本发明涉及计算机视觉和几何处理，具体为一种基于点云数据的自动目标检测预标注方法。
背景技术：
1、在计算机视觉和几何处理领域，目标检测预标注是指对图像或三维场景中的目标进行识别和标注的过程，这些标注通常包括目标的类别、位置、大小等信息。传统技术一般采用人工方式进行目标检测预标注，但人工标注需要专业的标注人员逐一对图像或场景中的目标进行识别和标注，这个过程耗时且成本高昂，尤其是对于大规模的数据集，人工标注几乎不可行，同时由于标注人员的主观性和经验差异，人工标注的质量往往不稳定。
2、随着计算机视觉技术的快速发展，需要处理的数据量也在不断增加，人工标注无法满足大规模数据集的标注需求，尤其是在实时或在线应用场景中，因此，逐渐被自动目标检测预标注所取代。自动目标检测预标注通过算法和模型自动识别和定位图像或场景中的特定目标，并为其添加相应的标注信息，与传统的人工标注相比，显著提高标注的效率和准确性。
3、就比如申请号为202210314507.9的专利文件公开了一种基于目标检测的预标注方法及存储介质，该发明将卷积神经网络与主动学习配合使用，形成了一种自动标注目标检测的方法；利用小规模原始图像数据，通过主动学习和自动标注已有数据，减少模型过拟合的可能性，兼顾整个样本的分布特征，迭代地进行模型训练，将新样本加入数据集迭代训练，从而训练理想精度的目标检测识别模型，提高类别发生变化时模型迁移后精度和算法的快速适应能力；相比其他方法实现了自动扩展标注样本进行训练，方便获得大规模标注数据集，可以大大减少人工标注的时间和经济成本，保证了标注的有效性和高效性。
4、但类似于上述申请的现有自动目标检测预标注方法依然存在以下不足：
5、现有的自动目标检测预标注方法通常基于深度学习模型，因而需要大量的标注数据进行训练，而标注数据的准备过程往往耗时且昂贵，这限制了模型的泛化能力和实际应用范围，此外，在某些应用中，如自动驾驶和机器人导航，对目标检测的实时性要求较高，但现有的自动目标检测预标注方法在处理大规模数据集时效率较低，难以满足实时性要求较高的应用场景。
6、因此，急需对此缺点进行改进，本发明则是针对现有的技术及不足予以研究改良，提供有一种基于点云数据的自动目标检测预标注方法。
技术实现思路
1、本发明的目的在于提供一种基于点云数据的自动目标检测预标注方法，以解决上述背景技术中提出的问题。
2、为实现上述目的，本发明提供如下技术方案：一种基于点云数据的自动目标检测预标注方法，包括以下步骤：
3、s1、数据获取与预处理：通过三维扫描设备获取描述物体的表面形状、姿态、纹理等信息的点云数据，并对点云数据进行预处理；
4、s2、特征提取：根据应用场景选择深度学习算法，从点云数据中提取有用的特征；
5、s3、目标检测：在特征提取的基础上，使用深度学习模型对点云数据中的目标进行检测，以识别出图像或场景中的目标，并确定其大致位置；
6、s4、预标注：根据目标检测的结果，自动生成目标的标注信息；
7、s5、质量检查：对自动生成的标注数据进行质量检查，以确保标注的准确性与一致性，包括检查标注点的位置是否准确、标注直线是否平滑等；
8、s6、结果输出与可视化：将标注结果以规定格式(如文件、数据库等)进行保存和输出，并根据需要选择vtuber、vtuber3d等可视化工具，将标注结果进行可视化处理，以便用户查看和理解标注结果。
9、进一步的，所述点云数据是在一个三维坐标系统中，以点的形式表示的三维数据集合，且每一个点都包含有三维坐标(x,y,z)，部分点包含颜色信息或反射强度信息；且点云数据获取途径如下：
10、激光雷达：通过发射激光脉冲并接收反射信号来测量物体与传感器之间的距离，激光雷达可提供高精度和高密度的点云数据，适用于大范围的地形测绘和物体建模；
11、结构光扫描：向物体表面投射已知图案的光线，通过摄像头捕捉反射的光线图案变化，计算物体的三维形状，适用于中小型物体的精确建模；
12、时间飞行传感器：通过发射光脉冲并测量光线从发射到返回所需的时间来计算距离，生成点云数据，适用于移动设备中的3d感知功能；
13、立体视觉：使用两个及以上的相机从不同角度拍摄同一场景的图像，通过比较图像中的视差计算物体的深度信息，生成三维点云，适用于室内环境的导航和建模；
14、多视图重建：从不同角度拍摄物体的多张照片，使用计算机视觉算法将这些照片合成一个完整的三维模型，生成点云数据，适用于大规模场景的三维建模和重建。
15、进一步的，所述预处理具体包括如下操作：
16、去除噪声：用于去除点云数据中包含的由于传感器误差、环境干扰、信号衰减产生的噪声点，方法包括：统计去噪(基于统计学原理，对数据进行分析和建模，识别并消除异常值或噪声点)、半径滤波(设定一个搜索半径和一个在搜索半径内近邻点的最小数量，若一个点的近邻点数量少于设定的最小数量，则认为该点是噪声点并被去除；尤其适用于点云数据中因扫描到不想要扫描的物体或表面反光等原因产生的噪点)、高斯滤波(通过将点云数据转换为深度图像或表面网格，然后应用高斯滤波来间接实现去噪)；
17、调整数据：用于对点云数据进行调整和优化，以适应后续任务的需求，方法包括：下采样(采用随机采样或体素网格化，减少点的数量，来简化点云数据)、配准(采用特征匹配或icp算法，将来自不同的传感器或扫描设备的点云数据对齐到同一个坐标系中)、平滑处理(采用移动最小二乘法或拉普拉斯平滑，去除由于扫描设备或环境因素导致的点云数据中的微小波动或不平滑现象)。
18、进一步的，所述步骤s2中，深度学习算法包括pointnet及其扩展、基于卷积的方法、图神经网络，各方法的提取逻辑如下：
19、pointnet及其扩展(如pointnet++、dgcnn等)：通过共享多层感知机(mlp)和最大池化操作，直接对点云数据进行特征提取；具体操作为：通过多层感知机提取每个点的局部特征，最后通过最大池化操作得到全局特征；
20、基于卷积的方法：通过将点云数据转换为规则网格(如体素化)或图像(如投影到二维平面)来应用卷积操作，使用卷积神经网络提取点云数据的特征；
21、图神经网络图神经网络(gnn)：对于点云数据，将每个点视为图中的节点，通过构建点之间的连接关系(如邻接关系)来形成图结构，然后应用图神经网络进行特征提取。
22、进一步的，所述步骤s2中，特征提取方法的具体实现如下：
23、1)表面特征提取
24、法线估计：计算点云中每个点的法线向量，用于描述表面的形状和几何结构；
25、曲率估计：通过计算点的局部曲率来描述表面的弯曲程；
26、2)局部特征提取
27、shot(signature of histograms of orientations)：通过计算点云中每个点的特征向量来描述其周围点的分布情况和几何结构；
28、fpfh(fast point feature histograms)：一种快速计算点特征直方图的方法，用于描述点的局部形状信息；
29、3)全局特征提取
30、vfh(viewpoint feature histogram)：通过将点云投影到二维直方图中并统计每个bin的点的分布情况来描述整体形状和结构。
31、进一步的，所述目标检测的具体步骤如下：
32、使用基于体素的方法(如voxelnet)或基于点的方法(如pointrcnn)来生成候选框，即潜在的目标区域；
33、在生成候选框后，使用卷积神经网络(cnn)或循环神经网络(rnn)对候选框进行分类和回归；其中，分类操作用于确定候选框中是否包含目标，并给出目标的类别；回归操作用于调整候选框的大小和位置，使其更准确地贴合实际目标；
34、使用非极大值抑制(nms)、置信度阈值筛选，去除冗余的候选框，保留最有可能的目标检测结果。
35、进一步的，所述标注信息具体包括：
36、类别标签：目标物体所属的类别名称；
37、边界框：用于指示目标物体在图像或点云数据中的位置和大小，由矩形框或三维立方体框表示，包含了物体的位置和尺寸信息；
38、置信度：表示模型对检测结果的信心程度，取值范围是[0,1]，且值越高，表示模型对结果的置信度越高；
39、中心点或中心坐标：标注目标物体的中心点或中心坐标；
40、旋转角度：对于三维目标检测，用来表示目标物体相对于某一固定轴或参考系的旋转情况，尤其适用于目标物体存在朝向变化；
41、其他属性：根据具体的应用场景和任务需求，标注其他属性信息。
42、进一步的，所述边界框包括如下两种格式：
43、二维边界框：对于图像数据，使用(x,y,width,height)的格式表示，其中(x,y)是矩形左上角的坐标，(width,height)是矩形的宽度和高度；
44、三维边界框：对于点云数据，使用(x,y,z,width,height,depth)或(x_min,y_min,z_min,x_max,y_max,z_max)等格式表示，这些参数定义了目标物体在三维空间中的位置和尺寸。
45、进一步的，所述质量检查具体包括如下内容：
46、1)数据完整性
47、完整性检查：确保所有数据样本都被正确标注，没有遗漏或缺失；
48、字段完整性：验证标注数据中是否包含了所有必要的字段信息，如类别标签、边界框坐标、中心点位置等；
49、2)标注准确性
50、类别准确性：检查标注的类别是否与目标对象的实际类别相符，确保没有类别混淆或错误标注的情况；
51、位置准确性：除了点的位置外，还要检查边界框是否准确框选目标对象，是否存在明显的偏移或偏差；
52、3)逻辑一致性
53、内部一致性：检查同一目标对象在不同视角下的标注信息是否一致，如位置、尺寸等；
54、外部一致性：确保标注信息与目标对象的实际属性和特征相匹配，没有逻辑冲突或矛盾；
55、4)格式规范性
56、文件格式：检查标注数据的文件格式是否符合要求；
57、字段命名和格式：验证字段的命名是否规范、清晰，数据格式是否正确，如整数、浮点数、字符串等；
58、5)重复性
59、数据重复性：检查标注数据中是否存在重复或冗余的样本，避免在训练过程中引入偏差；
60、标注重复性：对于同一目标对象，检查是否存在多次标注或重复标注的情况；
61、6)上下文关联性
62、环境关联性：验证标注数据是否考虑到了目标对象所处的环境或上下文信息，如背景、其他物体等；
63、逻辑关联性：检查标注信息是否与目标对象在场景中的实际位置和关系相符，如相对位置、遮挡关系等。
64、进一步的，所述质量检查的操作流程：使用自动化工具对标注数据进行初步筛选和检查，识别出存在问题的数据点或直线段，并将发现的问题进行记录和反馈，对标注数据进行修正和完善。
65、本发明提供了一种基于点云数据的自动目标检测预标注方法，具备以下
66、有益效果：
67、本发明所提供的预标注方法，充分利用了点云数据的三维空间信息，能够更准确地描述目标的形状、大小和位置，从而有助于实现对目标的精确识别和标注，且由于点云数据是通过激光扫描等方式获取，即使目标被部分遮挡，也能通过剩余的点云数据进行检测和标注，这提高了方法的鲁棒性和准确性；此外，本发明采用深度学习等技术对点云数据进行特征提取、目标检测、预标注，以生成标注数据，并通过质量检查，对标注数据进行修正和完善，不仅实现了对目标的自动识别和标注，并可以达到较快的速度和较高的准确性，能够很好的适用于实时应用场景。
1.一种基于点云数据的自动目标检测预标注方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于点云数据的自动目标检测预标注方法，其特征在于，所述点云数据获取途径如下：
3.根据权利要求1所述的一种基于点云数据的自动目标检测预标注方法，其特征在于，所述预处理具体包括如下操作：
4.根据权利要求1所述的一种基于点云数据的自动目标检测预标注方法，其特征在于，所述步骤s2中，深度学习算法包括pointnet及其扩展、基于卷积的方法、图神经网络，各方法的提取逻辑如下：
5.根据权利要求1所述的一种基于点云数据的自动目标检测预标注方法，其特征在于，所述步骤s2中，特征提取方法的具体实现如下：
6.根据权利要求1所述的一种基于点云数据的自动目标检测预标注方法，其特征在于，所述目标检测的具体步骤如下：
7.根据权利要求1所述的一种基于点云数据的自动目标检测预标注方法，其特征在于，所述标注信息具体包括：
8.根据权利要求7所述的一种基于点云数据的自动目标检测预标注方法，其特征在于，所述边界框包括如下两种格式：
9.根据权利要求1所述的一种基于点云数据的自动目标检测预标注方法，其特征在于，所述质量检查具体包括如下内容：
10.根据权利要求1所述的一种基于点云数据的自动目标检测预标注方法，其特征在于，所述质量检查的操作流程：使用自动化工具对标注数据进行初步筛选和检查，识别出存在问题的数据点或直线段，并将发现的问题进行记录和反馈，对标注数据进行修正和完善。
