CN111666137B - 数据标注方法、装置、计算机设备和存储介质 - Google Patents
数据标注方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111666137B CN111666137B CN202010338827.9A CN202010338827A CN111666137B CN 111666137 B CN111666137 B CN 111666137B CN 202010338827 A CN202010338827 A CN 202010338827A CN 111666137 B CN111666137 B CN 111666137B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- state
- cloud data
- frame
- task
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种数据标注方法、装置、计算机设备和存储介质。所述方法包括：将待标注的点云数据拆分为多个任务，并将多个任务分别进行标注，获取各任务中各帧的标注结果，根据各帧与任务的关系对各任务的标注结果进行串接，得到待标注的点云数据的目标标注结果，从整体上既缩短了标注时间，又提高了标注质量。
Description
技术领域
本申请涉及深度学习技术领域，特别是涉及一种数据标注方法、装置、计算机设备和存储介质。
背景技术
近年来，深度学习技术飞速发展，自动驾驶技术作为深度学习十分重要的一个分支吸引着越来越多的科研人员。自动驾驶技术对于算法的错误率容忍度十分低，所以在采用深度学习模型进行真实路测之前，既要保证深度学习模型处理的实时性，同时又要保证深度学习模型的高精度，因此，构建一个完备的点云数据评估数据集对于深度学习模型具有十分重要的意义。
通常，在构建点云数据评估数据集时需要对点云数据进行标注，例如，在深度学习模型的训练、验证等阶段，经常需要用到标注后的点云数据。目前，常用的标注方法为，由标注员对一个任务的点云数据进行标记，例如，在机器人操作系统(robotic operationsystem，ROS)中，将一个rosbag单位的路测环境的点云数据作为一个任务，由一个标注员来标注，以构建点云数据评估数据集。
然而，目前的标注方法存在标注效率低、且标注质量不完善的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高标注效率和标注质量的数据标注方法、装置、计算机设备和存储介质。
一种数据标注方法，所述方法包括：
将待标注的点云数据拆分为多个任务，并将所述多个任务分别进行标注；
获取各所述任务中各帧的标注结果；
根据所述各帧与任务的关系对各所述任务的标注结果进行串接，得到所述待标注的点云数据的目标标注结果。
在一个实施例中，所述根据所述各帧与任务的关系对各所述任务的标注结果进行串接，得到所述待标注的点云数据的目标标注结果，包括：
对各所述任务中的每一帧点云数据，根据当前帧的点云数据中每个跟踪物体的当前状态，确定各所述跟踪物体在下一帧中的预测状态；
根据所述各帧与任务的关系，判断所述下一帧的点云数据是否为当前任务中的数据，获取判断结果；
根据各所述跟踪物体在下一帧中的预测状态和所述判断结果，更新跟踪列表，以得到所述待标注的点云数据的目标标注结果；所述跟踪列表包括每个跟踪物体的跟踪器的观测状态。
在一个实施例中，所述根据各所述跟踪物体在下一帧中的预测状态和所述判断结果，更新跟踪列表，包括：
若所述下一帧的点云数据属于当前任务中的数据，则根据各所述跟踪物体的任务标识，将所述当前帧的点云数据中的跟踪物体与所述下一帧的点云数据中的标注物体进行配对，确定与所述当前帧的点云数据中的各跟踪物体配对成功的目标标注物体；所述目标标注物体为所述下一帧的点云数据中与所述跟踪物体的任务标识相同的标注物体；
采用各所述跟踪物体在下一帧中的预测状态和配对成功的目标标注物体的标注状态，在所述跟踪列表中更新所述配对成功的目标标注物体的跟踪器的观测状态。
在一个实施例中，所述根据各所述跟踪物体在下一帧中的预测状态和所述判断结果，更新跟踪列表，包括：
若所述下一帧的点云数据不属于当前任务中的点云数据，则将各所述跟踪物体在下一帧中的预测状态与各标注物体的标注状态进行两两配对，得到配对成功的跟踪物体和目标标注物体；所述标注物体为新的任务中的第一帧点云数据中的标注物体；
采用各所述跟踪物体在下一帧中的预测状态和配对成功的目标标注物体的标注状态，在所述跟踪列表中更新所述配对成功的目标标注物体的跟踪器的观测状态。
在一个实施例中，所述将各所述跟踪物体在下一帧中的预测状态与各标注物体的标注状态进行两两配对，得到配对成功的跟踪物体和目标标注物体，包括：
计算各所述跟踪物体在下一帧中的预测状态与各所述标注物体的标注状态之间的特征距离；
将小于预设阈值的特征距离对应的跟踪物体和标注物体，确定为配对成功的跟踪物体和目标标注物体。
在一个实施例中，所述采用各所述跟踪物体在下一帧中的预测状态和配对成功的目标标注物体的标注状态，在所述跟踪列表中更新所述配对成功的目标标注物体的跟踪器的观测状态，包括：
根据所述配对成功的目标标注物体的标注状态和预设残差，对所述跟踪物体在下一帧中的预测状态进行修正，得到修正状态；所述预设残差表示跟踪物体的预测状态与标注状态之间的误差；
根据各所述跟踪物体的修正状态，在所述跟踪列表中更新所述配对成功的目标标注物体的跟踪器的观测状态。
在一个实施例中，所述方法还包括：
确定所述待标注的点云数据中的第一帧点云数据中各跟踪物体；
初始化各所述跟踪物体的跟踪器和全局跟踪标识；
根据所述跟踪物体的跟踪器和全局跟踪标识建立所述跟踪列表。
在一个实施例中，所述更新跟踪列表，还包括：
所述当前帧的点云数据中的跟踪物体与所述下一帧的点云数据中的标注物体配对成功后，将所述当前帧的点云数据中的跟踪物体的全局跟踪标识赋值于配对成功的标注物体。
在一个实施例中，所述方法还包括：
若所述下一帧的点云数据中出现新的跟踪物体，则将所述新的跟踪物体的跟踪器加入所述跟踪列表中；和/或，
若在预设数目的连续帧的点云数据中均未出现跟踪物体，则将未出现的跟踪物体的跟踪器从所述跟踪列表中删除。
在一个实施例中，所述方法还包括：
获取针对衔接帧中目标跟踪物体的修正信息；所述衔接帧为待修正的任务中的第一帧；
根据所述修正信息对所述目标标注结果中，所述衔接帧之后的所有帧中的目标跟踪物体的标识进行修正，以使各所述任务中相同跟踪物体的标识一致。
一种数据标注装置，包括：
拆分模块，用于将待标注的点云数据拆分为多个任务，并将所述多个任务分别进行标注；
获取模块，用于获取各所述任务中各帧的标注结果；
串接模块，用于根据所述各帧与任务的关系对各所述任务的标注结果进行串接，得到所述待标注的点云数据的目标标注结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
将待标注的点云数据拆分为多个任务，并将所述多个任务分别进行标注；
获取各所述任务中各帧的标注结果；
根据所述各帧与任务的关系对各所述任务的标注结果进行串接，得到所述待标注的点云数据的目标标注结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
将待标注的点云数据拆分为多个任务，并将所述多个任务分别进行标注；
获取各所述任务中各帧的标注结果；
根据所述各帧与任务的关系对各所述任务的标注结果进行串接，得到所述待标注的点云数据的目标标注结果。
上述数据标注方法、装置、计算机设备和存储介质，将待标注的点云数据拆分为多个任务，并将多个任务分别进行标注，获取各任务中各帧的标注结果，根据各帧与任务的关系对各任务的标注结果进行串接，得到待标注的点云数据的目标标注结果，由于将待标注的点云数据拆分为多个任务分别进行标注，每个任务的数据量相较于完整的待标注的点云数据的数据量很小，所以标注每个任务的时间大大降低，对多个任务同时进行标注，明显的提高了标注效率，尤其是，当标注员标注一个任务时所需时间较短，可以使得标注员持续集中精力进行标注，提高了标注质量，再将各任务的标注结果进行串接，得到待标注的点云数据的完整的标注结果，从整体上既缩短了标注时间，又提高了标注质量。
附图说明
图1为一个实施例中数据标注方法的应用环境图；
图2为一个实施例中数据标注方法的流程示意图；
图3为一个实施例中数据标注方法的流程图示意图；
图4为另一个实施例中数据标注方法的流程示意图；
图5为另一个实施例中数据标注方法的流程图示意图；
图6为另一个实施例中数据标注方法的流程图示意图；
图7为另一个实施例中数据标注方法的流程图示意图；
图8为一个实施例提供的一种数据标注方法的流程图；
图9为一个实施例中数据标注装置的结构框图；
图10为另一个实施例中数据标注装置的结构框图；
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的数据标注方法，可以应用于如图1所示的应用环境中。如图1所示，该数据标注方法可以应用于计算机设备中，该计算机设备可以是服务器，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储点云数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种数据标注方法。
在一个实施例中，如图2所示，提供了一种数据标注方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
S201、将待标注的点云数据拆分为多个任务，并将多个任务分别进行标注。
其中，待标注的点云数据可以是激光雷达实时采集到的点云数据，也可以是激光雷达采集到存储在计算机设备或其它存储设备中的点云数据。该待标注的点云数据可以为车辆的路测环境数据、交通数据等。
在本实施例中，计算机设备获取到一组待标注的点云数据时，可以对该组待标注的点云数据进行划分，划分多个任务上传至标注系统中，由不同的标注员进行标注。在对待标注的点云数据进行划分时，可以按照预设的数据量单位将待标注的点云数据划分为多个数据量大小相同的任务，也可以是按照根据点云数据之间的关联特征将待标注的点云数据划分为多个任务；或者，也可以是按照预设的时间单位，根据点云数据的采集时间将待标注的点云数据划分为多个任务，本申请实施例中不加以限制。将待标注的点云数据划分为多个任务之后，将多个任务上传至标注系统，由多个标注员进行标注，可以是一个标注员标注一个任务，也可以是一个标注员标注多个任务；或者，也可以采用自动标注的方式来标注，例如，采用一个或多个神经网络对各任务进行标注。
以当前自动驾驶行业主要采用的ROS框架为例，由于ROS本身是基于消息订阅和消息发布机制的，所以在整个系统的开发过程中可以基于需要的功能把整个自动驾驶分成多个独立的功能模块。每个模块只需要通过订阅消息的模式订阅需要的消息，并且解决如何处理消息及发布本模块的处理结果。因此，各个功能模块可以在离线时进行独立的调试和验证。当将全部模块部署到车辆上时，通过ROS框架就可以将各个功能模块快速的集成在自动驾驶车辆上。例如，自动驾驶车辆在真实道路行驶时依赖多个算法模块，可以包括环境感知模块、路径规划模块、车辆控制模块等，多个模块依赖于ROS相互通信，在ROS中各个模块通过发送topic、订阅topic获取上下游模块的信息，并且以rosbag为单位存储真实的路测环境数据，该路测环境数据可以为激光雷达采集的点云数据。那么，一个rosbag的数据为一组待标注的点云数据，通常一个rosbag是时间较长，且1hz频率录制大概有300-400帧，那么一个rosbag的数据量十分大，如果让一个标注员标注完整个rosbag的数据容易出现疲劳，所以本申请实施例中将一个rosbag的点云数据拆分成多个任务，每个任务大概有50帧左右的激光点云数据，让标注员在标注一个任务过程中能保持注意力集中。
S202、获取各任务中各帧的标注结果。
其中，标注结果可以包括部分或全部障碍物的特征信息，例如，包括障碍物的位置、尺寸、朝向、障碍物类别、trackID等信息，其中trackID是某一障碍物在本任务中唯一的识别ID，不同的数据帧中同一物体的trackID保持一致。例如，假设某车辆在第4-21、30-40帧中出现，则在这些帧中这辆车的ID必须保持统一，这样才能更好的分析物体前后帧连续的速度、加速度、运动趋势等信息。
在本实施例中，计算机设备可以实时的获取各个任务的每各数据帧的标注结果，也可以是待一个任务的所有数据帧标注完成之后，获取一个任务完整的标注结果，本申请实施例中不加以限制。
S203、根据各帧与任务的关系对各任务的标注结果进行串接，得到待标注的点云数据的目标标注结果。
其中，在进行任务划分的同时，计算机设备还可以建立各帧与任务之间的对应关系，各帧与任务的关系可以包括各帧的标识与任务的标识之间的对应关系；或者，各帧与任务的关系可以包括各任务对应的起始帧位置和结束帧位置，本申请实施例中不加以限制。
在本实施例中，由于一个任务长度过短，直接作为激光雷达点云评估数据集用来进行模型评估不是很可靠，所以通常模型评估会选择完整的rosbag的标注数据作为激光雷达点云评估数据集，此时则需要将该rosbag的每个任务串接起来形成一个完整rosbag标注结果。因此，获取到各任务的标注结果之后，还需要根据各帧与任务的关系对各任务的标注结果进行串接，得到待标注的点云数据的目标标注结果，该目标标注结果包括待标注的点云数据中各帧的标注结果。例如，可以根据各帧的时间顺序，将各个任务的标注结果进行串接，得到完成的标注结果。可选地，在串接过程中还可以采用跟踪算法，对待标注点云数据中的各个物体进行跟踪，以修正各物体的状态，还可以对各个物体在不同任务中的标识进行修正，以保证同一物体在不同任务中的标识都保持一致，但本申请实施例中并不以此为限。
本申请实施例提供的数据标注方法，将待标注的点云数据拆分为多个任务，并将多个任务分别进行标注，获取各任务中各帧的标注结果，根据各帧与任务的关系对各任务的标注结果进行串接，得到待标注的点云数据的目标标注结果，由于将待标注的点云数据拆分为多个任务分别进行标注，每个任务的数据量相较于完整的待标注的点云数据的数据量很小，所以标注每个任务的时间大大降低，对多个任务同时进行标注，明显的提高了标注效率，尤其是，当标注员标注一个任务时所需时间较短，可以使得标注员持续集中精力进行标注，提高了标注质量，再将各任务的标注结果进行串接，得到待标注的点云数据的完整的标注结果，从整体上既缩短了标注时间，又提高了标注质量。
图3为一个实施例中数据标注方法的流程图示意图，该实施例涉及的是对各所述任务的标注结果进行串接的具体实现方式，如图3所示，步骤S203可以包括以下步骤：
S301、对各任务中的每一帧点云数据，根据当前帧的点云数据中每个跟踪物体的当前状态，确定各跟踪物体在下一帧中的预测状态。
在本实施例中，当前帧的点云数据中每个跟踪物体的当前状态可以为标注状态，也可以是根据跟踪物体在上一帧的状态和当前帧的预测状态得到的，例如，对于待标注的点云数据中的第一帧点云数据的跟踪物体的当前状态，可以为该第一帧的标注结果中标注的跟踪物体的状态，对于后续的其它帧，每个跟踪物体的当前状态可以为根据跟踪物体在上一帧的状态和当前帧的预测状态得到的。得到当前帧的点云数据中每个跟踪物体的当前状态，可以依据当前状态来预测跟踪物体在下一帧中的状态。
例如，假设利用
表示跟踪物体在当前t的状态，pt为跟踪物体在t时刻的位置，vt为跟踪物体在t时刻的速度，如果已知跟踪物体在t时刻的在下一时刻(即t+1)时刻的状态，便可以根据公式(1)和公式(2)预测t+1时刻的状态。
vt+1＝vt+ut+1*Δt 公式(2)；
其中，Δt是t到t+1的时间间隔，ut+1是加速度。
根据上述公式，输出变量都是输入变量的线性组合，既然上述公式表征了一种线性关系，那么为了计算方便可抽象成矩阵计算，如公式(3)：
本申请实施例中，还可以采用卡尔曼滤波来跟踪目标，例如，采用卡尔曼滤波跟踪过程的第一条公式，状态预测公式(4)：
上条公式即为Ft+1即为状态转移矩阵，表示如何从当前帧来推测下一帧的跟踪物体的状态，Bt+1为控制矩阵，表示控制量ut+1如何作用于下一帧的状态，ut+1通常为加速度。
表示状态为估计值，而非真实值，x右上标“-”表示该状态是根据上一状态推测而来，而非修正后的最优估计，也即，下一帧中跟踪物体的预测状态
就是系统利用当前帧的状态
预测得到的。
上述公式中既然是对真实值进行估计，那么应当考虑到噪声的影响，在本实施例中假设噪声服从0均值的高斯分布Noise～Guassian(0,σ)，例如，对于一个一维数据估计时，若要引入噪声的影响只需考虑方差即可，但当提高维度之后为了综合各个维度偏离其均值的程度就需要引入协方差矩阵概念。
在本实施例中，系统中每一个时刻的不确定性都是通过协方差矩阵Σ来给出的。而且这种不确定性在每个时刻间还会进行传递。也就是说不仅当前帧跟踪物体的状态(例如位置或者速度)是会在每一帧中进行传递的，而且物体状态的不确定性也是会在每一帧中进行传递的。这种不确定性的传递就可以用状态转移矩阵来表示，并且需要考虑预测模型本身也并不绝对准确也就需要在此基础上引入协方差矩阵Q，综合可得公式(5)，以表示不确定性在各帧中的传递关系：
S302、根据各帧与任务的关系，判断下一帧的点云数据是否为当前任务中的数据，获取判断结果。
在本实施例中，根据各帧和任务的关系，判断下一阵的点云数据是否为当前任务中的数据，例如，下一帧的点云数据的任务标识与当前帧的点云数据的任务标识相同，则表示下一阵的点云数据是当前任务中的数据；或者，根据下一帧与任务的对应关系，确定下一帧的点云数据为当前任务中的数据。
S303、根据各跟踪物体在下一帧中的预测状态和判断结果，更新跟踪列表，以得到待标注的点云数据的目标标注结果；跟踪列表包括每个跟踪物体的跟踪器的观测状态。
在本实施例中，可以根据各跟踪物体在下一帧中的预测状态和判断结果，更新跟踪列表，更新跟踪列表可以是更新跟踪列表中跟踪器的观测状态。判断结果不同，更新跟踪列表的方法也不相同。
可选地，上述跟踪列表的生成方法包括：确定待标注的点云数据中的第一帧点云数据中各跟踪物体；初始化各跟踪物体的跟踪器和全局跟踪标识；根据跟踪物体的跟踪器和全局跟踪标识建立跟踪列表。
在本实施例中，利用一组待标注的点云数据的第一帧进行初始化，为第一帧的每个跟踪物体新建一个跟踪器并加入跟踪列表中，各跟踪器最初预测状态可以为第一帧的标注结果中各跟踪物体的标注状态。还可以为每个跟踪物体设置一个全局跟踪标识(globalTrackID)，该globalTrackID可以为第一帧中各跟踪物体的任务标识，也可以是重新设置的任务标识，本申请实施例中不加以限制。
进一步地，更新跟踪列表，还包括：当前帧的点云数据中的跟踪物体与下一帧的点云数据中的标注物体配对成功后，将当前帧的点云数据中的跟踪物体的全局跟踪标识赋值于配对成功的标注物体。
在本实施例中，当前帧的点云数据中的跟踪物体与下一帧的点云数据中的标注物体配对成功后，也即，当某一跟踪器与下一帧中的某个物体配对成功表示二者为同一物体，在rosbag中的globalTrackID相同，所以需要将跟踪器的globalTrackID赋值给在下帧中与其配对成功的跟踪物体。采用跟踪物体的全局跟踪标识替换配对成功的标注物体的任务标识，保证各任务中相同跟踪物体的任务标识保持一致，使得待标注的点云数据的完整标注结果的可靠性更高。
可选地，还可以根据跟踪物体的变化情况更新跟踪列表中的跟踪器。上述方法还包括：若下一帧的点云数据中出现新的跟踪物体，则将新的跟踪物体的跟踪器加入跟踪列表中；和/或，若在预设数目的连续帧的点云数据中均未出现跟踪物体，则将未出现的跟踪物体的跟踪器从跟踪列表中删除。
在本实施例中，已经利用下一帧中配对成功的跟踪物体的状态对该跟踪物体的跟踪器进行更新，对于新出现的跟踪物体需为其初始化跟踪器并加入跟踪列表中，如果某一物体消失15帧以上则需将其跟踪器从跟踪列表中删除，从而保证跟踪列表的准确性。
在一个实施例中，如图4所示，该实施例涉及的是当下一帧的点云数据属于当前任务中的数据时，更新跟踪列表的具体实现方式。如图4所示，步骤S303可以包括以下步骤：
S401、若下一帧的点云数据属于当前任务中的数据，则根据各跟踪物体的任务标识，将当前帧的点云数据中的跟踪物体与下一帧的点云数据中的标注物体进行配对，确定与当前帧的点云数据中的各跟踪物体配对成功的目标标注物体；目标标注物体为下一帧的点云数据中与跟踪物体的任务标识相同的标注物体。
在本实施例中，当下一帧的点云数据属于当前任务中的数据时，由于同一任务中同一个物体的任务标识相同，因此，直接将当前帧的与下一帧的任务标识相同的物体进行配对，确定与当前帧中的跟踪物体的任务标识相同的下一帧的目标标注物体。
例如，假设整个rosbag有300帧，以50帧为单位进行划分，则每50帧被分为一个任务，一个任务可以由一个标注员标注，每个任务内同一跟踪物体的ID(标识)相同。假设当前处理完成到第6帧(相对整个rosbag来说)，该第6帧为第一个任务中的数据帧，由于每50帧为一个任务，按照任务的划分下一帧(第7帧)和当前帧(第6帧)所在的任务均为第一个任务，则直接找第6帧和第7帧中ID(标识)相同的跟踪物体进行配对，由于同一个任务是同一个标注员标注的，因此，同一个任务中不同帧中的相同跟踪物体的ID相同，因此，第7帧中对应的ID相同的物体也就是目标标注物体。比如，第6帧中的跟踪物体a的ID为2，则第7帧中ID为2的跟踪物体b即为与跟踪物体a配对成功的目标标注物体。
S402、采用各跟踪物体在下一帧中的预测状态和配对成功的目标标注物体的标注状态，在跟踪列表中更新配对成功的目标标注物体的跟踪器的观测状态。
其中，标注状态为从下一帧的点云数据的标注结果中获得到目标标注物体的标注状态。
在本实施例中，计算机设备各跟踪物体在下一帧中的预测状态和配对成功的目标标注物体的标注状态，更新目标标注物体的跟踪器的观测状态。例如，可以根据各跟踪物体在下一帧中的预测状态对配对成功的目标标注物体的标注状态进行修正，用修正后的状态更新目标标注物体的跟踪器的观测状态。
本申请实施例提供的数据标注方法，若下一帧的点云数据属于当前任务中的数据，则根据各跟踪物体的任务标识，将当前帧的点云数据中的跟踪物体与下一帧的点云数据中的标注物体进行配对，确定与当前帧的点云数据中的各跟踪物体配对成功的目标标注物体，采用各跟踪物体在下一帧中的预测状态和配对成功的目标标注物体的标注状态，在跟踪列表中更新配对成功的目标标注物体的跟踪器的观测状态，由于同一任务中同一个物体的任务标识相同，因此，直接将当前帧的与下一帧的任务标识相同的物体进行配对，采用各跟踪物体在下一帧中的预测状态和配对成功的目标标注物体的标注状态，在跟踪列表中更新配对成功的目标标注物体的跟踪器的观测状态，在同一个任务中能实现快速跟踪目标物，以提高标注效率。
在另一个实施例中，如图5所示，该实施例涉及的是当下一帧的点云数据不属于当前任务中的数据时，更新跟踪列表的具体实现方式。如图5所示，步骤S303可以包括以下步骤：
S501、若下一帧的点云数据不属于当前任务中的点云数据，则将各跟踪物体在下一帧中的预测状态与各标注物体的标注状态进行两两配对，得到配对成功的跟踪物体和目标标注物体；标注物体为新的任务中的第一帧点云数据中的标注物体。
在本实施例中，如果下一帧的点云数据不属于当前任务中的点云数据，则将当前帧中的各跟踪物体的预测状态与下一帧中的标注物体的标注状态进行两两配对，得到配对成功的跟踪物体和目标标注物体。
可选地，将各跟踪物体在下一帧中的预测状态与各标注物体的标注状态进行两两配对，得到配对成功的跟踪物体和目标标注物体，包括：计算各跟踪物体在下一帧中的预测状态与各标注物体的标注状态之间的特征距离；将小于预设阈值的特征距离对应的跟踪物体和标注物体，确定为配对成功的跟踪物体和目标标注物体。
例如，假设整个rosbag有300帧，以50帧为单位进行划分，则每50帧被分为一个任务，一个任务可以由一个标注员标注，每个任务内同一跟踪物体的ID(标识)相同。假设处理完成第50帧(相对整个rosbag来说)，该第50帧为一个任务中的数据帧，由于每50帧为一个任务，按照任务的划分下一帧(第51帧)和当前帧(第50帧)所在的任务不同，则不能直接用ID去寻找对应的目标标注物体。首先，根据第50帧中各跟踪物体的当前状态预测全部跟踪物体在第51帧中的预测状态，获得预测状态列表，将预测状态列表中各跟踪物体的预测状态与第51帧中全部标注物体的标注状态两两计算特征距离，利用匈牙利匹配算法得到全局的最大匹配，找到每一个预测状态与其对应的目标标注物体。
在本实施例中，该预设阈值可以根据实际需求设置，例如，预设阈值可以为0.2、0.3等等。计算每个跟踪物体在下一帧中的预测状态与新的任务中的第一帧中的标注物体的标注状态之间的特征距离，特征距离小于预设阈值，则说明该特征距离对应的跟踪物体和标注物体配对成功。可选地，计算得到特征距离之后，还可以采用匈牙利二分图匹配算法进行最大匹配，得到配对成功的跟踪物体和目标标注物体。
S502、采用各跟踪物体在下一帧中的预测状态和配对成功的目标标注物体的标注状态，在跟踪列表中更新配对成功的目标标注物体的跟踪器的观测状态。
在本实施例中，计算机设备各跟踪物体在下一帧中的预测状态和配对成功的目标标注物体的标注状态，更新目标标注物体的跟踪器的观测状态。例如，可以根据各跟踪物体在下一帧中的预测状态对配对成功的目标标注物体的标注状态进行修正，用修正后的状态更新目标标注物体的跟踪器的观测状态。
本申请实施例提供的数据标注方法，若下一帧的点云数据不属于当前任务中的点云数据，则将各跟踪物体在下一帧中的预测状态与各标注物体的标注状态进行两两配对，得到配对成功的跟踪物体和目标标注物体，采用各跟踪物体在下一帧中的预测状态和配对成功的目标标注物体的标注状态，在跟踪列表中更新配对成功的目标标注物体的跟踪器的观测状态，通过将各跟踪物体在下一帧中的预测状态与各标注物体的标注状态进行两两配对，实现了不同的任务之间的目标跟踪，从而将个任务的标注结果串接起来，得到完整的标注结果，并且，该方式实现自动串接各任务的标注结果，其串接效率高。
在图4和图5实施例的基础上，如图6所示，步骤S402或S502“采用各跟踪物体在下一帧中的预测状态和配对成功的目标标注物体的标注状态，在跟踪列表中更新配对成功的目标标注物体的跟踪器的观测状态”，可以包括：
S601、根据配对成功的目标标注物体的标注状态和预设残差，对跟踪物体在下一帧中的预测状态进行修正，得到修正状态；预设残差表示跟踪物体的预测状态与标注状态之间的误差。
在本实施例中，上述跟踪器的观测状态不是跟踪物体的真实状态，假设，跟踪物体的真实状态到观测状态还有一个变换关系为h(*)，同样为线性函数，此时便有Y(t)＝h[X(t)]+V(t)，V(t)表示观测误差，写成矩阵形式Yt＝H*Xt+v，接下来就需要采用公式(6)，根据标注状态对预测状态进行修正：
其中，
为修正状态，yt为下一帧中跟踪物体的标注状态。
根据上一帧的跟踪物体的状态推测而来的预测状态
与真实的标注状态的差距，就是等式右端的
表示实际观测值(标注状态)与预估的观测值(预测状态)之间的残差，再乘以系统K就可以用来对估计值(预测状态)进行修正，K即卡尔曼增益，是对残差的加权矩阵，
其中，R为协方差，用于表示观测值的不确定性。
最后还可以对最优估计值
的噪声分布进行更新，所使用的公式为公式(7)：
其中，I为单位矩阵。
S602、根据各跟踪物体的修正状态，在跟踪列表中更新配对成功的目标标注物体的跟踪器的观测状态。
在本实施例中，采用跟踪物体的修正状态更新目标标注物体的跟踪器的观测状态，例如，可以采用各跟踪物体的修正状态替换跟踪列表中更新配对成功的目标标注物体的跟踪器的观测状态。
本申请实施例提供的数据标注方法，根据配对成功的目标标注物体的标注状态和预设残差，对跟踪物体在下一帧中的预测状态进行修正，得到修正状态，根据各跟踪物体的修正状态，在跟踪列表中更新配对成功的目标标注物体的跟踪器的观测状态，由于预设残差表示跟踪物体的预测状态与标注状态之间的误差，采用目标标注物体的标注状态和预设残差，对跟踪物体在下一帧中的预测状态进行修正，得到的目标标注物体的跟踪器的观测状态更加准确，提高了点云数据的标注质量。
在上述实施例的基础上，还可以进一步的对目标标注结果进行修正，如图7所示，上述方法还包括：
S701、获取针对衔接帧中目标跟踪物体的修正信息；衔接帧为待修正的任务中的第一帧。
在本实施例中，如果存在个别跟踪错误，还可以由标注员人工修改，例如，假设某一辆车在任务2中的id为#1，globalTrackID为#1，在接下来任务3中id为#8，但由于跟踪算法错误，未正确的将其globalTrackID设置成#1而设置成了#70，此时标注员需要在衔接帧将#70改成#1。
S702、根据修正信息对目标标注结果中，衔接帧之后的所有帧中的目标跟踪物体的标识进行修正，以使各任务中相同跟踪物体的标识一致。
在本实施例中，当计算机设备检测到标注员的修正信息之后，计算机设备会自动将任务3和任务3之后的所有任务中的所有id为#8的globalTrackID设置成#1，也就是，标注员只需要在衔接帧处修正错误，后续任务内的其他帧计算机设备都会自动修正。
本申请实施例提供的数据标注方法，获取针对衔接帧中目标跟踪物体的修正信息，根据修正信息对目标标注结果中，衔接帧之后的所有帧中的目标跟踪物体的标识进行修正，以使各任务中相同跟踪物体的标识一致，在将各个任务的标注结果串接之后，进一步对错误的globalTrackID进行修改，可以提高标注数据的质量，并且，标注员只需要在衔接帧处修正错误，后续任务内的其他帧计算机设备都会自动修正，进一步提高了标注效率。
图8为一个实施例提供的一种数据标注方法的流程图，如图8所示，该方法可以包括一下步骤：
S801、将待标注的点云数据拆分为多个任务，并将多个任务分别进行标注。
S802、获取各任务中各帧的标注结果。
S803、初始化跟踪器列表。
S804、对各任务中的每一帧点云数据，根据当前帧的点云数据中每个跟踪物体的当前状态，确定各跟踪物体在下一帧中的预测状态。
S805、根据各帧与任务的关系，判断下一帧的点云数据是否为当前任务中的数据，若是，则执行步骤806，若否，则执行步骤807。
S806、根据各跟踪物体的任务标识，将当前帧的点云数据中的跟踪物体与下一帧的点云数据中的标注物体进行配对，确定与当前帧的点云数据中的各跟踪物体配对成功的目标标注物体，执行S808。
S807、将各跟踪物体在下一帧中的预测状态与各标注物体的标注状态进行两两配对，得到配对成功的跟踪物体和目标标注物体。
S808、采用各跟踪物体在下一帧中的预测状态和配对成功的目标标注物体的标注状态，在跟踪列表中更新配对成功的目标标注物体的跟踪器的观测状态，并返回执行步骤S804。
本申请实施例提供的数据标注方法，将待标注的点云数据拆分为多个任务分别进行标注，每个任务的数据量相较于完整的待标注的点云数据的数据量很小，所以标注每个任务的时间大大降低，对多个任务同时进行标注，明显的提高了标注效率，尤其是，当标注员标注一个任务时所需时间较短，可以使得标注员持续集中精力进行标注，提高了标注质量，再将各任务的标注结果进行串接，得到待标注的点云数据的完整的标注结果，从整体上既缩短了标注时间，又提高了标注质量。
应该理解的是，虽然图2-8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-8中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图9所示，提供了一种数据标注装置，包括：
拆分模块11，用于将待标注的点云数据拆分为多个任务，并将所述多个任务分别进行标注；
获取模块12，用于获取各所述任务中各帧的标注结果；
串接模块13，用于根据所述各帧与任务的关系对各所述任务的标注结果进行串接，得到所述待标注的点云数据的目标标注结果。
在一个实施例中，如图10所示，串接模块13包括：
确定单元131，用于对各所述任务中的每一帧点云数据，根据当前帧的点云数据中每个跟踪物体的当前状态，确定各所述跟踪物体在下一帧中的预测状态；
判断单元132，用于根据所述各帧与任务的关系，判断所述下一帧的点云数据是否为当前任务中的数据，获取判断结果；
更新单元133，用于根据各所述跟踪物体在下一帧中的预测状态和所述判断结果，更新跟踪列表，以得到所述待标注的点云数据的目标标注结果；所述跟踪列表包括每个跟踪物体的跟踪器的观测状态。
在一个实施例中，更新单元133用于若所述下一帧的点云数据属于当前任务中的数据，则根据各所述跟踪物体的任务标识，将所述当前帧的点云数据中的跟踪物体与所述下一帧的点云数据中的标注物体进行配对，确定与所述当前帧的点云数据中的各跟踪物体配对成功的目标标注物体；所述目标标注物体为所述下一帧的点云数据中与所述跟踪物体的任务标识相同的标注物体；采用各所述跟踪物体在下一帧中的预测状态和配对成功的目标标注物体的标注状态，在所述跟踪列表中更新所述配对成功的目标标注物体的跟踪器的观测状态。
在一个实施例中，更新单元133用于若所述下一帧的点云数据不属于当前任务中的点云数据，则将各所述跟踪物体在下一帧中的预测状态与各标注物体的标注状态进行两两配对，得到配对成功的跟踪物体和目标标注物体；所述标注物体为新的任务中的第一帧点云数据中的标注物体；采用各所述跟踪物体在下一帧中的预测状态和配对成功的目标标注物体的标注状态，在所述跟踪列表中更新所述配对成功的目标标注物体的跟踪器的观测状态。
在一个实施例中，更新单元133用于计算各所述跟踪物体在下一帧中的预测状态与各所述标注物体的标注状态之间的特征距离；将小于预设阈值的特征距离对应的跟踪物体和标注物体，确定为配对成功的跟踪物体和目标标注物体。
在一个实施例中，更新单元133用于根据所述配对成功的目标标注物体的标注状态和预设残差，对所述跟踪物体在下一帧中的预测状态进行修正，得到修正状态；所述预设残差表示跟踪物体的预测状态与标注状态之间的误差；根据各所述跟踪物体的修正状态，在所述跟踪列表中更新所述配对成功的目标标注物体的跟踪器的观测状态。
在一个实施例中，获取模块12还用于确定所述待标注的点云数据中的第一帧点云数据中各跟踪物体；初始化各所述跟踪物体的跟踪器和全局跟踪标识；根据所述跟踪物体的跟踪器和全局跟踪标识建立所述跟踪列表。
在一个实施例中，串接模块13，还用于所述当前帧的点云数据中的跟踪物体与所述下一帧的点云数据中的标注物体配对成功后，将所述当前帧的点云数据中的跟踪物体的全局跟踪标识赋值于配对成功的标注物体。
在一个实施例中，获取模块12还用于若所述下一帧的点云数据中出现新的跟踪物体，则将所述新的跟踪物体的跟踪器加入所述跟踪列表中；和/或，若在预设数目的连续帧的点云数据中均未出现跟踪物体，则将未出现的跟踪物体的跟踪器从所述跟踪列表中删除。
在一个实施例中，串接模块13，还用于获取针对衔接帧中目标跟踪物体的修正信息；所述衔接帧为待修正的任务中的第一帧；根据所述修正信息对所述目标标注结果中，所述衔接帧之后的所有帧中的目标跟踪物体的标识进行修正，以使各所述任务中相同跟踪物体的标识一致。
关于数据标注装置的具体限定可以参见上文中对于数据标注方法的限定，在此不再赘述。上述数据标注装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，在一个实施例中，提供了一种计算机设备，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种数据标注方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
将待标注的点云数据拆分为多个任务，并将所述多个任务分别进行标注；
获取各所述任务中各帧的标注结果；
根据所述各帧与任务的关系对各所述任务的标注结果进行串接，得到所述待标注的点云数据的目标标注结果。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
将待标注的点云数据拆分为多个任务，并将所述多个任务分别进行标注；
获取各所述任务中各帧的标注结果；
根据所述各帧与任务的关系对各所述任务的标注结果进行串接，得到所述待标注的点云数据的目标标注结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (13)
1.一种数据标注方法，其特征在于，所述方法包括：
将待标注的点云数据拆分为多个任务，并将所述多个任务分别进行标注；
获取各所述任务中各帧的标注结果；
根据所述各帧与任务的关系对各所述任务的标注结果进行串接，得到所述待标注的点云数据的目标标注结果；
所述根据所述各帧与任务的关系对各所述任务的标注结果进行串接，得到所述待标注的点云数据的目标标注结果，包括：
对各所述任务中的每一帧点云数据，根据当前帧的点云数据中每个跟踪物体的当前状态，确定各所述跟踪物体在下一帧中的预测状态；
根据所述各帧与任务的关系，判断所述下一帧的点云数据是否为当前任务中的数据，获取判断结果；
根据各所述跟踪物体在下一帧中的预测状态和所述判断结果，更新跟踪列表，以得到所述待标注的点云数据的目标标注结果；所述跟踪列表包括每个跟踪物体的跟踪器的观测状态；
所述根据各所述跟踪物体在下一帧中的预测状态和所述判断结果，更新跟踪列表，包括：
若所述下一帧的点云数据属于当前任务中的数据，则根据各所述跟踪物体的任务标识，将所述当前帧的点云数据中的跟踪物体与所述下一帧的点云数据中的标注物体进行配对，确定与所述当前帧的点云数据中的各跟踪物体配对成功的目标标注物体；所述目标标注物体为所述下一帧的点云数据中与所述跟踪物体的任务标识相同的标注物体；
采用各所述跟踪物体在下一帧中的预测状态和配对成功的目标标注物体的标注状态，在所述跟踪列表中更新所述配对成功的目标标注物体的跟踪器的观测状态。
2.根据权利要求1所述的方法，其特征在于，所述根据各所述跟踪物体在下一帧中的预测状态和所述判断结果，更新跟踪列表，包括：
若所述下一帧的点云数据不属于当前任务中的点云数据，则将各所述跟踪物体在下一帧中的预测状态与各标注物体的标注状态进行两两配对，得到配对成功的跟踪物体和目标标注物体；所述标注物体为新的任务中的第一帧点云数据中的标注物体；
采用各所述跟踪物体在下一帧中的预测状态和配对成功的目标标注物体的标注状态，在所述跟踪列表中更新所述配对成功的目标标注物体的跟踪器的观测状态。
3.根据权利要求2所述的方法，其特征在于，所述将各所述跟踪物体在下一帧中的预测状态与各标注物体的标注状态进行两两配对，得到配对成功的跟踪物体和目标标注物体，包括：
计算各所述跟踪物体在下一帧中的预测状态与各所述标注物体的标注状态之间的特征距离；
将小于预设阈值的特征距离对应的跟踪物体和标注物体，确定为配对成功的跟踪物体和目标标注物体。
4.根据权利要求1或2所述的方法，其特征在于，所述采用各所述跟踪物体在下一帧中的预测状态和配对成功的目标标注物体的标注状态，在所述跟踪列表中更新所述配对成功的目标标注物体的跟踪器的观测状态，包括：
根据所述配对成功的目标标注物体的标注状态和预设残差，对所述跟踪物体在下一帧中的预测状态进行修正，得到修正状态；所述预设残差表示跟踪物体的预测状态与标注状态之间的误差；
根据各所述跟踪物体的修正状态，在所述跟踪列表中更新所述配对成功的目标标注物体的跟踪器的观测状态。
5.根据权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：
确定所述待标注的点云数据中的第一帧点云数据中各跟踪物体；
初始化各所述跟踪物体的跟踪器和全局跟踪标识；
根据所述跟踪物体的跟踪器和全局跟踪标识建立所述跟踪列表。
6.根据权利要求5所述的方法，其特征在于，所述更新跟踪列表，还包括：
所述当前帧的点云数据中的跟踪物体与所述下一帧的点云数据中的标注物体配对成功后，将所述当前帧的点云数据中的跟踪物体的全局跟踪标识赋值于配对成功的标注物体。
7.根据权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：
若所述下一帧的点云数据中出现新的跟踪物体，则将所述新的跟踪物体的跟踪器加入所述跟踪列表中；和/或，
若在预设数目的连续帧的点云数据中均未出现跟踪物体，则将未出现的跟踪物体的跟踪器从所述跟踪列表中删除。
8.根据权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：
获取针对衔接帧中目标跟踪物体的修正信息；所述衔接帧为待修正的任务中的第一帧；
根据所述修正信息对所述目标标注结果中，所述衔接帧之后的所有帧中的目标跟踪物体的标识进行修正，以使各所述任务中相同跟踪物体的标识一致。
9.一种数据标注装置，其特征在于，包括：
拆分模块，用于将待标注的点云数据拆分为多个任务，并将所述多个任务分别进行标注；
获取模块，用于获取各所述任务中各帧的标注结果；
串接模块，用于根据所述各帧与任务的关系对各所述任务的标注结果进行串接，得到所述待标注的点云数据的目标标注结果；
所述串接模块包括：
确定单元，用于对各所述任务中的每一帧点云数据，根据当前帧的点云数据中每个跟踪物体的当前状态，确定各所述跟踪物体在下一帧中的预测状态；
判断单元，用于根据所述各帧与任务的关系，判断所述下一帧的点云数据是否为当前任务中的数据，获取判断结果；
更新单元，用于用于若所述下一帧的点云数据属于当前任务中的数据，则根据各所述跟踪物体的任务标识，将所述当前帧的点云数据中的跟踪物体与所述下一帧的点云数据中的标注物体进行配对，确定与所述当前帧的点云数据中的各跟踪物体配对成功的目标标注物体；所述目标标注物体为所述下一帧的点云数据中与所述跟踪物体的任务标识相同的标注物体；采用各所述跟踪物体在下一帧中的预测状态和配对成功的目标标注物体的标注状态，在跟踪列表中更新所述配对成功的目标标注物体的跟踪器的观测状态；所述跟踪列表包括每个跟踪物体的跟踪器的观测状态。
10.根据权利要求9所述的装置，其特征在于，所述更新单元还用于若所述下一帧的点云数据不属于当前任务中的点云数据，则将各所述跟踪物体在下一帧中的预测状态与各标注物体的标注状态进行两两配对，得到配对成功的跟踪物体和目标标注物体；所述标注物体为新的任务中的第一帧点云数据中的标注物体；采用各所述跟踪物体在下一帧中的预测状态和配对成功的目标标注物体的标注状态，在所述跟踪列表中更新所述配对成功的目标标注物体的跟踪器的观测状态。
11.根据权利要求10所述的装置，其特征在于，所述更新单元还用于计算各所述跟踪物体在下一帧中的预测状态与各所述标注物体的标注状态之间的特征距离；将小于预设阈值的特征距离对应的跟踪物体和标注物体，确定为配对成功的跟踪物体和目标标注物体。
12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
13.一种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权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010338827.9A CN111666137B (zh) | 2020-04-26 | 2020-04-26 | 数据标注方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010338827.9A CN111666137B (zh) | 2020-04-26 | 2020-04-26 | 数据标注方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111666137A CN111666137A (zh) | 2020-09-15 |
| CN111666137B true CN111666137B (zh) | 2022-04-05 |
Family
ID=72382976
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010338827.9A Active CN111666137B (zh) | 2020-04-26 | 2020-04-26 | 数据标注方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111666137B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116324904A (zh) * | 2020-11-17 | 2023-06-23 | 德斯拜思有限公司 | 用于注释传感器数据的方法和系统 |
| CN112801200B (zh) * | 2021-02-07 | 2024-02-20 | 文远鄂行(湖北)出行科技有限公司 | 一种数据包筛选方法、装置、设备和存储介质 |
| CN112991389B (zh) * | 2021-03-24 | 2024-04-12 | 深圳一清创新科技有限公司 | 一种目标跟踪方法、装置及移动机器人 |
| CN115248868A (zh) * | 2021-05-19 | 2022-10-28 | 上海仙途智能科技有限公司 | 数据标注方法、装置、设备及计算机可读存储介质 |
| CN113422593B (zh) * | 2021-07-05 | 2024-04-26 | 北京信息科技大学 | 滤波方法、滤波器、计算机可读存储介质、处理器和fpga |
| CN115908937A (zh) * | 2022-12-07 | 2023-04-04 | 深圳元戎启行科技有限公司 | 点云标注数据集的构建的相关方法、电子设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108446585A (zh) * | 2018-01-31 | 2018-08-24 | 深圳市阿西莫夫科技有限公司 | 目标跟踪方法、装置、计算机设备和存储介质 |
| CN109978955A (zh) * | 2019-03-11 | 2019-07-05 | 武汉环宇智行科技有限公司 | 一种联合激光点云与图像的高效标注方法 |
| CN110750523A (zh) * | 2019-09-12 | 2020-02-04 | 苏宁云计算有限公司 | 数据标注方法、系统、计算机设备和存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011070927A1 (ja) * | 2009-12-11 | 2011-06-16 | 株式会社トプコン | 点群データ処理装置、点群データ処理方法、および点群データ処理プログラム |
| CN107818293A (zh) * | 2016-09-14 | 2018-03-20 | 北京百度网讯科技有限公司 | 用于处理点云数据的方法和装置 |
| CN109509260B (zh) * | 2017-09-14 | 2023-05-26 | 阿波罗智能技术(北京)有限公司 | 动态障碍物点云的标注方法、设备及可读介质 |
-
2020
- 2020-04-26 CN CN202010338827.9A patent/CN111666137B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108446585A (zh) * | 2018-01-31 | 2018-08-24 | 深圳市阿西莫夫科技有限公司 | 目标跟踪方法、装置、计算机设备和存储介质 |
| CN109978955A (zh) * | 2019-03-11 | 2019-07-05 | 武汉环宇智行科技有限公司 | 一种联合激光点云与图像的高效标注方法 |
| CN110750523A (zh) * | 2019-09-12 | 2020-02-04 | 苏宁云计算有限公司 | 数据标注方法、系统、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于PointNet++的船体分段合拢面智能识别方法;陈尚伟，等；;《船舶工程》;20191231;第41卷(第12期);138-141 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111666137A (zh) | 2020-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111666137B (zh) | 数据标注方法、装置、计算机设备和存储介质 | |
| US11054518B2 (en) | Method and apparatus for determining obstacle speed | |
| US10748061B2 (en) | Simultaneous localization and mapping with reinforcement learning | |
| Peršić et al. | Online multi-sensor calibration based on moving object tracking | |
| US20160371394A1 (en) | Indoor localization using crowdsourced data | |
| US12066299B2 (en) | Method, device and system for perceiving multi-site roadbed network and terminal | |
| Akai et al. | Simultaneous pose and reliability estimation using convolutional neural network and Rao–Blackwellized particle filter | |
| CN110162058B (zh) | Agv规划方法及装置 | |
| CN112747755B (zh) | 道路线确定方法、装置、可读存储介质及地图更新系统 | |
| CN110861082B (zh) | 辅助建图方法、装置、建图机器人及存储介质 | |
| US11867795B2 (en) | System and method for constructing fused tracks from radar detections | |
| CN109375626B (zh) | 定位码贴设方法、装置、计算机设备和存储介质 | |
| CA2894863A1 (en) | Indoor localization using crowdsourced data | |
| CN119421236A (zh) | 一种基于跨模态融合的室内定位方法、系统、设备和介质 | |
| CN116975781B (zh) | 一种自动驾驶车辆行为决策系统和方法 | |
| CN114674320A (zh) | 基于粒子滤波的定位方法、系统、设备及存储介质 | |
| CN111414804B (zh) | 识别框确定方法、装置、计算机设备、车辆和存储介质 | |
| CN119374593B (zh) | 辣椒田间导航控制方法、装置、设备及介质 | |
| Jackermeier et al. | Exploring the limits of PDR-based indoor localisation systems under realistic conditions | |
| CN113947716A (zh) | 闭环检测方法、装置、机器人及存储介质 | |
| WO2022252482A1 (zh) | 机器人及其环境地图构建方法和装置 | |
| Gómez et al. | WiFi-based Localization for Fail-Aware Autonomous Driving in Urban Scenarios | |
| CN111582378A (zh) | 定位识别模型的训练生成方法、位置检测方法、装置 | |
| Nowicki et al. | Leveraging visual place recognition to improve indoor positioning with limited availability of WiFi scans | |
| Schubert et al. | The role of multisensor environmental perception for automated driving |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |