于預(yù)設(shè)方向，以當(dāng)前特征點(diǎn)為中心將采集區(qū)域等分為多個(gè)第二區(qū)域，在每個(gè)第二區(qū)域內(nèi)確定所述邊緣點(diǎn)云數(shù)據(jù)集中與所述當(dāng)前特征點(diǎn)相鄰的多個(gè)數(shù)據(jù)點(diǎn)；

39、分別計(jì)算所述當(dāng)前特征點(diǎn)與每個(gè)數(shù)據(jù)點(diǎn)的歐氏距離，并根據(jù)所述當(dāng)前特征點(diǎn)的所有第二區(qū)域的歐氏距離得到所述當(dāng)前特征點(diǎn)的描述子。

40、可選地，在一些實(shí)施例中，在以當(dāng)前特征點(diǎn)為中心將采集區(qū)域等分為多個(gè)第二區(qū)域之后，所述第二提取模塊，還用于：

41、確定所述每個(gè)第二區(qū)域的元素?cái)?shù)量，并根據(jù)所述每個(gè)第二區(qū)域的元素?cái)?shù)量確定所述當(dāng)前特征點(diǎn)的描述子的主方向。

42、可選地，在一些實(shí)施例中，在獲取點(diǎn)云數(shù)據(jù)集之前，所述所述第一提取模塊，還用于：

43、采集原始點(diǎn)云數(shù)據(jù)集，剔除所述原始點(diǎn)云數(shù)據(jù)集中的異常點(diǎn)云數(shù)據(jù)，并根據(jù)剩余點(diǎn)云數(shù)據(jù)生成所述點(diǎn)云數(shù)據(jù)集。

44、本技術(shù)第三方面實(shí)施例提供一種車輛，包括：存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序，以實(shí)現(xiàn)如上述實(shí)施例所述的激光雷達(dá)點(diǎn)云特征提取與匹配方法。

45、本技術(shù)第四方面實(shí)施例提供一種計(jì)算機(jī)程序產(chǎn)品，其上存儲(chǔ)有計(jì)算機(jī)程序，該程序被執(zhí)行，以用于實(shí)現(xiàn)如上述實(shí)施例所述的激光雷達(dá)點(diǎn)云特征提取與匹配方法。

46、由此，通過(guò)獲取點(diǎn)云數(shù)據(jù)集，計(jì)算點(diǎn)云數(shù)據(jù)集中每個(gè)點(diǎn)云數(shù)據(jù)的平滑度，并根據(jù)平滑度確定邊緣點(diǎn)云數(shù)據(jù)集，基于預(yù)設(shè)的分割策略將邊緣點(diǎn)云數(shù)據(jù)集進(jìn)行分割，得到邊緣點(diǎn)云數(shù)據(jù)集的多個(gè)子區(qū)域，基于預(yù)設(shè)的聚類算法對(duì)每個(gè)子區(qū)域進(jìn)行處理，得到每個(gè)子區(qū)域的特征點(diǎn)，根據(jù)每個(gè)子區(qū)域的特征點(diǎn)得到點(diǎn)云特征點(diǎn)集，并確定點(diǎn)云特征點(diǎn)集中每個(gè)特征點(diǎn)的描述子，計(jì)算點(diǎn)云特征點(diǎn)集中相鄰兩個(gè)特征點(diǎn)描述子距離，根據(jù)相鄰兩個(gè)特征點(diǎn)描述子距離得到相鄰兩個(gè)特征點(diǎn)的相似度，并根據(jù)相似度得到相鄰兩個(gè)特征點(diǎn)的匹配結(jié)果。由此，解決了相關(guān)技術(shù)中，激光雷達(dá)點(diǎn)云特征提取與匹配存在較大誤差和較高的復(fù)雜度，且缺少計(jì)算成本控制與計(jì)算實(shí)時(shí)性之前的平衡等問(wèn)題，提高特征點(diǎn)提取的準(zhǔn)確性，以及特征點(diǎn)匹配的精確性，有助于自動(dòng)駕駛的高精定位和建圖的應(yīng)用，實(shí)現(xiàn)更有效地性能提升。

47、本技術(shù)附加的方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過(guò)本技術(shù)的實(shí)踐了解到。