(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210635093.X (22)申请日 2022.06.06 (71)申请人 北京工业大 学 地址 100022 北京市朝阳区平乐园10 0号 (72)发明人 王金　宋子昂　张子宜　曹猛　 张涛　刘斌　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 项辰 (51)Int.Cl. G06T 17/00(2006.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 20/58(2022.01) (54)发明名称 视距测算及障碍物识别方法、 装置、 电子设 备及存储介质 (57)摘要 本发明提供一种视距测算及障碍物识别方 法、 装置、 电子设备及存储介质， 方法包括： 获取 待处理的点 云数据； 将所述点云数据输入至训练 完成的点云聚类 ‑注意力网络模型中， 得到点云 数据的分类结果并基于所述分类结果选取标识 牌点云； 基于标识牌点云获取视距距离， 并获取 终点坐标和视点位置结合所述视距距离建立三 维视锥模型； 基于三维视锥模型的视锥函数测算 标识牌点云的被遮挡面积和视锥体内遮挡标识 牌的障碍物体积， 并基于被遮挡面积和障碍物体 积得到路段视距遮挡程度。 本发 明实现了道路不 同条件下视距障碍全自动检测， 并自动评估 标识 牌被遮挡的程度， 节省人力财力， 保障了道路维 养的精准 化和精细化。 权利要求书2页 说明书9页 附图3页 CN 115100349 A 2022.09.23 CN 115100349 A 1.一种视距测算及障碍物 识别方法， 其特 征在于， 包括： 获取待处 理的点云数据； 将所述点云数据输入至训练完成的点云聚类 ‑注意力网络模型中， 得到点云数据的分 类结果并基于所述分类结果选取 标识牌点云； 其中， 所述点云聚类 ‑注意力网络模型是基于点云训练集以及点云训练集对应的识别 标签训练得到的； 基于标识牌点云获取视距距离， 并获取终点坐标和视点位置结合所述视距距离建立三 维视锥模型； 基于三维视锥模型的视锥函数， 在以标识牌中心坐标为原点的局部坐标系下， 测算标 识牌点云的被遮挡面积和视锥体内遮挡标识 牌的障碍物体积， 并基于被遮挡面积和障碍物 体积得到路段视距遮挡程度。 2.根据权利要求1所述的视距测算及障碍物识别方法， 其特征在于， 所述三维视锥模型 的建立过程包括： 将所述标识牌点云基于欧几里得算法进行点云聚类， 区分不同位置的标识牌信息， 将 聚类后的标识牌 点云基于正态分布算法确定每 个标识牌的中心坐标； 获取车辆的行驶车速， 并基于所述中心坐标和行驶车速获取视距 距离； 获取终点坐标并基于视距距离和终点坐标确定观测者的视点位置， 基于所述视距距 离、 终点坐标和视点 位置建立 三维视锥模型。 3.根据权利要求2所述的视距测算及障碍物识别方法， 其特征在于， 基于三维视锥模型 的视锥函数， 在以标识牌中心坐标为原点的局部坐标系 下， 测算标识牌点云的被遮挡面积 和视锥体内遮挡标识牌的障碍物体积之前， 还 包括： 基于视点位置和终点坐标， 遍历满足视距距离范围内的所有点云数据作为待辨认点 云； 判断所述待辨认点云是否处于预设的视距范围内， 基于判断结果判断待辨认点云是否 为障碍物。 4.根据权利要求1所述的视距测算及障碍物识别方法， 其特征在于， 所述点云聚类 ‑注 意力网络模型的训练过程包括： 获取车辆行驶道路的点云训练集； 建立待训练的点云聚类 ‑注意力网络模型并将所述点云训练集输入至模型中， 基于模 型的聚类层对所述 点云训练集 根据物理特 征进行聚类； 将聚类后的点云训练集基于模型的注意力层进行无序性识别， 并输出点云训练集对应 的类别标签； 基于全连接层和激活函数计算所述类别标签和点云训练集对应的识别标签的损失值， 并基于所述损失值进行反向传播训练点云聚类 ‑注意力网络模型 的参数， 直至模型收敛训 练完成。 5.根据权利要求4所述的视距测算及障碍物识别方法， 其特征在于， 将聚类后的点云训 练集基于模型的注意力模块进行 无序性识别之前， 还 包括： 根据点云训练集的聚类结果， 舍弃点云数量 最多的目标簇， 减少对小样本特 征的干扰； 对目标簇的点云训练集进行零 坐标填充， 保持点云训练集的数据维度不变。权　利　要　求　书 1/2 页 2 CN 115100349 A 26.根据权利要求4所述的视距测算及障碍物识别方法， 其特征在于， 获取车辆行驶道路 的点云训练集， 包括： 基于球形采样器和最远点采样法获取 车辆行驶道路的点云样本； 基于点云比较对不同地点的点云样本进行标定， 并选取目标比例的点云样本作为点云 训练集。 7.一种视距测算及障碍物 识别装置， 其特 征在于， 包括： 获取模块， 用于获取待处 理的点云数据； 分类模块， 用于将所述点云数据输入至训练完成的点云聚类 ‑注意力网络模型中， 得到 点云数据的分类结果并基于所述分类结果选取 标识牌点云； 其中， 所述点云聚类 ‑注意力网络模型是基于点云训练集以及点云训练集对应的识别 标签训练得到的； 建立模块， 用于基于标识牌点云获取视距距离， 并获取终点坐标和视点位置结合所述 视距距离建立 三维视锥模型； 测算模块， 用于基于三维视锥模型的视锥函数， 在以标识牌中心坐标为原点的局部坐 标系下， 测算标识牌点云的被遮挡面积和视锥体内遮挡 标识牌的障碍物体积， 并基于被遮 挡面积和障碍物体积得到路段视距遮挡程度。 8.一种电子设备， 包括存储器、 处理器及存储在所述存储器上并可在所述处理器上运 行的计算机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求1至6任一项所 述视距测算及障碍物 识别方法。 9.一种非暂态计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机 程序被处 理器执行时实现如权利要求1至 6任一项所述视距测算及障碍物 识别方法。 10.一种计算机程序产品， 包括计算机程序， 其特征在于， 所述计算机程序被处理器执 行时实现如权利要求1至 6任一项所述视距测算及障碍物 识别方法。权　利　要　求　书 2/2 页 3 CN 115100349 A 3