一种基于多尺度特征学习的三维点云标记方法和装置制造方法及图纸

本发明专利技术实施例提供一种基于多尺度特征学习的三维点云标记方法和装置，所述方法包括获取待标记的三维点云数据集，并提取该三维点云数据中各点的多维特征形成点云特征矩阵；将所述点云特征矩阵作为多尺度特征学习网络的输入以计算所述三维点云数据集中的各点的多尺度空间特征；将所述多尺度空间特征输入多层感知器中以实现对三维点云中各点的属性标记。本发明专利技术能够有效提高点云数据标记的标记精度。

【技术实现步骤摘要】
一种基于多尺度特征学习的三维点云标记方法和装置
本专利技术涉及数据标记
，具体而言，涉及一种基于多尺度特征学习的三维点云标记方法和装置。
技术介绍
随着最近几年三维传感器(如LiDAR、MicrosoftKinect、ASUSXtion等)在各领域(如移动机器人、自动驾驶、遥感解译、虚拟现实、增强现实和战场态势感知等)的广泛应用，三维数据也在显著增长，而三维点云标记作为对三维数据进行处理的重要手段，是指在观测到的场景点云数据中，识别每个点的类别属性，并为每个点分配一个唯一的类别标签，比如建筑、道路或汽车等。但现有的三维点云标记方法存在如标记精度低、数据处理量大、或只能提取单一尺度下的点云局部结构信息等局限性，无法满足对高性能三维点云标记的要求。
技术实现思路
有鉴于此，本专利技术提供一种基于多尺度特征学习的三维点云标记方法和装置，以解决上述问题。本专利技术较佳实施例提供一种基于多尺度特征学习的三维点云标记方法，所述方法包括：获取待标记的三维点云数据集，并提取该三维点云数据中各点的多维特征形成点云特征矩阵；将所述点云特征矩阵作为多尺度特征学习网络的输入以计算所述三维点云数据集中的各点的多尺度空间特征；将所述多尺度空间特征输入多层感知器中以实现对三维点云中各点的属性标记。在本专利技术较佳实施例的选择中，所述多尺度特征学习网络包括特征串联融合模块和用于学习三维点云数据集中各点的不同尺度特征的多个特征学习子网络；将所述点云特征矩阵作为多尺度特征学习网络的输入以计算所述三维点云数据集中的各点的多尺度空间特征的步骤包括：将所述点云特征矩阵分别输入各所述特征学习子网络中，以使每个特征学习子网络基于该点云特征矩阵提取对应各点的局部区域特征信息，并将该局部区域特征信息扩展至所述三维点云数据集中的各点，以得到不同尺度下的点云空间特征；将基于各所述特征学习子网络得到的多个不同尺度下的点云空间特征输入所述特征串联融合模块以对多个不同尺度下的点云特征信息进行特征融合得到多尺度空间特征。在本专利技术较佳实施例的选择中，基于该点云特征矩阵提取对应各点的局部区域特征信息，步骤包括：基于迭代最远点采样法从所述三维点云数据集中选取第一预设数量个点；针对所述预设数量个点中的每个点，以该点为原点，以预设值为半径搜索第二预设数量个邻域点进行局部区域构建以得到局域空间；对所述局域空间中包含的各点特征进行逐点池化，得到包含局部邻域全局信息的局部区域特征信息。在本专利技术较佳实施例的选择中，将该局部区域特征信息扩展至所述三维点云数据集中的各点，以得到不同尺度下的点云空间特征，步骤包括：步骤S1，从完成池化的局域空间中选取一个点作为待插值点，并将该待插值点的第三预设数量个邻域点作为邻域点集；步骤S2，对所述邻域点集中的各邻域点的特征矢量进行加权平均以得到待插值点的特征矢量；重复执行上述步骤S1-步骤S2，直到完成对池化后的局域空间中各点的特征泛化操作，并将扩展结果作为当前尺度下的点云空间特征信息。在本专利技术较佳实施例的选择中，所述待插值点的特征矢量F通过以下公式计算得到：其中，x表示待插值点，xi表示待插值点的邻域点，Fi表示点xi的特征矢量，k表示邻域点的数量，wi表示权重参数，d(x,xi)表示待插值点x与邻域点xi之间的欧氏距离，r为搜索半径。在本专利技术较佳实施例的选择中，在将点云特征矩阵输入所述多尺度特征学习网络时，所述方法包括：基于局部与全局特征融合模块对所述点云特征矩阵进行点云内部信息融合，并将完成信息融合后的点云特征矩阵作为所述多尺度特征学习网络的输入；以及基于局部与全局特征融合模块对所述多尺度空间特征再次进行点云内部信息融合，并将完成信息融合的多尺度空间特征作为所述多层感知器的输入。本专利技术较佳实施例还提供一种基于多尺度特征学习的三维点云标记装置，所述装置包括：点云多为特征提取模块，用于获取待标记的三维点云数据集，并提取该三维点云数据中各点的多维特征形成点云特征矩阵；多尺度学习模块，用于将所述点云特征矩阵作为多尺度特征学习网络的输入以计算所述三维点云数据集中的各点的多尺度空间特征；属性标记模块，用于将所述多尺度空间特征输入多层感知器中以实现对三维点云中各点的属性标记。在本专利技术较佳实施例的选择中，所述多尺度特征学习网络包括串联融合模块和用于学习三维点云数据集中各点的不同尺度特征的多个特征学习子网络，所述多尺度学习模块，包括：多尺度学习单元，用于将所述点云特征矩阵分别输入各所述特征学习子网络中，以使每个特征学习子网络基于该点云特征矩阵提取对应各点的局部区域特征信息，并将该局部区域特征信息扩展至所述三维点云数据集中的各点，以得到不同尺度下的点云空间特征；特征融合单元，用于将基于各所述特征学习子网络得到的多个不同尺度下的点云空间特征输入所述串联融合模块以对多个不同尺度下的点云特征信息进行特征融合得到多尺度空间特征。在本专利技术较佳实施例的选择中，所述多尺度学习单元还包括：点云选取子单元，用于基于迭代最远点采样法从所述三维点云数据集中选取第一预设数量个点；局域构建子单元，用于针对所述第一预设数量个点中的每个点，以该点为原点，以预设值为半径搜索第二预设数量个邻域点进行局部区域构建以得到局域空间；特征池化子单元，用于对所述局域空间中包含的各点进行逐点池化，得到包含局部邻域全局信息的局部区域特征信息。在本专利技术较佳实施例的选择中，所述多尺度学习单元包括：领域集创建子单元，用于从完成池化的局域空间中选取一个点作为待插值点，并将该待插值点的第三预设数量个邻域点作为邻域点集；特征矢量计算子单元，用于对所述邻域点集中的各邻域点的特征矢量进行加权平均以得到待插值点的特征矢量；重复调用执行子单元，用于重复调用上述领域集创建子单元和特征矢量计算子单元，直到完成对池化后的局域空间中各点的特征泛化操作，并将扩展结果作为当前尺度下的点云空间特征信息。与现有技术相比，本专利技术实施例提供的一种基于多尺度特征学习的三维点云标记方法和装置，通过将在不同尺度下学习到的单一尺度特征进行融合，以实现对不同尺度下的点云结构信息的学习，能够有效缓解点云密度不一带来的点云标记问题，提高点云标记精度。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。图1为本专利技术实施例提供的基于多尺度特征学习的三维点云标记装置的应用场景示意图。图2为本专利技术实施例提供的基于多尺度特征学习的三维点云标记方法的流程示意图。图3为本专利技术实施例提供的多尺度特征学习网络结构示意图。图4为图2中所示的步骤S11的子流程示意图。图5为图2中所示的步骤S11的另一子流程示意图。图6为本专利技术实施例提供的局部与全局特征融合的结构示意图。图7为本专利技术实施例提供的三维点云标记的网络结构示意图。图8为本专利技术实施例提供的真实点集与标记点集的示意图。图9为本专利技术实施例提供的用于实验的点云数据集示意图。图10为本专利技术实施例提供的真实点集与标记点集的示意图。图11为本专利技术实施例提供的基于XYZ坐标信息在S3DIS数据集上的标记结果示意图。图12为本专利技术实施本文档来自技高网...

【技术保护点】
1.一种基于多尺度特征学习的三维点云标记方法，其特征在于，所述方法包括：获取待标记的三维点云数据集，并提取该三维点云数据中各点的多维特征形成点云特征矩阵；将所述点云特征矩阵作为多尺度特征学习网络的输入以计算所述三维点云数据集中的各点的多尺度空间特征；将所述多尺度空间特征输入多层感知器中以实现对三维点云中各点的属性标记。

【技术特征摘要】
1.一种基于多尺度特征学习的三维点云标记方法，其特征在于，所述方法包括：获取待标记的三维点云数据集，并提取该三维点云数据中各点的多维特征形成点云特征矩阵；将所述点云特征矩阵作为多尺度特征学习网络的输入以计算所述三维点云数据集中的各点的多尺度空间特征；将所述多尺度空间特征输入多层感知器中以实现对三维点云中各点的属性标记。2.根据权利要求1所述的基于多尺度特征学习的三维点云标记方法，其特征在于，所述多尺度特征学习网络包括特征串联融合模块和用于学习三维点云数据集中各点的不同尺度特征的多个特征学习子网络；将所述点云特征矩阵作为多尺度特征学习网络的输入以计算所述三维点云数据集中的各点的多尺度空间特征的步骤包括：将所述点云特征矩阵分别输入各所述特征学习子网络中，以使每个特征学习子网络基于该点云特征矩阵提取对应各点的局部区域特征信息，并将该局部区域特征信息扩展至所述三维点云数据集中的各点，以得到不同尺度下的点云空间特征；将基于各所述特征学习子网络得到的多个不同尺度下的点云空间特征输入所述特征串联融合模块以对多个不同尺度下的点云特征信息进行特征融合得到多尺度空间特征。3.根据权利要求2所述的基于多尺度特征学习的三维点云标记方法，其特征在于，基于该点云特征矩阵提取对应各点的局部区域特征信息，步骤包括：基于迭代最远点采样法从所述三维点云数据集中选取第一预设数量个点；针对所述预设数量个点中的每个点，以该点为原点，以预设值为半径搜索第二预设数量个邻域点进行局部区域构建以得到局域空间；对所述局域空间中包含的各点特征进行逐点池化，得到包含局部邻域全局信息的局部区域特征信息。4.根据权利要求3所述的基于多尺度特征学习的三维点云标记方法，其特征在于，将该局部区域特征信息扩展至所述三维点云数据集中的各点，以得到不同尺度下的点云空间特征，步骤包括：步骤S112，从完成池化的局域空间中选取一个点作为待插值点，并将该待插值点的第三预设数量个邻域点作为邻域点集；步骤S113，对所述邻域点集中的各邻域点的特征矢量进行加权平均以得到待插值点的特征矢量；步骤S114，重复执行上述步骤S112-步骤S113，直到完成对池化后的局域空间中各点的特征泛化操作，并将扩展结果作为当前尺度下的点云空间特征信息。5.根据权利要求4所述的基于多尺度特征学习的三维点云标记方法，其特征在于，所述待插值点的特征矢量F通过以下公式计算得到：其中，x表示待插值点，xi表示待插值点的邻域点，Fi表示点xi的特征矢量，k表示邻域点的数量，wi表示权重参数，d(x,xi)表示待插值点x与邻域点xi之间的欧氏距离，r为搜索半径。6.根据权利要求1所述的基于多尺度特征学习的三维点...

【专利技术属性】
技术研发人员：马燕新，鲁敏，张国云，郭裕兰，雷印杰，
申请(专利权)人：湖南拓视觉信息技术有限公司，
类型：发明
国别省市：湖南,43