一种基于AMVNet的LIDAR语义分割方法及系统技术方案

本发明专利技术属于图像处理技术领域，具体涉及一种基于AMVNet的LIDAR语义分割方法及系统，包括下列步骤：获取基于SemanticKITTI视觉基准的测程数据集，对获取的测程数据集进行预处理，预处理包括数据分割、归一化处理、数据扩充处理和数据缩放处理；对预处理后的测程数据集进行数据划分处理，包括训练集和测试集，训练集用于模型的训练，测试集用于测试模型效果；构建基于AMVNet和LiDAR语义分割模型，并采用训练集对LiDAR语义分割模型进行训练；采用训练完成LiDAR语义分割模型对待识别的测程数据集进行语义分割分析，得到对应的分析预测结果。本发明专利技术模块化和层次化的后期融合方法提供了拥有两个独立网络的灵活性，语义分割效果更佳，且开销较小。本发明专利技术用于图像的处理。本发明专利技术用于图像的处理。

【技术实现步骤摘要】
一种基于AMVNet的LIDAR语义分割方法及系统


[0001]本专利技术属于图像处理
，具体涉及一种基于AMVNet的LIDAR语义分割方法及系统。

技术介绍

[0002]点云语义分割是自治系统的一项重要任务，特别是，对于自动驾驶汽车(AVs)来说，这项任务提供了有用的语义信息，可以从激光雷达点云构建清晰、高清晰度的地图。它还有助于识别和定位动态物体和可驾驶表面的感知模块，导致更好的车辆机动和路径规划。
[0003]现有技术存在的问题或者缺陷：目前RV方法促成了大多数最先进的结果，RV方法利用了稀疏点云以二维伪图像形式的紧凑表示，可以使用基于图像的语义分割网络对其进行有效分割。但是，随着激光雷达点数的增加，RV图像在一个像素内会有重叠的3D点投影，使其不具有代表性。而BEV方法不会有这个困难，因为点从俯视图投射，在俯视图中提取柱子表示来形成2D伪图像。但BEV中点云的非均匀性和稀疏性仍然是标准卷积运算的一个限制，导致通过两者获得的结果都差。

技术实现思路

[0004]针对上述的技术问题，本专利技术提供了一种语义分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AMVNet的LIDAR语义分割方法，其特征在于：包括下列步骤：S1、获取基于SemanticKITTI视觉基准的测程数据集，对获取的测程数据集进行预处理，预处理包括数据分割、归一化处理、数据扩充处理和数据缩放处理；S2、对预处理后的测程数据集进行数据划分处理，包括训练集和测试集，训练集用于模型的训练，测试集用于测试模型效果；S3、构建基于AMVNet和LiDAR语义分割模型，并采用训练集对LiDAR语义分割模型进行训练；S4、采用训练完成LiDAR语义分割模型对待识别的测程数据集进行语义分割分析，得到对应的分析预测结果。2.根据权利要求1所述的一种基于AMVNet的LIDAR语义分割方法，其特征在于：所述S1中的测程数据集是采用Velodyne HDL
‑
64E传感器采集的，所述Velodyne HDL
‑
64E传感器的水平角分辨率为0.08～0.35，所述Velodyne HDL
‑
64E传感器的垂直光束为64束。3.根据权利要求1所述的一种基于AMVNet的LIDAR语义分割方法，其特征在于：所述S1中数据扩充处理的方法为：分别对训练集数据进行90度、180度和270度旋转，对数据进行扩增；将扩充后的数据与原训练集混合，构建新的数据集；用于增加训练集数据量；所述训练集和测试集的比例为7：3。4.根据权利要求1所述的一种基于AMVNet的LIDAR语义分割方法，其特征在于：所述S1中归一化处理的方法为：对每条数据进行Min
‑
Max归一化，其公式如下：其中，min(x)表示像素最小值，max(x)表示像素最大值。5.根据权利要求1所述的一种基于AMVNet的LIDAR语义分割方法，其特征在于：所述S3中LiDAR语义分割模型的训练过程包括：S3.1、先采用RV网络模型和BEV网络模型进行训练，得到初始类预测，BEV网络模型采用U
‑
Net架构；S3.2、对初始类预测进行训练获得采样点，采样是当多视图网络在类预测上不一致时，通...

【专利技术属性】
技术研发人员：潘晓光，王小华，令狐彬，焦璐璐，张娜，
申请(专利权)人：山西三友和智慧信息技术股份有限公司，
类型：发明
国别省市：