一种训练集构建方法、装置及计算机可读存储介质

摘要

本申请实施例公开了一种训练集构建方法、装置及计算机可读存储介质，用于实现自动化标注及降低了人工标注的成本，并得到高质量的训练样本。该方法包括：获取当前帧的点云数据和图像数据；获取对象标准描述，标准描述的时间戳与点云数据或图像数据的时间戳之差小于或等于预设阈值；对点云数据进行处理，得到点云检测结果，点云检测结果包含多个对象的点云检测标注；对图像数据进行处理，得到图像检测结果，图像检测结果包含多个对象的图像检测标注；建立点云检测结果、图像检测结果以及对应的标准描述的绑定关系；根据绑定关系得到一组训练集中的训练样本，训练样本的标注结果包括点云检测结果、图像检测结果及对应关系。

权利要求

1.一种训练集构建方法，其特征在于，包括：

获取当前帧的点云数据和图像数据，所述点云数据的时间戳与所述图像数据的时间戳相同，所述点云数据和所述图像数据是针对目标区域采集的包含有对象的数据；

获取所述对象的标准描述，所述标准描述的时间戳与所述点云数据或所述图像数据的时间戳之差小于或等于预设阈值；

对所述点云数据进行处理，得到点云检测结果，所述点云检测结果包含多个对象的点云检测标注；

对所述图像数据进行处理，得到图像检测结果，所述图像检测结果包含多个对象的图像检测标注；

建立所述点云检测结果、所述图像检测结果以及对应的标准描述的绑定关系，所述标准描述用于描述对应的单一对象；

根据所述绑定关系得到一组训练集中的训练样本，所述训练样本的标注结果包括点云检测结果、图像检测结果以及对应关系，所述对应关系为所述多个对象中单一对象的点云检测标注与图像检测标注之间的对应关系。

2.如权利要求1所述方法，其特征在于，所述对象为车辆，所述方法还包括：接收车载OBU消息，所述车载OBU消息的时间戳与所述当前帧的点云数据的时间戳之间的差值小于预设阈值；

将所述车载OBU消息中携带的信息作为对应的对象的标准描述。

3.根据权利要求2所述的方法，其特征在于，所述标准描述包含单一对象的目标的运动状态和属性；

对应的，将所述车载OBU消息中携带的信息作为对应的对象的标准描述，包括：将所述车载OBU消息中携带的位置信息，速度信息，尺寸信息和转向角信息中的任意一种或任意组合作为所述点云特征；

将所述OBU信息中携带的车辆颜色信息，车型信息和尺寸信息中的任意一种或任意组合作为所述图像特征。

4.如权利要求1所述方法，其特征在于，建立所述点云检测结果、所述图像检测结果以及对应的标准描述的绑定关系，包括：将所述点云检测结果和所述图像检测结果进行融合，得到融合结果；所述融合结果包括所述目标区域中多个目标的分布状态；

将所述标准描述与所述融合结果中各个目标进行匹配，得到第一对应关系；所述第一对应关系为所述融合结果中各对象与所述标准描述的对应关系；

基于所述第一对应关系和第二对应关系，建立所述点云检测结果中各目标以及所述图像检测结果中各目标与所述标准描述的绑定关系；所述第二对应关系为所述点云检测结果、图像检测结果与所述融合结果的对应关系。

5.根据权利要求4所述的方法，所述融合结果的坐标系为图像坐标系，对应的，基于所述第一对应关系和第二对应关系，建立所述点云检测结果中各目标以及所述图像检测结果中各目标与所述标准描述的绑定关系，包括：利用系统标定参数将所述点云检测结果转换至所述图像坐标系；

在所述图像坐标系下，将点云检测结果中各目标，所述图像检测结果中各目标以及所述融合结果中各目标进行匹配，根据匹配结果建立所述点云检测结果中各目标以及所述图像检测结果中各目标与所述标准描述的绑定关系。

6.根据权利要求1所述的方法，其特征在于，所述点云检测标注包括三维检测框，所述图像检测标注包括二维检测框。

7.如权利要求1所述方法，其特征在于，所述方法还包括：对根据所述绑定关系得到一组训练样本进行筛选，剔除异常点云检测标注和图像检测标注。

8.一种目标检测方法，其特征在于，所述目标检测方法包括：构建机器学习模型；

利用所述权利要求1‑7任意一项所述的方法获取的训练集对所述机器学习模型进行训练；

利用训练好的学习模型处理获取的点云和图像数据，进行目标检测。

9.一种训练集构建装置，其特征在于，包括：

获取单元，用于获取当前帧的点云数据和图像数据，所述点云数据的时间戳与所述图像数据的时间戳相同，所述点云数据和所述图像数据是针对目标区域采集的包含有对象的数据；

及获取所述对象的标准描述，所述标准描述的时间戳与所述点云数据或所述图像数据的时间戳之差小于或等于预设阈值；

处理单元，用于对所述点云数据进行处理，得到点云检测结果，所述点云检测结果包含多个对象的点云检测标注；

及对所述图像数据进行处理，得到图像检测结果，所述图像检测结果包含多个对象的图像检测标注；

构建单元，用于建立所述点云检测结果、所述图像检测结果以及对应的标准描述的绑定关系，所述标准描述用于描述对应的单一对象；

及根据所述绑定关系得到一组训练集中的训练样本，所述训练样本的标注结果包括点云检测结果、图像检测结果以及对应关系，所述对应关系为所述多个对象中单一对象的点云检测标注与图像检测标注之间的对应关系。

10.一种电子设备，其特征在于，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现1至7任一项或如权利要求8所述的方法。

11.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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7任一项或如权利要求8所述的方法。

说明书

一种训练集构建方法、装置及计算机可读存储介质

技术领域

[0001] 本申请属于数据处理技术领域，尤其涉及一种训练集构建方法、装置及计算机可读存储介质。

背景技术

[0002] 目前，人工智能算法在各个方向都有着良好的表现及在各个领域都有着广泛的应用，这基于数据集的支撑，例如深度学习算法。一般深度学习算法都是采用预先准备好的数据集进行训练，然后利用训练好的深度学习算法执行具体的任务。

[0003] 现阶段的大部分数据集都有质量不够稳定、内容不够丰富，场景过于单一的问题，例如包含图像或点云的数据集，一般通过人工标注数据的方式获取高质量和内容丰富的数据集。然而使用人工标注数据的方式需要花费大量的时间成本以及人力成本。

发明内容

[0004] 本申请实施例提供了一种训练集构建方法、装置及计算机可读存储介质，可以解决人工标注成本高的问题。

[0005] 第一方面，本申请实施例提供了一种训练集构建方法，包括：

[0006] 获取当前帧的点云数据和图像数据，所述点云数据的时间戳与所述图像数据的时间戳相同，所述点云数据和所述图像数据是针对目标区域采集的包含有对象的数据；

[0007] 获取所述对象的标准描述，所述标准描述的时间戳与所述点云数据或所述图像数据的时间戳之差小于或等于预设阈值；

[0008] 对所述点云数据进行处理，得到点云检测结果，所述点云检测结果包含多个对象的点云检测标注；

[0009] 对所述图像数据进行处理，得到图像检测结果，所述图像检测结果包含多个对象的图像检测标注；

[0010] 建立所述点云检测结果、所述图像检测结果以及对应的标准描述的绑定关系，所述标准描述用于描述对应的单一对象；

[0011] 根据所述绑定关系得到一组训练集中的训练样本，所述训练样本的标注结果包括点云检测结果、图像检测结果以及对应关系，所述对应关系为所述多个对象中单一对象的点云检测标注与图像检测标注之间的对应关系。

[0012] 本申请实施例与现有技术相比存在的有益效果是：

[0013] 本申请实施例通过对当前帧的点云数据进行处理，得到点云检测结果；对当前帧的图像数据进行处理，得到图像检测结果；建立点云检测结果、图像检测结果以及对应的标准描述的绑定关系，标准描述用于描述对应的单一对象；以使通过绑定实现点云检测结果与图像检测结果一一对应，从而对点云检测结果与图像检测结果中的对象准确标注。根据绑定关系得到一组训练集中的训练样本，从而实现自动化标注，从而降低了人工标注的成本，并得到高质量的训练样本。

[0014] 在第一方面的一种可能的实现方式中，所述对象为车辆，所述方法还包括：

[0015] 接收车载OBU消息，所述车载OBU消息的时间戳与所述当前帧的点云数据的时间戳之间的差值小于预设阈值；

[0016] 将所述车载OBU消息中携带的信息作为对应的对象的标准描述。

[0017] 在第一方面的一种可能的实现方式中，所述标准描述包含单一对象的目标的运动状态和属性；

[0018] 对应的，将所述车载OBU消息中携带的信息作为对应的对象的标准描述，包括：

[0019] 将所述车载OBU消息中携带的位置信息，速度信息，尺寸信息和转向角信息中的任意一种或任意组合作为所述点云特征；

[0020] 将所述OBU信息中携带的车辆颜色信息，车型信息和尺寸信息中的任意一种或任意组合作为所述图像特征。

[0021] 在第一方面的一种可能的实现方式中，建立所述点云检测结果、所述图像检测结果以及对应的标准描述的绑定关系，包括：

[0022] 将所述点云检测结果和所述图像检测结果进行融合，得到融合结果；所述融合结果包括所述目标区域中多个目标的分布状态；

[0023] 将所述标准描述与所述融合结果中各个目标进行匹配，得到第一对应关系；所述第一对应关系为所述融合结果中各对象与所述标准描述的对应关系；

[0024] 基于所述第一对应关系和第二对应关系，建立所述点云检测结果中各目标以及所述图像检测结果中各目标与所述标准描述的绑定关系；所述第二对应关系为所述点云检测结果、图像检测结果与所述融合结果的对应关系。

[0025] 在第一方面的一种可能的实现方式中，所述融合结果的坐标系为图像坐标系，对应的，基于所述第一对应关系和第二对应关系，建立所述点云检测结果中各目标以及所述图像检测结果中各目标与所述标准描述的绑定关系，包括：

[0026] 利用系统标定参数将所述点云检测结果转换至所述图像坐标系；

[0027] 在所述图像坐标系下，将点云检测结果中各目标，所述图像检测结果中各目标以及所述融合结果中各目标进行匹配，根据匹配结果建立所述点云检测结果中各目标以及所述图像检测结果中各目标与所述标准描述的绑定关系。

[0028] 在第一方面的一种可能的实现方式中，所述点云检测标注包括三维检测框，所述图像检测标注包括二维检测框。

[0029] 在第一方面的一种可能的实现方式中，所述方法还包括：

[0030] 对根据所述绑定关系得到一组训练样本进行筛选，剔除异常点云检测标注和图像检测标注。

[0031] 第二方面，本申请实施例提供了一种目标检测方法，包括：

[0032] 构建机器学习模型；

[0033] 利用上述第一方面中任一项所述的方法获取的训练集对所述机器学习模型进行训练；

[0034] 利用训练好的学习模型处理获取的点云和图像数据，进行目标检测。

[0035] 第三方面，本申请实施例提供了一种训练集构建装置，包括：

[0036] 获取单元，用于获取当前帧的点云数据和图像数据，所述点云数据的时间戳与所述图像数据的时间戳相同，所述点云数据和所述图像数据是针对目标区域采集的包含有对象的数据；

[0037] 及获取所述对象的标准描述，所述标准描述的时间戳与所述点云数据或所述图像数据的时间戳之差小于或等于预设阈值；

[0038] 处理单元，用于对所述点云数据进行处理，得到点云检测结果，所述点云检测结果包含多个对象的点云检测标注；

[0039] 及对所述图像数据进行处理，得到图像检测结果，所述图像检测结果包含多个对象的图像检测标注；

[0040] 构建单元，用于建立所述点云检测结果、所述图像检测结果以及对应的标准描述的绑定关系，所述标准描述用于描述对应的单一对象；

[0041] 及根据所述绑定关系得到一组训练集中的训练样本，所述训练样本的标注结果包括点云检测结果、图像检测结果以及对应关系，所述对应关系为所述多个对象中单一对象的点云检测标注与图像检测标注之间的对应关系。

[0042] 第四方面，本申请实施例提供了一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面或第二方面中任一项所述的方法。

[0043] 第五方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面或第二方面中任一项所述的方法。

[0044] 第六方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备设备执行上述第一方面或第二方面中任一项所述的方法。

[0045] 可以理解的是，上述第二方面至第六方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

附图说明

[0046] 为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0047] 图1是本申请一实施例提供的训练集构建方法的流程示意图；

[0048] 图2是本申请另一实施例提供的训练集构建方法的流程示意图；

[0049] 图3是本申请另一实施例提供的目标检测方法的流程示意图；

[0050] 图4是本申请另一实施例提供的训练集构建装置的结构示意图；

[0051] 图5是本申请实施例提供的电子设备的结构示意图。

具体实施方式

[0052] 以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

[0053] 应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

[0054] 还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

[0055] 在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

[0056] 图1是本申请一实施例提供的训练集构建方法的流程示意图，作为示例而非限定，该方法可为对象的重识别、跟踪、检测或路径规划的训练集制作训练样本。该方法包括：

[0057] S101：获取当前帧的点云数据和图像数据。

[0058] 其中，点云数据的时间戳与图像数据的时间戳相同，点云数据和图像数据是针对目标区域采集的包含有对象的数据。

[0059] 在一些实施例中，可以通过智慧基站(又名路侧融合感知系统或路侧基站)获取当前帧的点云数据和图像数据。智慧基站是智能交通车路协同的重要基础设施，是集感知、计算、通讯能力为一体的服务站，包括：感知设备/系统、路侧单元及处理单元。具体可以通过感知设备/系统获取，例如，通过设置在路侧的激光雷达传感器获取点云数据以及通过设置在路侧的相机获取图像数据。

[0060] 通过获取相同时间戳的点云数据及图像数据，保证获取的是属同一位置及属同一对象的数据。

[0061] S102：获取对象的标准描述。

[0062] 其中，标准描述的时间戳与点云数据或图像数据的时间戳之差小于或等于预设阈值。通过时间戳之差小于或等于预设阈值，保证获取的是属同一对象的数据。在本实施例中，预设阈值的取值范围为1s‑2s，但不以此为限。

[0063] 上述标准描述可以包含单一对象的目标的运动状态和属性。该标准描述为单一对象准确描述。运动状态包括目标的位置信息、速度信息和转向角信息中的任意一种或任意组合，属性包括目标的尺寸信息、颜色信息和型号信息中的任意一种或任意组合。

[0064] S103：对点云数据进行处理，得到点云检测结果，点云检测结果包含多个对象的点云检测标注。

[0065] 具体的，使用点云检测算法处理点云数据，检测出全部对象，得到点云检测结果。

[0066] 其中，点云检测标注包括三维检测框。三维检测框是对对象的描述。三维检测框包括运动状态中目标的任意一种或任意组合的信息和/或属性中目标的任意一种或任意组合的信息，为点云检测标注与标注描述对应提供基础。

[0067] S104：对图像数据进行处理，得到图像检测结果，图像检测结果包含多个对象的图像检测标注。

[0068] 具体的，使用图像检测算法处理图像数据，检测出全部对象，得到图像检测结果。

[0069] 其中，图像检测标注包括二维检测框。二维检测框是对对象的描述。二维检测框包括运动状态中目标的任意一种或任意组合的信息和/或属性中目标的任意一种或任意组合的信息，为图像检测标注与标注描述对应提供基础。

[0070] S105：建立点云检测结果、图像检测结果以及对应的标准描述的绑定关系。

[0071] 具体的，将标准描述与点云检测结果中各个目标进行匹配，即将标准描述与各个目标的三维检测框进行信息匹配，得到第一对应关系，第一对应关系为点云检测结果中各对象与标准描述的对应关系。

[0072] 将标准描述与图像检测结果中各个目标进行匹配，即将标准描述与各个目标的二维检测框进行信息匹配，得到第二对应关系，第二对应关系为图像检测结果中各对象与标准描述的对应关系。基于第一对应关系和第二对应关系，将点云检测结果中各目标，图像检测结果中各目标进行匹配，根据匹配结果建立点云检测结果中各目标以及图像检测结果中各目标与标准描述的绑定关系，获得多个对象中单一对象的点云检测标注与图像检测标注之间的对应关系。

[0073] S106：根据绑定关系得到一组训练集中的训练样本，训练样本的标注结果包括点云检测结果、图像检测结果以及对应关系，对应关系为多个对象中单一对象的点云检测标注与图像检测标注之间的对应关系。

[0074] 训练样本包含两种类型的检测结果，能够提高检测能力，从而克服单一感知设备检测不准确的问题，提高训练样本的可靠性。

[0075] 本申请实施例通过对当前帧的点云数据进行处理，得到点云检测结果；对当前帧的图像数据进行处理，得到图像检测结果；建立点云检测结果、图像检测结果以及对应的标准描述的绑定关系，标准描述用于描述对应的单一对象；以使通过绑定实现点云检测结果与图像检测结果一一对应，从而点云检测结果及图像检测结果中的对象准确标注。根据绑定关系得到一组训练集中的训练样本，从而实现自动化标注，从而降低了人工标注的成本，并得到高质量的训练样本。

[0076] 图2为是本申请另一实施例提供的训练集构建方法的流程示意图，作为示例而非限定。如图2所示，建立所述点云检测结果、所述图像检测结果以及对应的标准描述的绑定关系，包括：

[0077] S201：将点云检测结果和图像检测结果进行融合，得到融合结果；融合结果包括目标区域中多个目标的分布状态。

[0078] 在本实施例中，通过相机与激光雷达传感器的内外参数，将点云检测结果和图像检测结果进行结果级融合，分布状态包含三维检测框以及二维检测框。

[0079] 可选的，接收由设置在车端的车端感知设备获取的车端感知结果，将点云检测结果、图像检测结果和车端感知结果进行融合，得到融合结果，以提高融合结果的可靠性。

[0080] 可选的，利用目标跟踪算法对点云检测结果进行处理，得到点云跟踪结果，点云跟踪结果包含多帧点云检测结果。利用目标跟踪算法对图像检测结果进行处理，得到图像跟踪结果，图像跟踪结果包含多帧图像检测结果。将点云跟踪结果和图像跟踪结果进行融合，得到融合结果，进一步提高融合结果的可靠性。

[0081] 车端感知设备可包括激光雷达传感器以及相机中的至少一种。

[0082] S202：将标准描述与融合结果中各个目标进行匹配，得到第一对应关系；

[0083] 第一对应关系为融合结果中各对象与标准描述的对应关系。

[0084] 具体的，将标准描述与分布状态进行信息匹配，得到第一对应关系。

[0085] S203：基于第一对应关系和第二对应关系，建立点云检测结果中各目标以及图像检测结果中各目标与标准描述的绑定关系；

[0086] 第二对应关系为点云检测结果、图像检测结果与融合结果的对应关系。

[0087] 其中，融合结果的坐标系为图像坐标系。

[0088] 具体的，利用系统标定参数将点云检测结果转换至图像坐标系。

[0089] 通过相机与激光雷达传感器的内外参数，将点云检测结果映射至图像坐标系上。

[0090] 在图像坐标系下，将点云检测结果中各目标，图像检测结果中各目标以及融合结果中各目标进行匹配，根据匹配结果建立点云检测结果中各目标以及图像检测结果中各目标与标准描述的绑定关系。

[0091] 具体的，将点云检测结果中以及图像检测结果中的属同一对象的检测框互相绑定，将绑定后的三维检测框以及二维检测框与标准描述进行绑定，以此建立绑定关系。

[0092] 本实施例通过基于第一对应关系和第二对应关系，建立点云检测结果中各目标以及图像检测结果中各目标与标准描述的绑定关系，能够将检测对象错误进行修正，进一步提高训练样本的可靠性。

[0093] 在另一实施例中，对象为车辆，方法还包括：

[0094] 接收车载OBU消息；车载OBU消息的时间戳与当前帧的点云数据的时间戳之间的差值小于预设阈值。

[0095] 其中，车载OBU(On‑Board Unit，车载单元)消息可由路侧单元获取。

[0096] 将车载OBU消息中携带的信息作为对应的对象的标准描述。

[0097] 具体的，将车载OBU消息中携带的位置信息，速度信息，尺寸信息和转向角信息中的任意一种或任意组合作为点云特征；三维检测框包含点云特征，通过点云特征实现标准描述与点云检测结果中各个目标进行匹配。

[0098] 将OBU信息中携带的车辆颜色信息，车型信息和尺寸信息中的任意一种或任意组合作为图像特征；二维检测框包含图像特征，通过图像特征实现标准描述与图像检测结果中各个目标进行匹配。

[0099] 在另一实施例中，该方法还包括：

[0100] 对根据绑定关系得到一组训练样本进行筛选，剔除异常点云检测标注和图像检测标注。

[0101] 具体的，若在该组训练样本中单一对象显示不完整，则剔除该对象对应的点云检测标注和图像检测标注。

[0102] 当对象为车辆时，若单一车辆显示不完整，例如只显示车头或车尾，则剔除该车辆对应的点云检测标注和图像检测标注。

[0103] 图3是本申请另一实施例提供的目标检测方法的流程示意图。如图3所示，目标检测方法包括：

[0104] S301：构建机器学习模型；

[0105] S302：利用训练集构建方法获取的训练集对机器学习模型进行训练；

[0106] S303：利用训练好的学习模型处理获取的点云和图像数据，进行目标检测。

[0107] 应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

[0108] 图4是本申请另一实施例提供的训练集构建装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分。如图4所示，该装置4包括：

[0109] 获取单元40，用于获取当前帧的点云数据和图像数据，点云数据的时间戳与图像数据的时间戳相同，点云数据和图像数据是针对目标区域采集的包含有对象的数据；

[0110] 及获取对象的标准描述，标准描述的时间戳与点云数据或图像数据的时间戳之差小于或等于预设阈值；

[0111] 处理单元41，用于对点云数据进行处理，得到点云检测结果，点云检测结果包含多个对象的点云检测标注；

[0112] 及对图像数据进行处理，得到图像检测结果，图像检测结果包含多个对象的图像检测标注；

[0113] 构建单元42，用于建立点云检测结果、图像检测结果以及对应的标准描述的绑定关系，标准描述用于描述对应的单一对象；

[0114] 及根据绑定关系得到一组训练集中的训练样本，训练样本的标注结果包括点云检测结果和图像检测结果，以及对应关系，对应关系为多个对象中单一对象的点云检测标注与图像检测标注之间的对应关系。

[0115] 在一种可能的实现方式中，对象为车辆，该装置还包括接收单元；

[0116] 接收单元，用于接收车载OBU消息，所述车载OBU消息的时间戳与所述当前帧的点云数据的时间戳之间的差值小于预设阈值；

[0117] 获取单元41，具体用于获取车载OBU消息中携带的信息作为对应的对象的标准描述。

[0118] 在一种可能的实现方式中，构建单元42，具体用于将所述点云检测结果和所述图像检测结果进行融合，得到融合结果；所述融合结果包括所述目标区域中多个目标的分布状态；

[0119] 将所述标准描述与所述融合结果中各个目标进行匹配，得到第一对应关系；所述第一对应关系为所述融合结果中各对象与所述标准描述的对应关系；

[0120] 基于所述第一对应关系和第二对应关系，建立所述点云检测结果中各目标以及所述图像检测结果中各目标与所述标准描述的绑定关系；所述第二对应关系为所述点云检测结果、图像检测结果与所述融合结果的对应关系。

[0121] 在一种可能的实现方式中，该装置还包括剔除单元；

[0122] 剔除单元，用于对根据所述绑定关系得到一组训练样本进行筛选，剔除异常点云检测标注和图像检测标注。

[0123] 图5是本申请实施例提供的电子设备的结构示意图。如图5所示，该实施例的电子设备5包括：至少一个处理器50(图5中仅示出一个)、存储器51以及存储在所述存储器51中并可在所述至少一个处理器50上运行的计算机程序52，所述处理器50执行所述计算机程序52时实现上述任意各个方法实施例中的步骤。

[0124] 所述电子设备5可以是桌上型计算机、云端服务器、集成于智慧基站的处理单元等计算设备。该电子设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是电子设备5的举例，并不构成对电子设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

[0125] 所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，该处理器50还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field‑Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

[0126] 所述存储器51在一些实施例中可以是所述电子设备5的内部存储单元，例如电子设备5的硬盘或内存。所述存储器51在另一些实施例中也可以是所述电子设备5的外部存储设备，例如所述电子设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述电子设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。

[0127] 需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

[0128] 所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0129] 本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。

[0130] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/电子设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

[0131] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

[0132] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

[0133] 在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

[0134] 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单元来实现本实施例方案的目的。

[0135] 以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。