一种基于深度学习的点云关键点提取方法技术

本发明专利技术属于人工智能领域和自动驾驶领域，具体提供一种基于深度学习的点云关键点提取方法；首先，本发明专利技术在数据预处理阶段利用地面分割技术过滤了大量的无效点集，提升关键点提取效果和效率；其次，本发明专利技术将深度学习技术应用到点云关键点提取问题中，利用GPU并行计算大幅提升了运算速度，构建包括点云划分模块与关键点提取网络的关键点提取模型，点云划分模块中使用最远点采样节点、扩张理论和节点判断提升了点云划分的速度，关键点提取网络中使用注意力机制提升了提取关键点的性能。综上，本发明专利技术的计算时间不会随着点云规模和关键点个数的提取大幅增长，且能够提取到性能更加优秀的关键点，能够应用于各种技术和场景。能够应用于各种技术和场景。能够应用于各种技术和场景。

【技术实现步骤摘要】
一种基于深度学习的点云关键点提取方法


[0001]本专利技术属于人工智能领域和自动驾驶领域，涉及针对点云数据模型的点云关键点提取技术，具体提供一种基于深度学习的点云关键点提取方法。

技术介绍

[0002]由于3D传感器设备开发和广泛使用，点云数据也成为了机器视觉里广泛使用的数据类型；同时随着运算能力与数据量的提升，深度学习的方法更多地进入了人们的视野。点云关键点提取是许多相关技术的核心步骤，从点云得到具有良好稳定性和显著性的关键点集，再提取关键点的特征描述符，从而使用少量点集和对应特征描述符表述整个点云。
[0003]目前，如SIFT
‑
3D、ISS、Harris
‑
3D等传统方法通过手工设计的具体方法根据局部空间的特性选取具有尺度不变性和旋转不变性的点作为关键点，这类方法没有挖掘局部空间的深层内在信息，且这些方法需要对点云中所有点进行处理，当点云规模较大时效率很低。基于神经网络的方法能够更好的挖掘局部空间的特性，得到更好的关键点；另外，基于神经网络的方法能够基于GPU进行并行计算，大大提升了关键点提取效率。
[0004]关键点提取方法通常将点云划分为多个局部点云，再从每个局部点云中提取一个关键点。当前基于神经网络的点云处理方法通常基于PointNet的特征提取网络，该特征提取网络能够提取局部点集的总体特征，根据总体特征生成一个代表性的关键点；该类方法常常过分关注无效点集，如点云中的地面点集往往包含极少的有效信息，该方法却必须从这些地方提取关键点；此外常用的点云划分方法性能也不够优秀，影响了提取的关键点集的效果。

技术实现思路

[0005]本专利技术的目的在于针对现有技术的问题，提供一种基于深度学习的点云关键点提取方法，应用于自动驾驶领域的点云关键点提取。为实现该目的，本专利技术采用的技术方案如下：
[0006]一种基于深度学习的点云关键点提取方法，包括以下步骤：
[0007]步骤1、对采集得到的点云数据进行数据预处理，具体为：首先，使用固定大小的体素网格进行下采样；然后，使用随机一致性采样算法分割点云中的平面中间点集；最后，使用随机采样得到固定规模的数据预处理后点云；
[0008]步骤2、将预处理后的点云送入关键点提取模型中得到点云的关键点集以及每个关键点对应的可靠性；
[0009]步骤3、根据关键点的可靠性过滤关键点；首先，根据不可靠性对关键点排序，去除可靠性小于预设阈值的关键点；然后，使用非最大值抑制算法筛选关键点集：设置邻近阈值K，使用最邻近算法搜索关键点的邻近点，不断递归搜索邻近点进而构建一个局部关键点集；最后，从各个局部关键点集中选择可靠性最好的点构成最终的关键点集。
[0010]进一步的，所述关键点提取模型包括：点云划分模块与局部点集关键点提取网络；
[0011]所述点云划分模块用于将点云划分为M个局部点云点集，具体为：使用最远点采样算法选取M个中心节点；设置局部点集的大小m，以中心节点为中心使用最邻近算法向外扩张，当局部点集中节点个数达到2k、或局部点集中节点个数达到k且下一个邻近点为其它中心节点时，停止扩张；从当前选中的局部点集中随机选择m个点构成最终的局部点云点集；
[0012]所述关键点提取网络接收局部点云点集作为输入，使用m个一维卷积层将局部点云点集中每个点映射到高维空间中，再使用最大池化层将所有高维空间点融合、得到局部空间特征；
[0013]使用Softmax函数调整特征数值大小，得到局部点云点集中每个点的注意力权重；
[0014]基于每个点的注意力权重对局部点云点集中每个节点进行加权求和得到估计的关键点，对局部点云点集中每个节点对应的高维空间点进行加权求和后、再经过全连接层完成信息融合和维度压缩得到关键点对应的不可靠性。
[0015]更进一步的，所述关键点提取模型的训练过程为：
[0016]步骤1、对公开的自动驾驶点云数据集执行步骤1相同数据预处理，得到训练样本集；
[0017]步骤2、使用Siamese网络框架构建关键点提取模型的训练模型，将训练样本集作为源点云、并对源点云施加随机刚体变换T得到目标点云，将源点云与目标点云分别输入到Siamese框架的两条分支中；训练模型输出对应源点云提取的关键点集A及其不可靠性集合、及对应目标点云提取的关键点集B及其不可靠性集合；设置损失函数，使用随机梯度下降法对模型进行训练，得到训练完成的关键点提取模型；所述损失函数为：
[0018][0019]其中，M为局部点云点集的个数，X表示源点云、表示目标点云，x
j
表示源点云中的节点、表示目标点云中的节点，q
i
表示源点云输入关键点提取模型后输出的关键点、表示目标点云输入关键点提取模型后输出的关键点；d
ij
表示关键点集A中关键点i应用刚体变换T后与关键点集B中关键点j的距离、关键点j为关键点集B中与该关键点i距离最近的关键点，σ
ij
表示对应的关键点i与关键点j的平均不可靠性；d
ji
表示关键点集B中关键点j与关键点集A中关键点i的距离、关键点i为关键点集A中与该关键点j距离最近的关键点，σ
ji
表示对应的关键点j与关键点i的平均不可靠性；λ为点偏离损失函数的预设权重。
[0020]进一步的，所述步骤1中，随机一致性采样算法分割点云中的平面中间点集的具体过程为：使用随机一致性采样拟合点云中超过预设数量阈值的平面方程，对属于平面的点集做进一步判断，若当前点四周的点均属于平面则删除该点、否则保留。
[0021]与现有技术相比，本专利技术做出了以下创新：
[0022]本专利技术提供一种基于深度学习的点云关键点提取方法，应用于自动驾驶领域的点云关键点提取；首先，本专利技术在数据预处理阶段利用地面分割技术过滤了大量的无效点集，提升关键点提取效果和效率；其次，本专利技术将深度学习技术应用到点云关键点提取问题中，利用GPU并行计算大幅提升了运算速度，构建包括点云划分模块与关键点提取网络的关键点提取模型，点云划分模块中使用最远点采样节点、扩张理论和节点判断提升了点云划分的速度，关键点提取网络中使用注意力机制提升了提取关键点的性能。综上，本专利技术的计算
时间不会随着点云规模和关键点个数的提取大幅增长，且能够提取到性能更加优秀的关键点，能够应用于各种技术和场景。
附图说明
[0023]图1为本专利技术中基于深度学习的点云关键点提取方法的流程图。
[0024]图2为本专利技术中关键点提取网络的结构图。
[0025]图3为本专利技术中关键点提取网络的训练模型结构图。
具体实施方式
[0026]下面结合附图和实施例对本专利技术做进一步详细说明。
[0027]本实施例提供一种基于深度学习的点云关键点提取方法，其流程如图1所示，具体包括以下步骤：
[0028]步骤1、对公开的自动驾驶点云数据集做下采样操作降低点云规模，再使用改进随机一致性采样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的点云关键点提取方法，包括以下步骤：步骤1、对采集得到的点云数据进行数据预处理，具体为：首先，使用固定大小的体素网格进行下采样；然后，使用随机一致性采样算法分割点云中的平面中间点集；最后，使用随机采样得到固定规模的数据预处理后点云；步骤2、将预处理后的点云送入关键点提取模型中得到点云的关键点集以及每个关键点对应的可靠性；步骤3、根据关键点的可靠性过滤关键点；首先，根据不可靠性对关键点排序，去除可靠性小于预设阈值的关键点；然后，使用非最大值抑制算法筛选关键点集：设置邻近阈值K，使用最邻近算法搜索关键点的邻近点，不断递归搜索邻近点进而构建一个局部关键点集；最后，从各个局部关键点集中选择可靠性最好的点构成最终的关键点集。2.按权利要求1所述基于深度学习的点云关键点提取方法，其特征在于，所述关键点提取模型包括：点云划分模块与关键点提取网络；所述点云划分模块用于将点云划分为M个局部点云点集，具体为：使用最远点采样算法选取M个中心节点；设置局部点集的大小m，以中心节点为中心使用最邻近算法向外扩张，当局部点集中节点个数达到2k、或局部点集中节点个数达到k且下一个邻近点为其它中心节点时，停止扩张；从当前选中的局部点集中随机选择m个点构成最终的局部点云点集；所述关键点提取网络接收局部点云点集作为输入，使用m个一维卷积层将局部点云点集中每个点映射到高维空间中，再使用最大池化层将所有高维空间点融合、得到局部空间特征；使用Softmax函数调整特征数值大小，得到局部点云点集中每个点的注意力权重；基于每个点的注意力权重对局部点云点集中每个节点进行加权求和得到估计的关键点，对局部点云点集中每个节点对应的高维空间点进行加权求和后、再经过全连接层完成信息融合和维度压缩得到关键点对应的不可靠性。3.按权利要求2所述基于深度学习的点云关键点...

【专利技术属性】
技术研发人员：罗光春，朱大勇，刘欣，陈爱国，赵太银，于书苹，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：