一种基于神经网络模型的车载激光雷达数据的分类方法技术

本发明专利技术实施例提供了一种基于神经网络模型的车载激光雷达数据的分类方法，包括：利用三维激光雷达点云数据生成样本集合；基于先验知识对样本集合中的样本进行无监督标注，利用无监督标注数据对神经网络模型进行参数预训练；利用手工标注的数据对参数预训练后的神经网络模型进行参数调优，得到训练完成的车载激光雷达数据的神经网络分类模型；利用所述训练完成的车载激光雷达数据的神经网络分类模型对待处理的车载激光雷达数据进行分类。本发明专利技术实施例通过利用人类提供的先验知识对神经网络进行预训练，从而减少神经网络在训练过程中对手工标注数据的依赖，提高网络训练效率。

A Classification Method of Vehicle-borne Lidar Data Based on Neural Network Model

The embodiment of the present invention provides a classification method of vehicular lidar data based on neural network model, which includes: generating sample set by using three-dimensional LIDAR point cloud data; unsupervised labeling of samples in sample set based on prior knowledge, parameter pre-training of neural network model by unsupervised labeling data; and parameter pre-training by manual labeling data. After the training, the parameters of the neural network model are optimized and the neural network classification model of the vehicle-borne lidar data is obtained. The vehicle-borne lidar data to be processed are classified by the neural network classification model of the vehicle-borne lidar data completed by the training. In the embodiment of the present invention, the neural network is pre-trained by utilizing the prior knowledge provided by human beings, thereby reducing the dependence of the neural network on manual labeling data in the training process and improving the training efficiency of the network.

【技术实现步骤摘要】
一种基于神经网络模型的车载激光雷达数据的分类方法
本专利技术涉及激光雷达数据的语义分类
，尤其涉及一种基于神经网络模型的车载激光雷达数据的分类方法。
技术介绍
随着自动驾驶技术的迅猛发展，三维激光雷达作为一种主要的感知设备被广泛应用于自动驾驶系统中，在交通运输、国防安全等领域有着重要的应用需求。相比于相机传感器，激光雷达直接输出距离测量值，并且能够全天候工作，这些特性使得激光雷达数据被大范围应用于自动驾驶平台的感知部分。随着传感器成本的降低，基于激光雷达数据的语义分类受到越来越多的关注。针对激光数据的语义分类，传统方法依靠人类的先验知识，手工设计特征和分类器，利用机器学习的方式对输入的数据单元进行标签化，这类方法的优势在于模型的可解释性，缺点在于手工特征对环境的适应性较差。神经网络方法在图像识别领域的成功给激光雷达数据的语义分类带来了新的思路，其优点是以数据驱动的方式自动的进行特征提取，从而移除了传统方法中对手工特征的依靠；其缺点是对手工标注数据有着大量的需求，相比于图像，对三维激光雷达数据精细化标注是比较困难的。针对激光雷达数据，现有的神经网络方法着重于网络结构的设计和精细手工标注数据的制作，而很少考虑到人类先验知识的重要性。
技术实现思路
本专利技术的实施例提供了一种基于神经网络模型的车载激光雷达数据的分类方法，以克服现有技术的缺陷。为了实现上述目的，本专利技术采取了如下技术方案。一种基于神经网络模型的车载激光雷达数据的分类方法，包括：利用三维激光雷达点云数据生成样本集合；基于先验知识对样本集合中的样本进行无监督标注，利用无监督标注数据对神经网络模型进行参数预训练；利用手工标注的数据对参数预训练后的神经网络模型进行参数调优，得到训练完成的车载激光雷达数据的神经网络分类模型；利用所述训练完成的车载激光雷达数据的神经网络分类模型对待处理的车载激光雷达数据进行分类。优选地，所述的利用三维激光雷达点云数据生成样本集合，包括：把已知的三维激光雷达点云数据转化为二维距离图像；对所述二维距离图像进行RegionGrow分割得到分割块；以每个所述分割块为中心取出周围临域的三维点云生成每个样本；集合所述每个样本生成样本集合。优选地，所述的基于先验知识对样本集合中的样本进行无监督标注，利用无监督标注数据对神经网络模型进行参数预训练，包括：针对激光雷达数据的特性，利用先验知识对样本集合中样本进行无监督分类，每个样本对应一个分割块，即对分割块的分类等价于对样本分类，无监督分类通过利用先验知识对分割块的高度和宽度特征识别进行分类，为样本x生成对应的标注获得无监督标注数据利用无监督标注的数据进行神经网络参数预训练，在神经网络的训练过程中优化损失函数该函数定义为交叉熵，采用随机梯度下降的方式进行迭代训练，网络初始参数由随机初始化获得，神经网络的训练过程中损失函数的值会逐渐降低，当损失值稳定后停止训练，获得最优的网络参数优选地，所述的利用手工标注的数据对参数预训练后的神经网络模型进行参数调优，包括：首先进行参数迁移，使用预训练的参数模型对另一个网络进行初始化，然后进行神经网络模型参数调优，所述调优过程中优化函数变为该函数定义为交叉熵，采用随机梯度下降的方式进行迭代训练，但梯度下降的起始位置为该过程中损失函数的值会逐渐降低，当损失值稳定后停止训练，完成调优获得θ，神经网络模型参数调优后得到训练完成的车载激光雷达数据的神经网络分类模型。由上述本专利技术的实施例提供的技术方案可以看出，本专利技术实施例通过利用人类提供的先验知识对神经网络进行预训练，从而减少神经网络在训练过程中对手工标注数据的依赖，提高网络训练效率。本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。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专利技术的一些实施例，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。图1为本专利技术实施例提供了一种基于神经网络模型的车载激光雷达数据的分类方法的流程示意图；图2为基于分割块的样本生成的流程示意图；图3为基于知识的预训练数据生成流程示意图；图4为基于知识的网络训练流程示意图。具体实施方式下面详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。为便于对本专利技术实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本专利技术实施例的限定。本专利技术实施例提供了一种基于神经网络模型的车载激光雷达数据的分类方法的处理流程，如图1所示，包括以下步骤：利用三维激光雷达点云数据生成样本集合，如图2所示，包括：把已知的三维激光雷达点云数据转化为二维距离图像，对二维距离图像进行RegionGrow(区域生长)分割得到分割块，以每个分割块为中心取出周围临域的三维点云生成每个样本，集合每个样本生成样本集合。基于先验知识对样本集合中的样本进行无监督标注，利用无监督标注数据对神经网络模型进行参数预训练，包括：无监督标注：针对激光雷达数据的特性，人类的先验知识可直接用于无监督的分类。比如：树干(Trunk)高且长，人(People)一般低于2米，车(Car)的宽度要大于人的宽度，建筑物(Building)的墙面基本是平的。为了样本标签的完整性，加入未知(Unknown)标签。制作神经网络的输入数据，直接对原始点云的分类复杂度较高，在距离图像下，利用集合信息先进行分割块生成，然后对分割块分类会大大降低问题的复杂度，因此，一个样本定义为距离图像下一个分割块和其周围的点云数据。每个样本对应一个分割块，如图2所示，因此对分割块的分类等价于对样本分类。无监督分类利用分割块的高度z和宽度w特征对分割块进行分类，如图3所示，如果分割块的高度小于2m(z＜2.0)且宽度在0.2～1.5m(0.2＜w＜1.5)之间，那么就判断该分割块为人(people)，即该分割块对应的样本标本文档来自技高网...

【技术保护点】
1.一种基于神经网络模型的车载激光雷达数据的分类方法，其特征在于，包括：利用三维激光雷达点云数据生成样本集合；基于先验知识对样本集合中的样本进行无监督标注，利用无监督标注数据对神经网络模型进行参数预训练；利用手工标注的数据对参数预训练后的神经网络模型进行参数调优，得到训练完成的车载激光雷达数据的神经网络分类模型；利用所述训练完成的车载激光雷达数据的神经网络分类模型对待处理的车载激光雷达数据进行分类。

【技术特征摘要】
1.一种基于神经网络模型的车载激光雷达数据的分类方法，其特征在于，包括：利用三维激光雷达点云数据生成样本集合；基于先验知识对样本集合中的样本进行无监督标注，利用无监督标注数据对神经网络模型进行参数预训练；利用手工标注的数据对参数预训练后的神经网络模型进行参数调优，得到训练完成的车载激光雷达数据的神经网络分类模型；利用所述训练完成的车载激光雷达数据的神经网络分类模型对待处理的车载激光雷达数据进行分类。2.根据权利要求1所述的分类方法，其特征在于，所述的利用三维激光雷达点云数据生成样本集合，包括：把已知的三维激光雷达点云数据转化为二维距离图像；对所述二维距离图像进行RegionGrow分割得到分割块；以每个所述分割块为中心取出周围临域的三维点云生成每个样本；集合所述每个样本生成样本集合。3.根据权利要求2所述的分类方法，其特征在于，所述的基于先验知识对样本集合中的样本进行无监督标注，利用无监督标注数据对神经网络模型进行参数预训练，包括：针对激光雷达数据的特性，利用先验知识对样本集合...

【专利技术属性】
技术研发人员：梅继林，赵卉菁，
申请(专利权)人：北京大学，
类型：发明
国别省市：北京,11