CN113466815A - 物体识别方法、装置、设备及存储介质 - Google Patents

Abstract

本公开公开了一种物体识别方法、装置、设备及存储介质。所述方法通过结合车辆所在区域的地图，对激光雷达点云数据中的与目标物体无关的数据进行过滤，将过滤后的激光雷达点云数据输入物体识别网络中，有利于物体识别网络根据过滤后的激光雷达点云数据准确地识别出目标物体，提高了物体识别网络识别物体的准确度。因此，本公开实施例提供的物体识别方法具有识别结果准确的特点。

Description

物体识别方法、装置、设备及存储介质

技术领域

本公开涉及自动驾驶技术领域，尤其涉及一种物体识别方法、装置、设备及存储介质。

背景技术

随着自动驾驶车辆技术的发展，人们对于自动驾驶车辆的驾驶要求也越来越高。相关自动驾驶技术中，自动驾驶车辆安装有摄像头，使用摄像头采集图像，根据图像识别出目标物体，例如，识别出人、车等物体。

现有的物体识别方法比较单一。

发明内容

有鉴于此，本公开提出一种物体识别方法、装置、设备及存储介质以解决上述技术问题。

为了达到上述目的，本公开所采用的技术方案为：

根据本公开实施例的第一方面，提出了一种物体识别方法，包括：

获取车辆上的激光雷达采集的激光雷达点云数据，以及所述车辆所在区域的地图；

确定所述地图中的除目标区域之外的非目标区域的第一位置，所述目标区域为预估的目标物体所在的区域；

将所述第一位置转换成激光雷达坐标系下的第二位置；

根据所述第二位置，对所述激光雷达点云数据中的用于表征非目标物体的数据进行过滤，所述非目标物体为所述地图中的所述非目标区域内的物体；

将过滤后的激光雷达点云数据输入物体识别网络中，使得所述物体识别网络根据所述过滤后的激光雷达点云数据识别所述目标物体，以及输出所述目标物体的识别结果。

在可选的实施例中，所述确定所述地图中的除目标区域之外的非目标区域的第一位置，包括：

确定所述地图中的属于预设类别的所述非目标物体，所述目标物体不属于所述预设类别；

确定所述地图中的所述非目标物体所在的所述非目标区域；

确定所述地图中的所述非目标区域的所述第一位置。

在可选的实施例中，所述根据所述第二位置，对所述激光雷达点云数据中的用于表征非目标物体的数据进行过滤，包括：

对所述激光雷达点云数据中的位于所述第二位置处的数据进行过滤。

在可选的实施例中，所述确定所述地图中的除目标区域之外的非目标区域的第一位置，包括：

确定所述地图中的指示预设高度的所述第一位置；

将所述第一位置确定为所述地图中的所述非目标区域的边缘所在的位置。

在可选的实施例中，所述根据所述第二位置，对所述激光雷达点云数据中的用于表征非目标物体的数据进行过滤，包括：

确定所述激光雷达点云数据中的高于或低于所述第二位置的数据集合；

对所述激光雷达点云数据中的所述数据集合进行过滤。

在可选的实施例中，所述将所述第一位置转换成激光雷达坐标系下的第二位置，包括：

根据所述车辆上的定位装置的定位结果，确定所述车辆在地图坐标系中的位置；

根据所述车辆在所述地图坐标系中的位置和所述激光雷达在所述车辆上的位置，确定所述激光雷达在所述地图坐标系中的位置；

根据所述激光雷达在所述地图坐标系中的位置，确定所述地图坐标系与所述激光雷达坐标系之间的转换关系；

根据所述转换关系，将所述第一位置转换成所述第二位置。

根据本公开实施例的第二方面，提出了一种物体识别装置，包括：

信息获取模块，被配置为获取车辆上的激光雷达采集的激光雷达点云数据，以及所述车辆所在区域的地图；

第一位置确定模块，被配置为确定所述地图中的除目标区域之外的非目标区域的第一位置，所述目标区域为预估的目标物体所在的区域；

第二位置确定模块，被配置为将所述第一位置转换成激光雷达坐标系下的第二位置；

数据过滤模块，被配置为根据所述第二位置，对所述激光雷达点云数据中的用于表征非目标物体的数据进行过滤，所述非目标物体为所述地图中的所述非目标区域内的物体；

网络使用模块，被配置为将过滤后的激光雷达点云数据输入物体识别网络中，使得所述物体识别网络根据所述过滤后的激光雷达点云数据识别所述目标物体，以及输出所述目标物体的识别结果。

在可选的实施例中，所述第二位置确定模块，包括：

第一位置确定子模块，被配置为根据所述车辆上的定位装置的定位结果，确定所述车辆在地图坐标系中的位置；

第二位置确定子模块，被配置为根据所述车辆在所述地图坐标系中的位置和所述激光雷达在所述车辆上的位置，确定所述激光雷达在所述地图坐标系中的位置；

转换关系确定子模块，被配置为根据所述激光雷达在所述地图坐标系中的位置，确定所述地图坐标系与所述激光雷达坐标系之间的转换关系；

位置转换子模块，被配置为根据所述转换关系，将所述第一位置转换成所述第二位置。

根据本公开实施例的第三方面，提出了一种电子设备，所述电子设备包括：

处理器；

被配置为存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取车辆上的激光雷达采集的激光雷达点云数据，以及所述车辆所在区域的地图；

确定所述地图中的除目标区域之外的非目标区域的第一位置，所述目标区域为预估的目标物体所在的区域；

将所述第一位置转换成激光雷达坐标系下的第二位置；

根据所述第二位置，对所述激光雷达点云数据中的用于表征非目标物体的数据进行过滤，所述非目标物体为所述地图中的所述非目标区域内的物体；

将过滤后的激光雷达点云数据输入物体识别网络中，使得所述物体识别网络根据所述过滤后的激光雷达点云数据识别所述目标物体，以及输出所述目标物体的识别结果。

根据本公开实施例的第四方面，提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器处理时实现：

获取车辆上的激光雷达采集的激光雷达点云数据，以及所述车辆所在区域的地图；

确定所述地图中的除目标区域之外的非目标区域的第一位置，所述目标区域为预估的目标物体所在的区域；

将所述第一位置转换成激光雷达坐标系下的第二位置；

根据所述第二位置，对所述激光雷达点云数据中的用于表征非目标物体的数据进行过滤，所述非目标物体为所述地图中的所述非目标区域内的物体；

将过滤后的激光雷达点云数据输入物体识别网络中，使得所述物体识别网络根据所述过滤后的激光雷达点云数据识别所述目标物体，以及输出所述目标物体的识别结果。

本公开的实施例提供的技术方案可以包括以下有益效果：

本公开实施例提供了一种新型的物体识别方法，通过结合车辆所在区域的地图，对激光雷达点云数据中的与目标物体无关的数据进行过滤，将过滤后的激光雷达点云数据输入物体识别网络中，有利于物体识别网络根据过滤后的激光雷达点云数据准确地识别出目标物体，提高了物体识别网络识别物体的准确度。因此，本公开实施例提供的物体识别方法具有识别结果准确的特点。

附图说明

图1示出了根据本公开的一示例性实施例的物体识别方法的流程图；

图2示出了根据本公开的一示例性实施例的物体识别装置的结构框图；

图3示出了根据本公开的一示例性实施例的电子设备的结构框图。

具体实施方式

以下将结合附图所示的具体实施例对本公开进行详细描述。但这些实施例并不限制本公开，本领域的普通技术人员根据这些实施例所做出的结构、方法、或功能上的变换均包含在本公开的保护范围内。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本公开可能采用术语第一、第二等来描述各种结构，但这些结构不应限于这些术语。这些术语仅用来将同一类型的结构彼此区分开。

图1示出了根据本公开的一示例性实施例的物体识别方法的流程图。本实施例的方法可以应用于具有数据处理功能的终端设备(如，车载终端、智能手机或平板电脑等)或服务端(如，一台服务器或多台服务器组成的服务器集群等)。如图1所示，该方法包括以下步骤S101-S105：

在步骤S101中，获取车辆上的激光雷达采集的激光雷达点云数据，以及车辆所在区域的地图。

车辆安装有激光雷达，使用激光雷达采集激光雷达点云数据。

激光雷达点云数据可以包括车辆在激光雷达坐标系中的坐标和反射强度信息。

车辆可以安装有定位装置，并下载地图软件，车辆通过定位装置和地图软件，获得车辆所在区域的地图。

在步骤S102中，确定地图中的除目标区域之外的非目标区域的第一位置，目标区域为预估的目标物体所在的区域。

地图中的非目标区域为预估的非目标物体所在的区域。目标物体是需要识别的物体，非目标物体是不需要识别的物体。

确定地图中的非目标区域的第一位置，可以理解为：确定地图坐标系下非目标区域的区域坐标，坐标可以包括X轴上的坐标和Y轴上的坐标。

在可选的实施例中，设置了非目标物体所属的类别(下面称为预设类别)，例如，预设类别为人、花坛或楼房等。目标物体不属于预设类别。

在执行本步骤时，可以确定地图中的属于预设类别的非目标物体，确定地图中的非目标物体所在的非目标区域，确定地图中的非目标区域的第一位置。

可以采用图像识别技术等技术，从地图中识别出预设类别的非目标物体。

在可选的实施例中，设置了预设高度，可以将预设高度认为是地图中的非目标区域的边缘的高度。可以根据需要设置预设高度的大小，例如，预设高度为3m、4m、5m等。

在执行本步骤时，可以确定地图中的指示预设高度的第一位置，将第一位置确定为地图中的非目标区域的边缘的位置。

一种情况，预设高度包括第一预设高度，将第一预设高度认为是地图中的非目标区域的下边缘的高度，这样，将地图中的高于第一预设高度的区域确定为非目标区域，将地图中的非目标区域内的物体确定为非目标物体，即将地图中的高于第一预设高度的物体确定为非目标物体。

另一种情况，预设高度包括第二预设高度，将第二预设高度认为是地图中的非目标区域的上边缘的高度，这样，将地图中的低于第二预设高度的区域确定为非目标区域，将地图中的非目标区域内的物体确定为非目标物体，即将地图中的低于第二预设高度的物体确定为非目标物体。

预设高度可以包括第一预设高度和第二预设高度，将地图中的高于第一预设高度的区域和低于第二预设高度的区域确定为非目标区域，将地图中的两个非目标区域内的物体确定为非目标物体。

例如，第一预设高度为3m，第二预设高度为地面高度，将地图中的高于3m的区域和低于地面高度的区域确定为非目标区域，将地图中的两个非目标区域内的物体确定为非目标物体。

在步骤S103中，将第一位置转换成激光雷达坐标系下的第二位置。

第一位置为非目标物体在地图坐标系中的位置。

地图坐标系与激光雷达坐标系不同，需要将地图坐标系下的第一位置转换成激光雷达坐标系下的第二位置。

获得第二位置可以理解为：获得在激光雷达坐标系下非目标物体所在位置的坐标，坐标可以包括X轴上的坐标和Y轴上的坐标。

在可选的实施例中，将第一位置转换成激光雷达坐标系下的第二位置，可以包括：第一步骤，根据车辆上的定位装置的定位结果，确定车辆在地图坐标系中的位置；第二步骤，根据车辆在地图坐标系中的位置和激光雷达在车辆上的位置，确定激光雷达在地图坐标系中的位置；第三步骤，根据激光雷达在地图坐标系中的位置，确定地图坐标系与激光雷达坐标系之间的转换关系；第四步骤，根据确定的转换关系，将第一位置转换成第二位置。

通过上述方法，获得适用的地图坐标系与激光雷达坐标系之间的转换关系。

在步骤S104中，根据第二位置，对激光雷达点云数据中的用于表征非目标物体的数据进行过滤，非目标物体为地图中的非目标区域内的物体。

在可选的实施例中，第一位置为地图坐标系下属于预设类别的非目标物体所在的非目标区域的位置，第二位置为对上述的第一位置进行坐标系转换后得到的位置。

激光雷达坐标系中的位于第二位置的区域为非目标区域。在执行本步骤时，可以对激光雷达点云数据中的位于第二位置处的数据进行过滤，从而去除激光雷达点云数据中的与目标物体无关的数据，减少激光雷达点云数据中的无用数据。

在可选的实施例中，设置了预设高度，可以将预设高度认为是地图中的非目标区域的边缘的高度。

第一位置为非目标区域的边缘在地图坐标系下的位置。第二位置为对上述的第一位置进行坐标系转换后得到的位置，第二位置为非目标区域的边缘在激光雷达坐标系下的位置。

在执行本步骤时，可以确定激光雷达点云数据中的高于或低于第二位置的数据集合，对激光雷达点云数据中的数据集合进行过滤。

例如，预设高度被认为是非目标区域的下边缘的高度，此时，确定激光雷达点云数据中的高于第二位置的数据集合，对激光雷达点云数据中的高于第二位置的数据集合进行过滤，从而去除激光雷达点云数据中的位于较高位置的数据。

又如，预设高度被认为是非目标区域的上边缘的高度，此时，确定激光雷达点云数据中的低于第二位置的数据集合，对激光雷达点云数据中的低于第二位置的数据集合进行过滤，从而去除激光雷达点云数据中的位于较低位置的数据。

在步骤S105中，将过滤后的激光雷达点云数据输入物体识别网络中，使得物体识别网络根据过滤后的激光雷达点云数据识别目标物体，以及输出目标物体的识别结果。

物体识别网络的输入是激光雷达点云数据，输出是目标物体的识别结果，物体识别网络具有根据激光雷达点云数据识别目标物体，并且输出目标物体的识别结果的功能。

目标物体的识别结果可能包括：未识别到目标物体，或者，目标物体的识别结果可能包括：识别到目标物体以及目标物体在激光雷达坐标系下的位置。

可以通过网络训练，使得物体识别网络具有识别特定类别的目标物体的功能。在实际应用中，物体识别网络能够根据激光雷达点云数据识别特定类别的目标物体。特定类别可以是人、花坛、楼房等。

适用的物体识别网络有多种，例如，voxelnet网络、pointpillar网络等。

voxelnet网络和pointpillar网络的输入仅包括激光雷达点云数据，仅需要根据激光雷达点云数据即可完成物体识别，无需使用图像，省去了物体识别过程对图像、对相机的依赖，克服了因无法获取图像或图像与点云数据不同步而导致的无法检测目标物体的问题。

本实施例中，对激光雷达点云数据中的与目标物体无关的数据进行过滤，过滤掉激光雷达点云数据中的无用数据，将过滤后的激光雷达点云数据输入物体识别网络中，有利于物体识别网络根据过滤后的激光雷达点云数据准确地识别出目标物体，提高了物体识别网络识别目标物体的准确度。

可以使用本公开实施例提供的物体识别方法对物体进行跟踪，获得物体的位置、速度和朝向等信息，基于这些信息确定车辆是否对该物体进行避让，针对车辆规划出安全的行车路线，进一步，控制车辆按照规划出的行车路线行驶。

本公开实施例提供了一种新型的物体识别方法，通过结合车辆所在区域的地图，对激光雷达点云数据中的与目标物体无关的数据进行过滤，将过滤后的激光雷达点云数据输入物体识别网络中，有利于物体识别网络根据过滤后的激光雷达点云数据准确地识别出目标物体，提高了物体识别网络识别物体的准确度。因此，本公开实施例提供的物体识别方法具有识别结果准确的特点。

图2示出了根据本公开的一示例性实施例的物体识别装置的结构框图；本实施例的装置可以应用于具有数据处理功能的终端设备(如，车载终端、智能手机或平板电脑等)或服务端(如，一台服务器或多台服务器组成的服务器集群等)。如图2所示，该装置包括：

信息获取模块21，被配置为获取车辆上的激光雷达采集的激光雷达点云数据，以及所述车辆所在区域的地图；

第一位置确定模块22，被配置为确定所述地图中的除目标区域之外的非目标区域的第一位置，所述目标区域为预估的目标物体所在的区域；

第二位置确定模块23，被配置为将所述第一位置转换成激光雷达坐标系下的第二位置；

数据过滤模块24，被配置为根据所述第二位置，对所述激光雷达点云数据中的用于表征非目标物体的数据进行过滤，所述非目标物体为所述地图中的所述非目标区域内的物体；

网络使用模块25，被配置为将过滤后的激光雷达点云数据输入物体识别网络中，使得所述物体识别网络根据所述过滤后的激光雷达点云数据识别所述目标物体，以及输出所述目标物体的识别结果。

在可选的实施例中，在图2所示的物体识别装置的基础上，所述第二位置确定模块23，可以包括：

第一位置确定子模块，被配置为根据所述车辆上的定位装置的定位结果，确定所述车辆在地图坐标系中的位置；

第二位置确定子模块，被配置为根据所述车辆在所述地图坐标系中的位置和所述激光雷达在所述车辆上的位置，确定所述激光雷达在所述地图坐标系中的位置；

转换关系确定子模块，被配置为根据所述激光雷达在所述地图坐标系中的位置，确定所述地图坐标系与所述激光雷达坐标系之间的转换关系；

位置转换子模块，被配置为根据所述转换关系，将所述第一位置转换成所述第二位置。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本公开物体识别装置的实施例可以应用在网络设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图3所示，为本公开的物体识别装置所在电子设备的一种硬件结构图，除了图3所示的处理器、网络接口、内存以及非易失性存储器之外，实施例中装置所在的设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等；从硬件结构上来讲该设备还可能是分布式的设备，可能包括多个接口卡，以便在硬件层面进行报文处理的扩展。

本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器处理时实现以下任务处理方法：

获取车辆上的激光雷达采集的激光雷达点云数据，以及所述车辆所在区域的地图；确定所述地图中的除目标区域之外的非目标区域的第一位置，所述目标区域为预估的目标物体所在的区域；将所述第一位置转换成激光雷达坐标系下的第二位置；根据所述第二位置，对所述激光雷达点云数据中的用于表征非目标物体的数据进行过滤，所述非目标物体为所述地图中的所述非目标区域内的物体；将过滤后的激光雷达点云数据输入物体识别网络中，使得所述物体识别网络根据所述过滤后的激光雷达点云数据识别所述目标物体，以及输出所述目标物体的识别结果。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由本公开的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种物体识别方法，其特征在于，所述方法包括：

获取车辆上的激光雷达采集的激光雷达点云数据，以及所述车辆所在区域的地图；

确定所述地图中的除目标区域之外的非目标区域的第一位置，所述目标区域为预估的目标物体所在的区域；

将所述第一位置转换成激光雷达坐标系下的第二位置；

根据所述第二位置，对所述激光雷达点云数据中的用于表征非目标物体的数据进行过滤，所述非目标物体为所述地图中的所述非目标区域内的物体；

将过滤后的激光雷达点云数据输入物体识别网络中，使得所述物体识别网络根据所述过滤后的激光雷达点云数据识别所述目标物体，以及输出所述目标物体的识别结果。

2.根据权利要求1所述的方法，其特征在于，所述确定所述地图中的除目标区域之外的非目标区域的第一位置，包括：

确定所述地图中的属于预设类别的所述非目标物体，所述目标物体不属于所述预设类别；

确定所述地图中的所述非目标物体所在的所述非目标区域；

确定所述地图中的所述非目标区域的所述第一位置。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第二位置，对所述激光雷达点云数据中的用于表征非目标物体的数据进行过滤，包括：

对所述激光雷达点云数据中的位于所述第二位置处的数据进行过滤。

4.根据权利要求1所述的方法，其特征在于，所述确定所述地图中的除目标区域之外的非目标区域的第一位置，包括：

确定所述地图中的指示预设高度的所述第一位置；

将所述第一位置确定为所述地图中的所述非目标区域的边缘的位置。

5.根据权利要求4所述的方法，其特征在于，所述根据所述第二位置，对所述激光雷达点云数据中的用于表征非目标物体的数据进行过滤，包括：

确定所述激光雷达点云数据中的高于或低于所述第二位置的数据集合；

对所述激光雷达点云数据中的所述数据集合进行过滤。

6.根据权利要求1所述的方法，其特征在于，所述将所述第一位置转换成激光雷达坐标系下的第二位置，包括：

根据所述车辆上的定位装置的定位结果，确定所述车辆在地图坐标系中的位置；

根据所述车辆在所述地图坐标系中的位置和所述激光雷达在所述车辆上的位置，确定所述激光雷达在所述地图坐标系中的位置；

根据所述激光雷达在所述地图坐标系中的位置，确定所述地图坐标系与所述激光雷达坐标系之间的转换关系；

根据所述转换关系，将所述第一位置转换成所述第二位置。

7.一种物体识别装置，其特征在于，包括：

信息获取模块，被配置为获取车辆上的激光雷达采集的激光雷达点云数据，以及所述车辆所在区域的地图；

第一位置确定模块，被配置为确定所述地图中的除目标区域之外的非目标区域的第一位置，所述目标区域为预估的目标物体所在的区域；

第二位置确定模块，被配置为将所述第一位置转换成激光雷达坐标系下的第二位置；

数据过滤模块，被配置为根据所述第二位置，对所述激光雷达点云数据中的用于表征非目标物体的数据进行过滤，所述非目标物体为所述地图中的所述非目标区域内的物体；

网络使用模块，被配置为将过滤后的激光雷达点云数据输入物体识别网络中，使得所述物体识别网络根据所述过滤后的激光雷达点云数据识别所述目标物体，以及输出所述目标物体的识别结果。

8.根据权利要求7所述的装置，其特征在于，所述第二位置确定模块，包括：

第一位置确定子模块，被配置为根据所述车辆上的定位装置的定位结果，确定所述车辆在地图坐标系中的位置；

第二位置确定子模块，被配置为根据所述车辆在所述地图坐标系中的位置和所述激光雷达在所述车辆上的位置，确定所述激光雷达在所述地图坐标系中的位置；

转换关系确定子模块，被配置为根据所述激光雷达在所述地图坐标系中的位置，确定所述地图坐标系与所述激光雷达坐标系之间的转换关系；

位置转换子模块，被配置为根据所述转换关系，将所述第一位置转换成所述第二位置。

9.一种电子设备，其特征在于，所述电子设备包括：

处理器；

被配置为存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取车辆上的激光雷达采集的激光雷达点云数据，以及所述车辆所在区域的地图；

确定所述地图中的除目标区域之外的非目标区域的第一位置，所述目标区域为预估的目标物体所在的区域；

将所述第一位置转换成激光雷达坐标系下的第二位置；

根据所述第二位置，对所述激光雷达点云数据中的用于表征非目标物体的数据进行过滤，所述非目标物体为所述地图中的所述非目标区域内的物体；

将过滤后的激光雷达点云数据输入物体识别网络中，使得所述物体识别网络根据所述过滤后的激光雷达点云数据识别所述目标物体，以及输出所述目标物体的识别结果。

10.一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，该程序被处理器处理时实现：

获取车辆上的激光雷达采集的激光雷达点云数据，以及所述车辆所在区域的地图；

确定所述地图中的除目标区域之外的非目标区域的第一位置，所述目标区域为预估的目标物体所在的区域；

将所述第一位置转换成激光雷达坐标系下的第二位置；

根据所述第二位置，对所述激光雷达点云数据中的用于表征非目标物体的数据进行过滤，所述非目标物体为所述地图中的所述非目标区域内的物体；

将过滤后的激光雷达点云数据输入物体识别网络中，使得所述物体识别网络根据所述过滤后的激光雷达点云数据识别所述目标物体，以及输出所述目标物体的识别结果。

Images