汇总:全自动数据采集，一键实现批量采集（附下载）

　　汇总:全自动数据采集，一键实现批量采集（附下载）

　　数据采集​​是解决如何解决优质网站内容的问题。其实首先要明确：什么是优质内容？顾名思义，premium content就是高质量的内容。有些人为了创造内容而创造内容，不管文章是否被关注。所以我们在制作网站内容的时候，一定要检查网站的标题是否是可搜索的。为此，我们首先需要确定我们要做什么关键词，然后根据下拉词和相关搜索标题确定网站。

　　数据采集​​是当你的内容有用户需求，能够满足大部分人的需求，那么数据采集创造的内容就是优质内容。接下来，我们将从搜索引擎和用户的角度来谈谈如何打造优质的网站内容。

　　

" />

　　数据采集​​的标题和内容必须一致。所谓标题和内容一致，就是我们标题的主旨必须和描述的内容一致。标题是A而内容是B是绝对不可能的。如果这样做，内网站点即使在短时间内获得排名，但不会持续很长时间，因为搜索引擎算法会对此类站点进行惩罚。还有网页的打开速度。当网页打开速度极慢时，会严重影响用户体验。用户会选择关闭网站，这大大增加了网站的跳出率。即使网站内容质量再高，用户也看不到。

　　当然，对于搜索引擎的体验也是非常不好的。如果蜘蛛不能在短时间内抓取你的网页程序，就会降低抓取你网站的频率。如果不爬取，怎么能被收录呢？忘记排名和流量。数据采集​​解决的是代码优化的问题，因为搜索引擎的蜘蛛是一个爬行程序，所以我们应该尽量为它提供一个体验好的程序。

　　

" />

　　资料集文字可读，内容可读。不要以为今天的搜索引擎无法识别垃圾邮件。比如内容块本身，本来设置成黑色字体或者深灰色字体就很好。但是，出于其他一些目的，需要将其设置为浅灰色或更接近网页背景的颜色。这样的设置没有利用用户体验。同样不能算作优质内容。又比如字体设置的太小，文字之间的段落太近甚至重叠，都会在一定程度上影响用户体验。你的文章很难看，用户用搜索引擎找那么多结果，何必在这里浪费时间？只需关闭页面并找到下一个！

　　很多站长为了优化做锚文本，或者加粗高亮关键词等，以此来欺骗蜘蛛。其实这并没有达到真正的SEO优化效果。数据采集​​制作锚文本的初衷是为用户提供解释，也就是说，当用户不理解某个概念关键词时，我们可以添加一个锚文本链接到另一个网页来提供解释。这样做出来的排名会比较稳定，因为这就是SEO的方式：利他主义。

　　解决方案:点云数据增强方法、装置、电子装置及车辆与流程

　　1. 本发明涉及数据处理领域，尤其涉及一种点云数据增强方法、装置、电子设备及车辆。

　　背景技术：

　　2. 3D物体检测的深度学习任务通常需要大量的数据，而数据对于模型的鲁棒性至关重要。现有的激光雷达传感器通常有16线、32线、64线和128线。一般线数越多，精度越高，成本越高，运行效率越低。自动驾驶汽车需要在成本、运营效率和精度之间取得平衡。单台激光雷达扫描到的点云信息比较稀疏，很多物体，尤其是远处的物体，只能扫描到一部分。这样扫描出来的部分并不能代表物体的所有特征，每次扫描的都是同一个物体，由于位置、方向、遮挡等的变化，点云形态可能会有巨大的差异。

　　3、现有的数据增强方法主要是通过翻转、平移、抠图等方式对扫描后的原创

点云进行增强。但这些技术手段并不能提高数据本身的精度，雷达扫描的缺点也没有得到改善，导致增强后的点云数据精度不高。

　　技术实现要素：

　　4、本发明实施例提供一种点云数据增强方法、装置、电子设备及车辆，以至少解决三维物体检测过程中雷达扫描特征不完整，导致精细度低的技术问题的点云数据。

　　5、根据本发明实施例的一个方面，提供了一种点云数据增强方法，包括：

　　6、获取原创

点云数据，其中原创

点云数据为稀疏点云数据；利用数据增强模型对原创

点云数据进行数据增强处理，得到目标点云数据，其中目标点云数据为原创

点云数据增强后的密集点云数据，数据增强模型为利用样本数据对预设模型进行训练得到，样本数据包括能够充分表示障碍物信息的点云数据。

　　7、可选的，所述点云数据增强方法还包括：使用第一数据采集车获取第一训练输入数据；对第一训练输入数据进行处理，得到数据增强模型的第一输出真值，第一输出真值是能够完整表示障碍物信息的点云数据；第一训练输入数据和第一输出真值作为样本数据；利用样本数据对预设模型进行训练，得到数据增强模型。

　　8、可选地，对第一训练输入数据进行处理以获得数据增强模型的第一真实输出值包括：使用仿真平台对第一训练输入数据进行仿真以获得第一真实输出值。

　　9、可选的，利用仿真平台对第一训练输入数据进行仿真得到第一输出真值，包括：利用仿真平台对第一训练输入数据进行平移、拼接、翻转中的一个或多个操作，得到第一输出真值。首先训练输入数据。输出真值。

　　10、可选的，所述点云数据增强方法还包括：使用第二数据采集车获取样本数据，所述样本数据包括数据增强模型的第二训练输入数据和第二输出真值，以及第二输出真值是能够完整表示障碍物信息的点云数据；使用样本数据对预设模型进行训练，得到数据增强模型。

　　11、可选地，利用第二数据采集车获取样本数据包括：识别样本数据中的身份信息；

　　样本数据根据标识信息分为二次训练输入数据和二次输出真实值。

　　12、可选的，标识信息为用于获取样本数据的传感器的标识信息。

　　13、根据本发明实施例之一，还提供了一种点云数据增强装置，包括：

　　14、采集模块，采集模块用于获取原创

点云数据，其中原创

点云数据为稀疏点云数据；处理模块，处理模块用于利用数据增强模型对原创

点云数据进行数据增强处理，得到目标点云数据，其中目标点云数据为原创

点云数据增强后的密集点云数据点云数据，数据增强模型是用样本数据训练预设模型得到的，样本数据包括能充分代表障碍物信息云数据的点。

　　15、可选的，点云数据增强装置还包括训练模块，训练模块用于使用第一数据采集车获取第一训练输入数据；第一训练输入数据被处理以获得数据增强模型的第一输出。value，第一个输出真值是能够完整表示障碍物信息的点云数据；第一训练输入数据和第一输出真值作为样本数据；利用样本数据对预设模型进行训练，得到数据增强模型。

　　16、可选的，所述训练模块还用于对所述第一训练输入数据进行处理，得到所述数据增强模型的第一真实输出值，包括： 通过仿真平台对所述第一训练输入数据进行仿真，得到所述第一真实输出值。

　　17、可选地，训练模块还用于使用仿真平台模拟第一训练输入数据得到第一输出真值，包括：使用仿真平台对第一训练输入数据进行平移、拼接、翻转中的一种或多种。第一个训练输入数据 多个操作导致第一个输出真值。

　　18、可选地，训练模块还用于通过第二数据采集车获取样本数据，其中样本数据包括第二训练输入数据和数据增强模型的第二输出真值，第二输出真值是能够完成代表障碍物信息的点云数据；使用样本数据对预设模型进行训练，得到数据增强模型。

　　19、可选的，所述训练模块还用于识别所述样本数据中的标识信息；并根据识别信息将样本数据分为二次训练输入数据和二次输出真实值。

　　20、 根据本发明实施例之一， 还提供了一种电子设备， 包括存储器和处理器， 存储器中存储有计算机程序， 处理器用于运行计算机程序以执行上述任何增强方法中的点云数据。

　　21、 根据本发明的一个实施例， 还提供了一种非易失性存储介质， 该非易失性存储介质中存储有计算机程序， 其中， 当该计算机程序被配置为运行在计算机或processor，执行上述任意一种中的点云数据增强方法。

　　22、根据本发明的一个实施例，还提供了一种车辆，该计算机程序被配置为运行在部署在车辆中的处理器上，以执行上述任一项中的点云数据增强方法。

　　23、本发明实施例利用数据增强模型对原创

点云数据进行数据增强处理得到目标点云数据，其中，数据增强模型是利用样本数据训练预设模型得到的。 ，且样本数据收录

能量 完整代表障碍物信息的点云数据，用能代表完整障碍物信息的点云数据训练的数据增强模型的数据增强结果更完美，稀疏的原创

点云可以将数据增强为密集的能够代表完整障碍物信息的目标点云数据，进而解决3D物体检测过程中雷达扫描特征不完整的技术问题，导致点云数据精度低。

　　图纸说明

　　24、此处所描述的附图用于提供对本发明的进一步理解，并构成本技术的一部分。

　　所举的示例性实施例及其说明用于解释本发明，并不构成对本发明的不当限制。在附图中：

　　25. 图。附图说明图1是本发明一个实施例的点云数据增强方法的流程图；

　　26、图2是根据本发明一个实施例的点云数据增强方法的第一子流程图；

　　27、图3是根据本发明一个实施例的点云数据增强方法的第二子流程图；

　　28. 图。图4是根据本发明一个实施例的应用于三维物体检测的点云数据增强方法的流程图；

　　29、图5是根据本发明一个实施例的点云数据增强装置的结构框图。

　　详细方法

　　30、为了使本领域的技术人员更好地理解本发明的方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。 . 显然，所描述的实施例只是本发明的部分实施例，并非全部。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

　　31、需要说明的是，本发明的说明书和权利要求书以及上述附图中的“第一”、“第二”等词语用于区分相似的对象，并不一定表示特定的顺序或次序。应当理解，如此使用的数据在适当的情况下是可互换的，使得此处描述的本发明的实施例可以按照不同于此处图示或描述的顺序实施。此外，术语“包括”和“具有”及其任何变体旨在涵盖非排他性收录

，例如，包括一系列步骤或元件的过程、方法、系统、产品或装置是不一定限于明确列出的，

　　32、根据本发明的一个实施例，提供了一种点云数据增强方法的实施例。需要说明的是，附图流程图所示的步骤可以在计算机系统中执行，例如一组计算机可执行指令，该计算机系统可以是部署在车辆中的软硬件设备，以及，尽管流程图中显示了逻辑顺序，但在某些情况下，所示或描述的操作可能会以与此处步骤不同的顺序执行。

　　

" />

　　33、该方法实施例可以实现在包括存储器和处理器的电子设备、类似的控制设备或系统中，并且可以部署在具有自动驾驶功能的车辆中。以电子设备为例，该电子设备可以包括一个或多个处理器和用于存储数据的存储器。可选的，上述电子设备还可以包括通信设备和具有通信功能的显示设备。本领域的普通技术人员可以理解，上述结构描述仅用于说明，并不限制上述电子设备的结构。例如，电子设备还可以包括比上述结构描述更多或更少的部件，或者具有与上述结构描述不同的配置。

　　34. 处理器可以包括一个或多个处理单元。例如：处理器可以包括中央处理器（central processing unit，cpu）、图形处理单元（graphics processing unit，gpu）、数字信号处理（digital signal processing，dsp）芯片、微处理器（microcontroller unit， mcu）、可编程逻辑器件（field-programmable gate array，fpga）、神经网络处理器（neural-network processing unit，npu）、张量处理单元（tensor processing unit，tpu）、人工智能（artificial intelligent，ai）型处理设备等处理设备。其中，不同的处理单元可以是独立的部件，也可以集成在一个或多个处理器中。在一些示例中，电子设备还可以包括一个或多个处理器。

　　35、存储器可以用于存储计算机程序，例如存储与本发明实施例中的点云数据增强方法对应的计算机程序，处理器通过运行计算机来实现上述点云数据增强方法。存储在内存中的程序。存储器可以包括高速随机存取存储器，也可以包括非易失性存储器，例如一个或多个磁存储设备、闪存或其他非易失性固态存储器。在一些示例中，存储器还可以包括远离处理器的存储器，并且这些远程存储器可以通过网络连接到电子设备。上述网络的示例包括但不限于因特网、内联网、局域网、移动通信网络、

　　36.一种用于通过网络接收或发送数据的通信设备。上述网络的具体示例可以包括移动终端的通信提供商提供的无线网络。在一个示例中，通信设备包括网络适配器(network interface controller，nic)，其可以通过基站连接到其他网络设备以与互联网通信。在一个示例中，通信设备可以是射频(radio frequency，rf)模块，用于与互联网进行无线通信。

　　37、显示装置例如可以是触摸屏液晶显示器(liquid crystal display，lcd)和触摸显示器(也称为“触摸屏”或“触摸显示器”)。液晶显示器可以使用户能够与移动终端的用户界面交互。在一些实施例中，上述移动终端具有图形用户界面(graphical user interface，gui)，用户可以通过在触敏表面上进行手指接触和/或手势触摸，与该gui进行人机交互，其中人机交互可选功能包括以下交互：创建网页、绘图、文字处理、制作电子文档、游戏、视频会议、即时通讯、收发电子邮件、调用界面、播放数字视频、

　　38. 图1是根据本发明一个实施例的点云数据增强方法的流程图。如图1所示，该方法包括以下步骤：

　　39、步骤s101，获取原创

点云数据。

　　40. 自动驾驶车辆在行驶过程中，需要不断采集当前行驶状态下周围障碍物的信息。一般在自动驾驶车辆上安装激光雷达扫描系统，对障碍物进行扫描，从而获取障碍物信息的点云。

　　41. 为了控制自动驾驶车辆的成本和运营效率，本方案所需的激光雷达扫描系统采用16线低线雷达采集障碍物点云信息，获取原创

点云数据。其中，激光雷达扫描系统可以包括一个或多个低线雷达。由于采用低线雷达，采集到的点云数据是比较稀疏的点云数据，不能表达障碍物的所有特征。

　　42、步骤s102，利用数据增强模型对原创

点云数据进行数据增强处理，得到目标点云数据。

　　43. 其中，目标点云数据是原创

点云数据增强后的密集点云数据，数据增强模型使用样本数据训练预设模型，样本数据包括能够充分表示的点云数据障碍物信息。，目标点云数据是原创

点云数据增强后的密集点云数据，数据增强模型是用样本数据训练预设模型得到的，样本数据包括能充分代表障碍物的点云数据信息。

　　44.经过训练的成熟的数据增强模型可以将输入的原创

点云数据转化为高密度的目标点云数据。样本数据中收录

了能够充分代表障碍物信息的点云数据，可以使训练好的数据增强模型的增强结果更加完善，目标点云数据更接近障碍物的真实点云信息。

　　45、通过以上步骤，使用数据增强模型对原创

点云数据进行数据增强处理，得到目标

　　点云数据，其中数据增强模型是用样本数据训练预设模型得到的。样本数据包括可以完整表示障碍物信息的点云数据，以及经过点云数据增强后可以表示完整障碍物信息的数据模型数据增强的结果更加完美，可以将稀疏的原创

点云数据增强为稠密的目标能够代表完整障碍物信息的点云数据，进而解决3D物体检测过程中雷达扫描特征不完整，导致点云数据粒度低的技术问题。

　　46、可选的，点云数据增强方法还包括以下步骤：

　　47、步骤s110，使用第一数据采集车获取第一训练输入数据。

　　48.第一辆数据采集车上的激光雷达扫描系统配置与自动驾驶车相同，采用多台16线低线雷达采集障碍物点云数据作为首先训练输入数据。第一训练输入数据与自动驾驶车辆在行驶过程中通过雷达扫描系统扫描到的障碍物点云数据具有相同的密度，都是比较稀疏的点云数据。

　　49、步骤s111，对第一训练输入数据进行处理，得到数据增强模型的第一真实输出值。

　　50、其中，首先输出的真值是能够完整表示障碍物信息的点云数据。能够充分表示障碍物信息的点云数据作为点云数据增强模型的输出真值，可以使训练模型的输出结果更加准确。

　　51、步骤s112，将第一训练输入数据和第一输出真值作为样本数据。

　　52、将第一训练输入数据和第一真实输出值整合为样本数据，每个样本收录

至少一个第一训练输入数据和至少一个第一真实输出值。其中，第一训练输入数据与第一输出真值一一对应。

　　53、步骤s113，利用样本数据对预设模型进行训练，得到点云数据增强模型。

　　54.预设模型基于深度学习算法构建。第一训练输入数据作为预设模型的输入，第一输出真值作为预设模型的输出真值。通过不断的输入输出、参数调整、迭代，最终得到训练好的数据增强模型。

　　55.需要说明的是，预设模型收录

多种变换策略，包括但不限于全局旋转、全局缩放、全局平移、局部旋转、局部缩放、局部平移。

　　56、可选地，在步骤s111中，处理第一训练输入数据得到数据增强模型的第一输出真值包括：

　　57、步骤s111a，利用仿真平台对第一训练输入数据进行仿真，得到第一输出真值。

　　58、搭建仿真平台，利用仿真平台模拟第一次训练输入数据，得到第一次输出真值。仿真平台可以基于目前国际上通用的自动驾驶仿真平台构建。

　　59、可选地，在步骤s111a中，利用仿真平台对第一训练输入数据进行仿真得到第一输出真值包括：

　　60、步骤s111a1，利用仿真平台对第一训练输入数据进行平移、拼接、翻转的一个或多个操作，得到第一真实输出值。

　　61. 平移包括上下平移、左右平移和前后平移。上下平移补充垂直方向未扫描障碍物点云信息，左右平移补充水平方向未扫描障碍物点云信息，前后平移补充水平方向未扫描障碍物点云信息没有在深度方向上扫描的障碍物。

　　62、拼接就是前后连续帧的拼接。由于障碍物与第一台数据采集车的相对位置会随着车辆的移动而变化，因此前后不同时间扫描到的点云信息略有不同，可以扫描到

　　同一障碍物不同位置的点云信息。根据第一组数据采集到的车辆姿态信息，可以得到两帧数据的变换矩阵。两帧数据可以通过变换矩阵进行拼接，形成更密集的点云数据。需要注意的是，拼接也可以拼接多个相邻帧的数据。

　　63. Flip 用于障碍物的点云翻转。在自动驾驶场景中，障碍物包括行人、自行车、汽车等，这些障碍物具有一定的对称性。障碍物可以从左到右或从前到后对称翻转，以改善障碍物点云的形状。

　　64、仿真平台对第一个训练输入进行平移、拼接、翻转等一系列处理后，可以得到能够完整表示障碍物信息的点云数据作为第一个输出真值。

　　65、参见图2，在本发明的一些实施例中，首先由第一数据采集车采集第一训练输入数据，然后由仿真平台对第一训练输入数据进行处理，得到第一输出真值。 ，最后将第一训练输入数据作为预设模型的输入，将第二输出真值作为预设模型的输出真值，对预设模型进行训练，得到数据增强模型。

　　66、可选的，所述点云数据增强方法还包括以下步骤：

　　67、步骤s120，使用第二数据采集车获取样本数据。

　　68、其中，样本数据包括数据增强模型的第二训练输入数据和第二输出真值，第二输出真值是能够完整表示障碍物信息的点云数据。

　　69、第二辆采集车设置的激光雷达扫描系统设置的低线雷达是自动驾驶车辆设置的低线雷达的5倍、10倍甚至更多。更多的低线雷达可以采集

障碍物各个部分的信息，最终的点云数据可以充分表达障碍物的信息。

　　70. 其中，第二输入数据为与自动驾驶车辆配置相同的低线雷达采集的数据，第二输出真值为第二次采集时所有低线雷达采集的数据车辆。

　　

" />

　　71、需要说明的是，步骤s120中第二次数据采集得到的车辆样本数据和步骤s112中得到的样本数据是两种获取数据增强模型训练所需样本数据的方式。

　　72、步骤s121，利用样本数据对预设模型进行训练，得到数据增广模型。

　　73、将第一训练输入数据作为预设模型的输入，将第二输出真值作为预设模型的输出真值。通过不断的输入输出、参数调整、迭代，最终得到训练好的增强模型。

　　74、可选地，步骤s120，使用第二数据采集车获取样本数据可以包括以下步骤：

　　75、步骤s120a，识别样本数据中的标识信息；

　　76、第二数据采集车采集样本数据时，会为样本数据分配识别信息。识别信息用于指示数据是否由与自动驾驶车辆具有相同配置的雷达传感器采集

。

　　77、步骤s120b，根据识别信息将样本数据划分为第二训练输入数据和第二输出真值。

　　78、将识别为与自动驾驶车辆配置相同的雷达传感器采集的数据作为第二训练输入数据，将所有雷达传感器采集的数据作为第二真实输出值。

　　79、参见图3，在本发明的一些实施例中，样本数据由第二数据采集车采集，然后样本数据被分割成数据。将划分后的第二训练输入数据作为预设模型的输入，将第二输出真值作为预设模型的输出真值，对预设模型进行训练得到数据增强模型。

　　80、可选地，标识信息为用于获取样本数据的传感器的标识信息。

　　81、传感器的身份信息是sensor id。传感器采集数据后，会在数据中附加传感器的id信息，以表明数据是由哪个传感器采集的。

　　82. 例如，如果与自动驾驶车辆配置相同的雷达传感器的id为1，则雷达传感器采集的所有数据将被赋予1的标识信息。其他所有传感器标识为2，而其他传感器采集到的数据会被赋予2的标识信息。最后将标记为1的数据作为第二个训练输入数据，标记为1和2的数据共同作为第二个输出真值。

　　83、参见图4，在本发明的一些实施例中，将点云数据增强方法应用到三维物体检测方法中，首先得到原创

点云数据，然后将原创

点云数据输入到数据增强模型，数据增强模型输出目标点云数据。目标点云数据为密集点云数据，然后将密集点云数据作为雷达感知模型的输入。密集的点云数据可以加快雷达感知模型的收敛速度，使训练好的雷达感知模型更加稳定，使得3D目标检测结果更加准确。

　　84、通过以上实施方式的描述，本领域的技术人员可以清楚地了解到，上述实施例的方法可以通过软件加必要的通用硬件平台的方式来实现，当然也可以通过硬件来实现，但是在很多情况下，前者是更好的实现。基于这样的理解，本发明的技术方案可以本质上或者对现有技术做出贡献的部分以软件产品的形式体现，该计算机软件产品存储在存储介质(如rom /ram, 磁盘, CD)收录

若干条指令，使终端设备(可以是手机、电脑、服务器、网络设备等)能够执行本发明各实施例描述的方法.

　　85、在本实施例中，还提供了一种点云数据增强装置，用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如下所用，术语“模块”可以是实现预定功能的软件和/或硬件的组合。尽管以下实施例中描述的装置优选地以软件实现，但是以硬件、或者软件和硬件的组合的实现也是可能和预期的。

　　86、图5是根据本发明一个实施例的点云数据增强装置200的结构框图。如图5所示，以点云数据增强装置200为例，该装置包括：采集模块201，采集模块201用于获取原创

点云数据，其中，原创

点云数据为稀疏点云数据；处理模块202，处理模块202用于利用数据增强模型对原创

点云数据进行数据增强处理，得到目标点云数据，其中，目标点云数据为原创

点增强后的密集点云数据云数据，用样本数据训练预设模型得到数据增强模型，

　　87、可选地，在本发明的一些实施例中，点云数据增强装置200还包括训练模块，该训练模块用于使用第一数据采集车获取第一训练输入数据；数据增强模型处理得到第一个输出真值，第一个输出真值是能够完整表示障碍物信息的点云数据；第一训练输入数据和第一输出真值作为样本数据；样本数据用于预测让模型训练得到数据增强模型。

　　88、可选的，所述训练模块还用于对所述第一训练输入数据进行处理，得到所述数据增强模型的第一真实输出值，包括：利用仿真平台对所述第一训练输入数据进行仿真，得到所述第一真实输出值。

　　89、可选地，训练模块还用于使用仿真平台模拟第一训练输入数据得到第一输出真值，包括：使用仿真平台对第一训练输入数据进行平移、拼接、翻转中的一种或多种。第一个训练输入数据 多个操作导致第一个输出真值。

　　90、可选的，所述训练模块还用于通过所述第二数据采集车获取样本数据，所述样本数据包括所述数据增强模型的第二训练输入数据和第二输出真值，以及所述第二输出真值能够完成代表障碍物信息的点云数据；使用样本数据对预设模型进行训练，得到数据增强模型。

　　91、可选的，训练模块还用于识别样本数据中的标识信息；根据识别信息，样本数据

　　分为第二次训练输入数据和第二次输出真值。

　　92、本发明实施例还提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器用于运行所述计算机程序以执行上述实施例中的步骤。点云数据增强方法。

　　93、可选地，在本实施例中，上述电子设备中的处理器可以被配置为运行计算机程序以执行以下步骤：

　　94、步骤s101，获取原创

点云数据。

　　95、步骤s102，利用数据增强模型对原创

点云数据进行数据增强处理，得到目标点云数据。

　　96、可选地，本实施例中的具体示例可以参见前述实施例中描述的示例和可选的实施方式，本实施例不再赘述。

　　97、本发明实施例还提供一种车辆，该计算机程序被配置为运行在部署在车辆中的处理器上，以执行上述点云数据增强方法实施例中的步骤。

　　98、本发明实施例还提供一种非易失性存储介质，该非易失性存储介质中存储有计算机程序，其中，当该计算机程序被设置为在计算机或处理器上运行时，上述点云数据增强方法实施例中的步骤。

　　99、可选地，在本实施例中，上述非易失性存储介质可以用于存储用于执行以下步骤的计算机程序：

　　100、步骤s101，获取原创

点云数据。

　　101、步骤s102，利用数据增强模型对原创

点云数据进行数据增强处理，得到目标点云数据。

　　102、可选地，在本实施例中，上述非易失性存储介质可以包括但不限于：U盘、只读存储器（read-only memory，rom）、随机存储器（random access memory，ram ) )、移动硬盘、磁盘或光盘等可以存储计算机程序的介质。

　　103、上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

　　104、在上述本发明实施例中，对各个实施例的描述都各有侧重。某个实施例中没有详述的部分，请参见其他实施例的相关描述。

　　105、 在本技术提供的几个实施例中，应当理解，所公开的技术内容还可以通过其他方式实现。其中，上述装置实施例仅是示例性的。例如，单元的划分可以是逻辑功能划分。在实际实现中，还可以有其他的划分方式。例如，多个单元或组件可能被组合或可能被集成到另一个系统中，或者某些特征可能被忽略，或未被实现。另一方面，所示或讨论的相互耦合或直接耦合或通信连接可以是通过一些接口，单元或模块之间的间接耦合或通信连接可以是电性或其他形式。

　　106. 描述为单独组件的单元可能是物理上分离的也可能不是，显示为一个单元的组件可能是物理单元也可能不是物理单元，即可能位于一个地方，也可能分布到多个单位。可以根据实际需要选择其中的部分或者全部单元来实现本实施例方案的目的。

　　107、另外，本发明各实施例中的各个功能单元可以集成为一个处理单元，各个单元可以在物理上单独存在，也可以两个或多个单元集成为一个单元。上述集成的单元可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

　　108、该集成单元以软件功能单元形式实现并作为独立产品销售或者使用的，可以存储在一个计算机可读取存储介质中。基于此理解，本发明技术方案的实质或对现有技术做出贡献的部分或全部或部分技术方案可以以软件产品的形式体现，该计算机软件产品存储在存储介质中，包括若干条指令，使计算机设备(可以是个人计算机、服务器或网络设备等)执行本发明各实施例所述方法的全部或部分步骤. 前述存储介质包括：U盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、移动硬盘、磁盘或光盘等可以存储程序代码的介质。.

　　109、以上仅为本发明的优选实施方式。需要指出的是，对于本领域的技术人员来说，在不脱离本发明的原则的情况下，还可以做出一些改进和变型。这些改进和修饰也应视为本发明的保护范围。