一种三维点云数据的语义分割方法技术

本申请公开了一种三维点云数据的语义分割方法，包括：对待分割的三维点云数据进行特征提取，得到点云初始特征；对所述点云初始特征进行降采样和图稀疏聚合操作，得到对应不同采样尺度的采样特征组；对各所述采样特征组进行局部空间上下文信息融合，得到该采样尺度对应的中间特征；将所述中间特征进行融合拼接，得到编码特征；将所述编码特征解码，得到对应的解码特征；将所述解码特征输入至全连接层分类器，得到所述三维点云数据对应的语义分割结果，解决了现有的点云语义分割方法要么计算量较大，导致算法整体效率偏低，要么分割精度较低的技术问题。低的技术问题。低的技术问题。

【技术实现步骤摘要】
一种三维点云数据的语义分割方法


[0001]本申请涉及信息
，尤其涉及一种三维点云数据的语义分割方法。

技术介绍

[0002]激光雷达传感器的出现为人们获取点云形式的空间几何结构数据提供了一种便捷的方法。相比于普通的二维图像数据，三维点云数据可以准确、密集的为物体的整体结构。在自动驾驶、地形测绘等诸多领域，三维点云数据可以提供更加丰富的空间几何结构信息，有助于理解所处环境的三维空间特性并做出与之相应的决策。所以这使得大多数研究者关注于大规模场景下的点云语义分割问题。
[0003]由于三维点云数据无序性和旋转不变性的特点，这使得点云的语义分割成为一个具有挑战性的任务，对于大规模场景点云的语义分割任务更是如此。现有的点云语义分割方法要么计算量较大，导致算法整体效率偏低，要么分割精度较低。因此，如何在提升分割精度的同时，实现高效的获取更多点云信息的大规模场景的点云语义分割，是本领域技术人员亟待解决的技术问题。

技术实现思路

[0004]本申请提供了一种三维点云数据的语义分割方法，解决了现有的点云语义分割方法要么计算量较大，导致算法整体效率偏低，要么分割精度较低的技术问题。
[0005]有鉴于此，本申请提供了一种三维点云数据的语义分割方法，包括：
[0006]对待分割的三维点云数据进行特征提取，得到点云初始特征；
[0007]对所述点云初始特征进行降采样和图稀疏聚合操作，得到对应不同采样尺度的采样特征组；
[0008]对各所述采样特征组进行局部空间上下文信息融合，得到该采样尺度对应的中间特征；
[0009]将所述中间特征进行融合拼接，得到编码特征；
[0010]将所述编码特征解码，得到对应的解码特征；
[0011]将所述解码特征输入至全连接层分类器，得到所述三维点云数据对应的语义分割结果。
[0012]可选地，对待分割的三维点云数据进行特征提取，得到点云初始特征，具体包括：
[0013]获取待分割的三维点云数据；
[0014]获取所述三维点云数据中各点的坐标信息；
[0015]将各点的所述坐标信息作为该点的初始特征，以得到所述三维点云数据的点云初始特征。
[0016]可选地，对所述点云初始特征进行降采样和图稀疏聚合操作，得到对应不同采样尺度的采样特征组，具体包括：
[0017]根据所述点云初始特征，对所述三维点云数据中的点进行点云的降采样处理，得
到降采样点集{q1,...,q
i
,...,q
n
}，其中，q
i
为第i个降采样点；
[0018]通过基于欧氏距离的K近邻KNN算法，计算各降采样点q
i
的N个近邻点并根据各近邻点对应的欧式距离，将N个近邻点由近到远进行排序；
[0019]选取m个采样率α
j
，并以各采样率α
j
为采样尺度，从中心点q
i
的N个近邻点中间隔选取K个点，得到对应该采样尺度时的点集其中为中心点q
i
的第k个近邻点，k＝1,2,...,K，K为采样的近邻点的数量；
[0020]对各采样尺度对应点集中点的初始特征进行局部空间上下文信息融合，得到该采样尺度对应的采样特征组。
[0021]可选地，对各所述采样特征组进行局部空间上下文信息融合，得到该采样尺度对应的中间特征，具体包括：
[0022]对于各采样尺度对应的所述点集，获取中心点q
i
和K个近邻点的三维坐标，并通过获取的所述三维坐标，计算中心点q
i
和各近邻点的相对距离和欧氏距离；
[0023]根据预置拼接公式，将各中心点q
i
和对应K个近邻点的三维坐标、所述相对距离、所述欧式距离进行融合拼接，得到对应的局部空间上下文信息，其中，所述预置拼接公式为：
[0024][0025]其中，和分别为在采样率α下中心点q
i
和近邻点的三维坐标，为连接运算符，为中心点q
i
和近邻点的欧式距离，为中心点q
i
和近邻点的相对距离；
[0026]基于共享参数的多层感知器MLP，根据各所述局部空间上下文信息，计算对应采样尺度下的中间特征。
[0027]可选地，所述中间特征的计算公式为：
[0028][0029]式中，f
j
为采样尺度α
j
对应的中间特征。
[0030]可选地，将所述中间特征进行融合拼接，得到编码特征，具体包括：
[0031]根据预设的融合拼接公式，将所述中间特征进行融合拼接，得到编码特征，其中，所述融合拼接公式为：
[0032][0033]式中，f
j
为采样尺度α
j
对应的中间特征，F'为编码特征。
[0034]可选地，将所述编码特征解码，得到对应的解码特征，具体包括：
[0035]将所述编码特征进行逐步解码，得到对应的解码特征。
[0036]从以上技术方案可以看出，本申请具有以下优点：
[0037]本申请中三维点云数据的语义分割方法，首先对待分割的三维点云数据进行特征提取，得到点云初始特征，接着对点云初始特征进行降采样和图稀疏聚合操作，得到对应不同采样尺度的采样特征组，然后对各采样特征组进行局部空间上下文信息融合，得到该采
样尺度对应的中间特征，再接着将中间特征进行融合拼接，得到编码特征，然后将编码特征解码，得到对应的解码特征，最后将解码特征输入至全连接层分类器，得到三维点云数据对应的语义分割结果。本申请中通过图稀疏聚合操作，聚合不同尺度的点云特征，为整个语义信息的学习过程提供更多的信息，且扩大了中心点的搜索范围，而不增加算法整体的计算量，提高算法的效率。同时利用局部空间上下文信息融合，让点与点之间的空间信息更加丰富，有效提高分割精度，从而解决了现有的点云语义分割方法要么计算量较大，导致算法整体效率偏低，要么分割精度较低的技术问题。
附图说明
[0038]为了更清楚地说明本申请实施例中的技术方法，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0039]图1为本申请实施例中一种三维点云数据的语义分割方法的实施例一的流程示意图；
[0040]图2为本申请实施例中一种三维点云数据的语义分割方法的实施例二的流程示意图；
[0041]图3为本申请实施例中三维点云数据的语义分割效果图。
具体实施方式
[0042]本申请设计了一种三维点云数据的语义分割方法，解决了现有的点云语义分割方法要么计算量较大，导致算法整体效率偏低，要么分割精度较低的技术问题。
[0043]为了使本
的人员更好地理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种三维点云数据的语义分割方法，其特征在于，包括：对待分割的三维点云数据进行特征提取，得到点云初始特征；对所述点云初始特征进行降采样和图稀疏聚合操作，得到对应不同采样尺度的采样特征组；对各所述采样特征组进行局部空间上下文信息融合，得到该采样尺度对应的中间特征；将所述中间特征进行融合拼接，得到编码特征；将所述编码特征解码，得到对应的解码特征；将所述解码特征输入至全连接层分类器，得到所述三维点云数据对应的语义分割结果。2.根据权利要求1所述的三维点云数据的语义分割方法，其特征在于，对待分割的三维点云数据进行特征提取，得到点云初始特征，具体包括：获取待分割的三维点云数据；获取所述三维点云数据中各点的坐标信息；将各点的所述坐标信息作为该点的初始特征，以得到所述三维点云数据的点云初始特征。3.根据权利要求1所述的三维点云数据的语义分割方法，其特征在于，对所述点云初始特征进行降采样和图稀疏聚合操作，得到对应不同采样尺度的采样特征组，具体包括：根据所述点云初始特征，对所述三维点云数据中的点进行点云的降采样处理，得到降采样点集{q1,...,q
i
,...,q
n
}，其中，q
i
为第i个降采样点；通过基于欧氏距离的K近邻KNN算法，计算各降采样点q
i
的N个近邻点并根据各近邻点对应的欧式距离，将N个近邻点由近到远进行排序；选取m个采样率α
j
，并以各采样率α
j
为采样尺度，从中心点q
i
的N个近邻点中间隔选取K个点，得到对应该采样尺度时的点集其中为中心点q
i
的第k个近邻点，k＝1,2,...,K，K为采样的近邻点的数量；对各采样尺度对应点集中点的初始特征进行局部空...

【专利技术属性】
技术研发人员：赵艮平，张伟光，吴衡，王卓薇，程良伦，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：