三维点云语义分割方法、装置、设备及介质制造方法及图纸

本申请涉及人工智能技术领域，揭示了一种三维点云语义分割方法、装置、设备及介质，其中方法包括：采用预设空间单元格对待预测三维点云数据进行点云划分及量化判别得到目标点云数据；将目标点云数据输入点云语义类别预测模型中进行语义类别的概率预测得到目标点云数据的点云语义类别概率预测值，点云语义类别预测模型是基于PointSIFT神经网络模块和PointNet++神经网络训练得到的模型；根据点云语义类别概率预测值确定目标点云数据中每个点的目标语义类别。实现了针对复杂大尺度目标物体的点云进行快速且精确的逻辑划分，提高了点云分割的识别精度，而且可以较好的处理复杂目标物体的精细特征，提高了语义类别预测的准确度。确度。确度。

【技术实现步骤摘要】
三维点云语义分割方法、装置、设备及介质


[0001]本申请涉及到人工智能
，特别是涉及到一种三维点云语义分割方法、装置、设备及介质。

技术介绍

[0002]近些年，随着自动驾驶、医疗诊断、增强和混合现实等依托点云的智能应用日益兴起，关于三维点云语义分割技术在深度学习方面的研究与应用显得尤为迫切与重要。现有三维点云语义分割技术包括：采用体素方法的深度学习分割技术、采用多视图方法的深度学习分割技术、采用点云方法的深度学习分割技术。
[0003]采用体素方法的深度学习分割技术，因为体素数据在表征物体时，为保证目标信息完整，往往具有较大的分辨率，当空间复杂度高时将导致对计算资源的开销过大；而为了保证计算效率，往往需要降低分辨率，而降低分辨率又会导致精度损失，使神经网络预测结构较为密集的目标物体往往性能不佳，导致该分割技术很难应用于复杂目标物体的点云语义分割中。
[0004]采用多视图方法的深度学习分割技术，网络对于多视角图片的输入有限，固定数量的多视图可能无法将三维模型完全表示出来，造成目标结构的信息丢失，比如，物体的自遮挡等，再本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种三维点云语义分割方法，其特征在于，所述方法包括：获取待预测三维点云数据；采用预设空间单元格对所述待预测三维点云数据进行点云划分及量化判别，得到目标点云数据；将所述目标点云数据输入点云语义类别预测模型中进行语义类别的概率预测，得到所述目标点云数据的点云语义类别概率预测值，所述点云语义类别预测模型是基于PointSIFT神经网络模块和PointNet++神经网络训练得到的模型；根据所述目标点云数据的点云语义类别概率预测值，确定所述目标点云数据中每个点的目标语义类别。2.根据权利要求1所述的三维点云语义分割方法，其特征在于，所述采用预设空间单元格对所述待预测三维点云数据进行点云划分及量化判别，得到目标点云数据的步骤，包括：采用所述预设空间单元格对所述待预测三维点云数据进行离散划分，得到多个待处理空间单元格；对所述多个待处理空间单元格进行总体积计算，得到空间单元格总体积；对所述待处理空间单元格中的点云进行体积计算，得到所述待处理空间单元格的点云体积；分别将每一个所述待处理空间单元格的点云体积除以所述空间单元格总体积，得到多个所述待处理空间单元格的点云体积比例；判断每一个所述待处理空间单元格的点云体积比例是否大于预设比例阈值；当存在所述待处理空间单元格的点云体积比例大于所述预设比例阈值时，将所述待处理空间单元格的点云体积比例对应的所述待处理空间单元格作为有效空间单元格；从所述有效空间单元格中进行点的选取，得到所述目标点云数据。3.根据权利要求2所述的三维点云语义分割方法，其特征在于，所述从所述有效空间单元格中进行点的选取，得到所述目标点云数据的步骤，包括：对所述有效空间单元格中的点云按预设数量进行点的随机选取，得到待处理点云数据；对所述待处理点云数据进行中心点计算，得到中心点坐标数据；将所述待处理点云数据中的每个点的坐标数据减去所述中心点坐标数据，得到所述待处理点云数据中的每个点的坐标差值；根据所述待处理点云数据的所有点的坐标数据和所述中心点坐标数据进行标准差计算，得到所述待处理点云数据的点云标准差；将所述待处理点云数据中的每个点的坐标差值除以所述点云标准差，得到所述目标点云数据。4.根据权利要求1所述的三维点云语义分割方法，其特征在于，所述将所述目标点云数据输入点云语义类别预测模型中进行语义类别的概率预测，得到所述目标点云数据的点云语义类别概率预测值的步骤之前，还包括：获取多个训练样本，所述训练样本包括：点云样本数据、点云语义类别标定数据；将所述训练样本的所述点云样本数据输入待训练模型中进行语义类别的概率预测，得到所述训练样本的样本语义类别概率预测数据，其中，所述待训练模型是根据所述
PointSIFT神经网络模块和所述PointNet++神经网络训练确定的模型；根据所述样本语义类别概率预测数据和所述点云语义类别标定数据对所述待训练模型进行训练，将训练结束的待训练模型作为所述点云语义类别预测模型。5.根据权利要求4所述的三维点云语义分割方法，其特征在于，所述待训练模型依次包括：多层感知器、第一深度学习模块、第一下采样层、第二深度学习模块、第二下采样层、第三深度学习模块、第三下采样层、第四深度学习模块、第一上采样层、第五深度学习模块、第二上采样层、第六深度学习模块、第三上采样层、第七深度学习模块、丢弃层、全连接层，所述第一深度学习模块、所述第二深度学习模块、所述第三深度学习模块、所述第四深度学习模块、所述第五深度学习模块、所述第六深度学习模块及所述第七深度学习模块采用所述PointSIFT神经网络模块，所述第一下采样层、所述第二下采样层及所述第三下采样层采用所述PointNet++神经网络的点集抽象模块，所述第一上采样层、所述第二上采样层及所述第三上采样层采用所述PointNet++神经网络的特征传播模块；以及，所述将所述训练样本的所述点云样本数据输入待训练模...

【专利技术属性】
技术研发人员：李泽远，王健宗，肖京，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：