基于多分辨率融合的点云分割方法和装置制造方法及图纸

本申请提出一种基于多分辨率融合的点云分割方法和装置，涉及计算机视觉与机器学习技术领域，其中，方法包括：获取待分割图像，通过预测器对待分割图像进行点云分割，获取原始点云分割结果；对待分割图像进行降采样，获取低分辨率图像特征；通过预测器对低分辨率图像特征进行点云分割，获取低分辨率点云分割结果；对低分辨率点云分割结果进行上采样的优化更新处理，获取与原始点云分割结果相同分辨率的目标点云分割结果，并将原始点云分割结果和目标点云分割结果进行融合处理，并输出点云分割结果。由此，解决现有点云分割框架中，对低分辨率信息利用不充分的问题，将低分辨率点云分割结果直接用于分割结果的预测，提高点云分割准确性。确性。确性。

【技术实现步骤摘要】
基于多分辨率融合的点云分割方法和装置


[0001]本申请涉及计算机视觉与机器学习
，尤其涉及一种基于多分辨率融合的点云分割方法和装置。

技术介绍

[0002]目前，三维场景的分割技术在自动驾驶、智能移动机器人、虚拟现实等实际应用场景中发挥着重要的作用。随着激光雷达等传感器的普及，三维点云数据的采集越来越方便，因而也为三维场景的分割提供了重要的数据基础。然而由于点云数据往往是不完整且密度不均匀的，且点云本身的数据表示也具有无规则性，目前的算法在进行分割时面临了许多问题。
[0003]基于点云数据的三维场景分割技术可以分为语义分割和实例分割两类：语义分割中常用的框架有以Pointnet++为代表的直接处理点云的结构，也有先把点云转换为体素，再对体素进行稀疏卷积的结构；实例分割则可以按照有无候选框的提出分为两类方法。
[0004]然而，目前网络框架中，通常只是用跨越连接的方式对各个分辨率的特征进行拼接，并没有很充分的利用低分辨率点云特征。

技术实现思路

[0005]本申请旨在至少在一定程度上解决相关技术中的技术问本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多分辨率融合的点云分割方法，其特征在于，包括以下步骤：获取待分割图像，通过预测器对所述待分割图像进行点云分割，获取原始点云分割结果；对所述待分割图像进行降采样，获取低分辨率图像特征；通过所述预测器对所述低分辨率图像特征进行点云分割，获取低分辨率点云分割结果；对所述低分辨率点云分割结果进行上采样的优化更新处理，获取与所述原始点云分割结果相同分辨率的目标点云分割结果，并将所述原始点云分割结果和所述目标点云分割结果进行融合处理，并输出点云分割结果。2.如权利要求1所述的方法，其特征在于，所述对所述低分辨率点云分割结果进行上采样的优化更新处理，获取与所述原始点云分割结果相同分辨率的目标点云分割结果，包括：分别对所述低分辨率图像特征和所述低分辨率点云分割结果进行插值处理，获取中间分辨率图像特征和中间分辨率点云分割结果；从所述中间分辨率图像特征中，获取不确定图像特征，并获取所述不确定图像特征对应的不确定预测结果；将所述中间分辨率点云分割结果、所述不确定预测结果和从所述原始点云分割结果获取的预测结果进行拼接后输入所述预测期，获取更新预测结果，将所述更新预测结果替换所述低分辨率点云分割结果，直到获取与所述原始点云分割结果相同分辨率的目标点云分割结果。3.如权利要求2所述的方法，其特征在于，所述从所述中间分辨率图像特征中，获取不确定图像特征，包括：获取所述中间分辨率图像特征中每个特征点对应的置信概率；根据所述每个特征点对应的置信概率与预设类别概率的差值与阈值比较，确定不确定特征点，根据所述不确定特征点获取所述不确定图像特征。4.如权利要求1所述的方法，其特征在于，还包括：通过第一预设器预测低分辨率点云分割训练结果，将所述低分辨率点云分割训练结果与低分辨率训练图像特征、原网络预测训练结果的对应部分拼接在一起，用第二预测器将所有点重新预测一遍，获取重新预测结果；将所述低分辨率点云分割训练结果和所述重新预测结果分别与真实标签计算交叉熵损失函数，用梯度下降算法进行训练，生成所述预测器。5.如权利要求2所述的方法，其特征在于，所述插值处理的方式为三近邻插值或最近邻插值。6.一种基于多分辨率融合的点云...

【专利技术属性】
技术研发人员：鲁继文，周杰，郑宇，许修为，
申请(专利权)人：清华大学，
类型：发明
国别省市：