【技术实现步骤摘要】
基于图结构与注意力机制的车载激光点云标线分类方法
本专利技术属于车载激光扫描点云数据处理领域，具体涉及一种基于图结构与注意力机制的车载激光点云标线分类方法。
技术介绍
交通标线作为路面重要的特征标志，高精度的几何与语义信息如形状、位置、拓扑和结构关系信息的快速获取与更新对保障交通安全具有重要作用。车载激光扫描系统能够高效、精确地获取道路场景的三维空间信息和回波强度信息，为大范围道路标线的识别和更新提供一种新的数据源。由于交通标线类别多样，行人和车辆等大范围遮挡和干扰会影响了标线几何和纹理特征分布的连续性。如何从分割后的标线识别其类别，特别是相似标线的识别是标线分类难点问题。目前，有学者通过联合标线形状特征、空间分布特征(方向、排列)、以及道路场景语义特征，利用决策树、SVM、模板匹配等分类器实现区分相似标线的，如根据相邻对象的平行关系将斑马线与虚线型标线进行精细区分或利用模板匹配精细区分不同箭头标志。这些方法在一些较为规则的道路场景中取得较好的标线分类效果，但特征选择和参数设置需要较强的先验知识，在复杂场景中自动化程
【技术保护点】
1.一种基于图结构与注意力机制的车载激光点云标线分类方法，其特征在于，包括以下步骤：/n步骤A：基于强度校正进行标线分割，得到独立标线对象；/n步骤B：基于分割后的独立标线对象，利用EdgeConv进行特征提取与嵌入；/n步骤C：在设定邻域范围内进行标线间最短距离重采样，对每个标线构建重采样的标线图结构；/n步骤D：通过构建多头注意力机制，更新图结构节点特征；/n步骤E：将图结构和注意力机制嵌入深度神经网络，构建深度图模型GAT_SCNet，然后基于构建的深度图模型GAT_SCNet进行标线类别预测，输出独立标线的类别标签。/n
【技术特征摘要】
1.一种基于图结构与注意力机制的车载激光点云标线分类方法，其特征在于，包括以下步骤：
步骤A：基于强度校正进行标线分割，得到独立标线对象；
步骤B：基于分割后的独立标线对象，利用EdgeConv进行特征提取与嵌入；
步骤C：在设定邻域范围内进行标线间最短距离重采样，对每个标线构建重采样的标线图结构；
步骤D：通过构建多头注意力机制，更新图结构节点特征；
步骤E：将图结构和注意力机制嵌入深度神经网络，构建深度图模型GAT_SCNet，然后基于构建的深度图模型GAT_SCNet进行标线类别预测，输出独立标线的类别标签。
2.根据权利要求1所述的一种基于图结构与注意力机制的车载激光点云标线分类方法，其特征在于，所述步骤A具体包括以下步骤：
步骤A1：基于强度增强后的路面点云数据，采用K均值聚类从路面点云中提取标线点云；
步骤A2：基于步骤A1的点云分割结果，通过连通分支聚类获得独立的标线对象。
3.根据权利要求2所述的一种基于图结构与注意力机制的车载激光点云标线分类方法，其特征在于，所述步骤B具体包括以下步骤：
步骤B1：逐点构建独立标线对象内部点的k近邻有向图结构G＝(V，E)，其中顶点V＝{xp，y1，…，yq}，q∈k，由点xp与距离其最邻近的k个点构成，边E定义为E＝{ep1，ep2，…，epq}；
步骤B2：对图G的边特征E采用EdgeConv模块提取与更新中心点xp的特征；
步骤B3：堆叠两个EdgeConv模块，提取标线点更大视野域中的特征，将聚合特征通过多层感知机提取全局特征，作为独立标线的全局特征g；
步骤B4：提取标线的重心点位置pos，与全局特征g进行拼接，然后作为标线的初始特征嵌入深度图模型GAT_SCNet中，作为其节点特征x；
x＝[pos||g]
式中，||表示向量拼接。
4.根据权利要求3所述的一种基于图结构与注意力机制的车载激光点云标线分类方法，其特征在于，所述步骤C具体包括以下步骤：
步骤C1：以中心标线对象重心点为邻域原点，划定半径为r的邻域范围，只要邻域标线对象有点落入该范围内，则将该邻域标线对象包含在邻居标线集中；
步骤C2：基于步骤C1的邻居标线集在该集合内逐对象遍历与中心对象的最短距离，重采样中心标线υi的K个近邻标线建立标线i重采样的图结构其中为图的节点，为中心υi与邻居节点uj之间的边，υi为中心节点，uj为其邻域中重采样邻居节点，x为节点特征。
5.根据权利要求4所述的一种基于图...
【专利技术属性】
技术研发人员：方莉娜，王爽，赵志远，陈崇成，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建;35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。