车辆姿态确定方法、系统、电子设备及可读存储介质与流程

本发明涉及车辆视觉，尤其涉及一种车辆姿态确定方法、系统、电子设备及可读存储介质。

背景技术：

1、随着车辆技术智能化的不断进步，通过车载激光雷达提供精确的车辆位置和周围环境的几何信息，并分析激光雷达数据提取车辆周围物体的位置、形状和运动信息，进而根据分析结果确定包括车辆姿态角和运动状态在内的车辆姿态信息，对车辆自动驾驶、路径规划和障碍物避难等任务至关重要。激光雷达通过发射激光束，测量由物体反射的波长的波形变化或时间差来确定物体和传感器之间的深度信息，可以获得3d中物体的深度和颜色信息，并在空间上进行转换，以构建点云，是一种3d数据结构。三维数据的特征比二维数据的特征包含更多的信息。这使得网络能够容易地区分被遮挡的对象。传统的3d数据处理方法往往依赖于手工设计的特征提取和规则，而深度学习方法能够通过端到端的训练从原始数据中学习到特征表示，具有更强的表达能力和泛化能力。基于深度学习的方法已被广泛用于3d数据处理，如3d cnn(convolutional neural network)通过在三个维度上(通常是x、y和z轴)应用卷积操作来捕捉3d数据中的空间相关性，这使得模型能够学习到物体的形状、结构和空间布局等特征。

2、在处理3d模型时，由于应用cnn滤波器来捕捉隐含的投影空间特征，会导致计算量大大增加的同时丢失点的精确三维坐标信息。为了解决这个问题，图卷积神经网络(gcn，graph convolutional networks)开始应用于点云的分类和语义分割任务，通过将点云表示为图，并利用gcn进行处理，可以充分利用点云数据的拓扑结构和局部关系，从而提高对点云数据的分析和预测能力，这种方法在点云分类、语义分割、目标检测等任务中取得了显著的性能提升，并且对于大规模的点云数据也具有较好的可扩展性。但是，由于点云通常由数万到数百万个点组成，图规模较大，不仅手动对每个点进行精确标记是一项耗时且困难的任务，并且其计算和存储的复杂性对车辆计算能力也提出了较高的要求，使得确定车辆姿态的难度变大，车辆姿态评估效率较低。

技术实现思路

1、为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。

2、鉴于以上所述现有技术的缺点，本技术公开了一种车辆姿态确定方法、系统、电子设备及可读存储介质，以降低确定车辆姿态的难度，进而提高车辆姿态评估效率。

3、本技术公开了一种车辆姿态确定方法，包括：获取目标车辆的环境点云数据；从所述环境点云数据中提取多个关键点、各所述关键点分别对应的近邻点，并将各所述关键点分别与各自对应的近邻点进行特征融合，得到各所述关键点对应的融合特征向量；根据各所述关键点分别对应的融合特征向量构建超图结构，并对所述超图结构进行数据扩充，以根据数据扩充后的超图结构生成所述环境点云数据对应的环境数据特征；将所述环境数据特征输入预设的车辆姿态分类模型，以根据所述环境数据特征对所述目标车辆的车辆姿态进行分类，得到分类结果，其中，所述车辆姿态分类模型根据带有车辆姿态标签的特征样本训练得到。

4、可选地，从所述环境点云数据中提取多个关键点、各所述关键点分别对应的近邻点，包括：根据预设的体素尺寸对所述环境点云数据进行体素化，得到多个体素单元；从各所述体素单元对应的环境点云数据中分别提取关键点，并以所述关键点作为中心，在所述关键点所在的体素单元中构建近邻图结构；通过k近邻算法从所述关键点所在近邻图结构的各环境点云数据中为所述关键点寻找近邻点。

5、可选地，将各所述关键点分别与各自对应的近邻点进行特征融合，得到各所述关键点对应的融合特征向量，包括：预先设置特征融合模型，其中，所述特征融合模型由切比雪夫卷积层和激活函数整流线性单元组成；获取所述关键点对应的关键点特征、所述近邻点对应的近邻点特征；将同一关键点对应的关键点特征和近邻点特征输入所述特征融合模型，以通过所述特征融合模型对输入的关键点特征和近邻点特征进行特征融合，并输出融合特征向量。

6、可选地，通过以下公式获取融合特征向量：h＝cheb(σ(cheb(σ(cheb(x,w(0))),w(1))),w(2)),式中，h为融合特征向量，cheb()为切比雪夫卷积层，σ()为非线性激活函数，w(0)∈rc×h为从具有c特征的输入层到具有h特征的第一隐含层之间的权重矩阵，w(1)∈rh×i为从具有h特征的第一隐含层到具有i特征的第二隐含层之间的权重矩阵，w(2)∈ri×f为从具有i特征的第二隐含层到具有f特征的输出层之间的权重矩阵。

7、可选地，根据各所述关键点分别对应的融合特征向量构建超图结构，包括：根据各所述关键点分别对应的融合特征向量分别生成超图节点；计算各所述融合特征向量之间的余弦相似度，以根据预设超参数在余弦相似度最接近的多个超图节点之间划分超边，并根据计算得到的余弦相似度构建超图结构对应的邻接矩阵；根据所述超图节点、所述超边和所述邻接矩阵构建超图结构。

8、可选地，对所述超图结构进行数据扩充，以根据数据扩充后的超图结构生成所述环境点云数据对应的环境数据特征，包括：根据预设的超边保留概率对所述超图结构分别进行多次随机丢弃边操作，以在每次随机丢弃边操作之后得到一随机图；分别对各所述随机图进行特征聚合，得到各所述随机图分别对应的随机图特征；将各所述随机图特征进行特征拼接，得到所述环境点云数据对应的环境数据特征。

9、可选地，通过以下公式对随机图进行特征聚合：式中，hi为第i个随机图对应的随机图特征，σ()为非线性激活函数，为第i个随机图对应的邻接矩阵，为对称归一化邻接矩阵，xh为每个关键点对应的融合特征向量，w为每个关键点对应的预设权重参数。

10、本技术公开了一种车辆姿态确定系统，包括：获取模块，用于获取目标车辆的环境点云数据；提取模块，用于从所述环境点云数据中提取多个关键点、各所述关键点分别对应的近邻点，并将各所述关键点分别与各自对应的近邻点进行特征融合，得到各所述关键点对应的融合特征向量；数据扩充模块，用于根据各所述关键点分别对应的融合特征向量构建超图结构，并对所述超图结构进行数据扩充，以根据数据扩充后的超图结构生成所述环境点云数据对应的环境数据特征；分类模块，用于将所述环境数据特征输入预设的车辆姿态分类模型，以根据所述环境数据特征对所述目标车辆的车辆姿态进行分类，得到分类结果，其中，所述车辆姿态分类模型根据带有车辆姿态标签的特征样本训练得到。

11、本技术公开了一种电子设备，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行上述的方法。

12、本技术公开了一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行上述的方法。

13、本技术的有益效果：

14、通过从目标车辆的环境点云数据中提取多个关键点，并将各关键点分别与各自对应的近邻点进行特征融合，得到融合特征向量，再根据各融合特征向量构建超图结构，对超图结构进行数据扩充，得到环境点云数据对应的环境数据特征，从而根据环境数据特征对目标车辆的车辆姿态进行分类。这样，相较于将每个点云数据作为图的顶点来构建图结构，通过从环境点云数据中提取关键点，将关键点与近邻点进行特征融合得到融合特征向量，以根据融合特征向量构建超图结构，减少了点云数据的数据规模，再通过数据扩充利用了有限的图特征，避免信息缺失问题的同时提高数据利用率，从而减少了对点云数据的计算和处理时间，提高了车辆姿态的评估效率。