一种基于深度学习算法的无人驾驶场景点云目标标注方法技术

本发明专利技术涉及智能算法领域，公开了一种基于深度学习算法的无人驾驶场景点云目标标注方法，对于无人驾驶场景下的三维点云数据标注，本发明专利技术解决了现有人工标注方法存在的速度慢、效率低、受心里状态影响比较大的缺点，针对算法提出柱坐标系的体素分割方法，在RPN每个位置产生[30°,90°,150°]三种anchor，不需要角度分类loss，提高了精度，达到90％的准确率，明显缩短激光雷达点云的标注时间，相比于现有方法的1帧/分钟的速度，该方法可以实现3帧/分钟的标注速度。

A Point Cloud Target Labeling Method for Unmanned Scene Based on Deep Learning Algorithms

【技术实现步骤摘要】
一种基于深度学习算法的无人驾驶场景点云目标标注方法
本专利技术涉及智能算法领域，特别是一种基于深度学习算法的无人驾驶场景点云目标标注方法。
技术介绍
近年来，随着深度学习的快速发展，无人驾驶的发展也进入了快车道，基于深度学习的环境感知是无人驾驶技术中最为重要的技术之一。基于激光雷达的三维物体检测对于自动驾驶是不可避免的，因为它直接与环境理解相关联，因此为预测和运动规划奠定了基础。实时推断高度稀疏的3D数据的能力对于除自动车辆之外的许多其他应用领域也同样适用，然而深度学习模型的训练需要大量的标注数据，就现在而言，这些工作都是由人工完成的，无疑，开发一种自动或者半自动的点云标注算法无疑是一个非常有意义的研究工作，本课题基于目标识别算法的点云半自动标注工具设计旨在解决这个问题。基于卷积网络的目标识别算法在图片上已经表现出了非常优秀的效果，然而对于点云信息而言，由于点云信息是无序存储的结构，无法进行常规的卷积操作。如果将3D信息映射到2D图像进行操作，然后尝试从2D图像信息中恢复实际的3D环境信，在这个过程中将丢弃对你最重要的许多信息。并且尝试将这些信息重新组合在一起很困难，即使对于最先进的本文档来自技高网...

【技术保护点】
1.一种基于深度学习算法的无人驾驶场景点云目标标注方法，其特征在于，包括了以下步骤：S1、使用多线束激光雷达获取一帧点云数据，进行时间同步；S2、将点云pi＝[xi,yi,zi,ri]转换到柱坐标系pi＝[ρi,θi,zi,ri]，ρ,θ，z三个轴均匀分割，将待检测空间分割为若干体素，对S1中采集得到的点云数据根据位置分组到对应的体素，设定体素中点数最大值Tmax；S3、定义V＝{pi＝[ρi,θi,zi,ri],i＝1,2...,n}为非空体素，首先计算每个体素的中心，定义为[vρ,vθ,vz]，然后将每个体素扩增V＝{pi＝[ρi,θi,zi,ri,ρi‑vρ,θi‑vθ,zi‑vz],i...

【技术特征摘要】
1.一种基于深度学习算法的无人驾驶场景点云目标标注方法，其特征在于，包括了以下步骤：S1、使用多线束激光雷达获取一帧点云数据，进行时间同步；S2、将点云pi＝[xi,yi,zi,ri]转换到柱坐标系pi＝[ρi,θi,zi,ri]，ρ,θ，z三个轴均匀分割，将待检测空间分割为若干体素，对S1中采集得到的点云数据根据位置分组到对应的体素，设定体素中点数最大值Tmax；S3、定义V＝{pi＝[ρi,θi,zi,ri],i＝1,2...,n}为非空体素，首先计算每个体素的中心，定义为[vρ,vθ,vz]，然后将每个体素扩增V＝{pi＝[ρi,θi,zi,ri,ρi-vρ,θi-vθ,zi-vz],i＝1,2...,n}，使用全连接层提取特征，得到4D稀疏矩阵；S4、遍历所有体素，收集非空体素索引来构造矩阵，执行通用矩阵乘法算法，然后将数据映射回稀疏张量；S5、利用S4得到的特征图输入到区域推荐网络，产生可能存在目标的区域；S6、对S5得到的特征图进行卷积，得到目标的类别、位置、维度、角度和置信度；S7、对S6得到的结果，根据置信度进行筛选，选择置信度大于0.8的目标，输出到标签，作为标注数据的初始标签；S8、人工框选点云，然后使用区域生长算法来实现智能点云框；S9、根据S8得到的点云，使用PCA主成分分析计算点云的三个主方向，转换点云主方向与坐标轴重合，建立包围盒，根据转换关系转换到原始坐标系，得到最小包围盒，完成一帧数据的标注；S10、重复S1-S9，直至所需标注场景标注完毕。2.如权利要求1所述的一种基于深度学习算法的无人驾驶场景点云目标标注方法，其特征在于，所述的多线束激光雷达为2.5D激光雷达或3D激光雷达，激光雷达的垂直视野的范围为10°-40°。3.如权利要求1所述的一种基于深度学习算法的无人驾驶场景点云目标标注方法，其特征在于，所述的S2具体步骤为：S21、对于所检测场景内的物体，将点云转换到圆柱坐标系下，然后将距离ρ轴，角度θ轴、高度轴z均匀划分，得到扇形的体素，并对不同物体进行最大点数限制；S22、对不同物体的体素数量限制预分配缓冲区，迭代点云并将点云分配给相应的体素，保存体素坐标和每个体素的点数。4.如权利要求1所述的一种基于深度学习算法的无人驾驶场景点云目标标注方法，其特征在于，所述的S3中提取特征具体步骤为：S31、将同一体素中的所有点作为输入体素特征编码层，并使用由线性层，批量归一化层和整流线性单元层组成的完全连接网络来提取逐点特征；S32、使用元素最大池对S31得到的特征表示进行逐元素的聚合，得到局部聚合特征；S33、将获得的特征平铺，并将这些平铺特征和逐点特征连接在一起。5.如权利要求1所述的一种基于深度学习算法的无人驾驶场景点云目标标注方法，其特征在于，所述的S4具体步骤为：S41、遍历所有体素，卷积的输出Yx,y,m，其中Yx,y,m...

【专利技术属性】
技术研发人员：杨学博，张宏斌，李湛，潘惠惠，林伟阳，
申请(专利权)人：宁波智能装备研究院有限公司，
类型：发明
国别省市：浙江,33