一种利用轮廓点特征的单物体点云数据语义分割方法技术

本发明专利技术公开了一种利用轮廓点特征的单物体点云数据语义分割方法，属于点云语义分割技术领域，包括：获取一个包含N个点的单物体点云，并将单物体点云分别向X、Y、Z方向投影，得到三个二维点集；从三个二维点集中获得单物体点云的轮廓点集；将单物体点云和轮廓点集输入至几何特征融合网络中，得到单物体点云中每个点的分类标签。该方法从单物体点云的轮廓点中提取高纯度的几何特征，然后利用该几何特征提高单物体点云的语义分割精度，最终取得更准确的单物体点云数据语义分割精度。单物体点云数据语义分割精度。单物体点云数据语义分割精度。

【技术实现步骤摘要】
一种利用轮廓点特征的单物体点云数据语义分割方法


[0001]本专利技术涉及点云的语义分割
，特别涉及一种利用轮廓点特征的单物体点云数据语义分割方法。

技术介绍

[0002]随着点云采集设备和三维重构技术的快速发展，三维点云数据已经在自动驾驶、机器人、沉浸式交互等领域被广泛应用。在点云数据的处理和应用中，语义分割是从点云几何信息分析提取语义信息的关键一步。具体地讲，语义分割即是讲点云中的点逐个按照人类认知的类别进行分类，例如在自动驾驶点云数据中，将“行人”的点与“道路”的点标注为不同的类别标签。以往的点云语义分割技术，倾向于在各种不同类别的点云上都实现较高的精度。然而，不同点云数据之间的差距非常巨大。简单地，可以把点云分为单物体点云和多物体点云两种。单物体点云即只表示一个物体的点云，例如一个杯子，一把椅子，一架飞机等等。多物体点云往往是一个场景，例如室内场景，包含地面、墙面、桌椅等等。不同的点云数据有自己独有的特点，因此利用各种点云的特点，实现高度适用的语义分割技术往往可以达到更高的精度。相对于多物体点云，单物体点云的内容简单，细节质量高，但是信息冗余非常严重。一个杯子的点云可能包含上千个点，但其实可能只需要其中十分之一的点就可以清楚地区分杯子的形状、角度等信息，其余的点并没有提供更多的有效信息，这就是所谓的而信息冗余。这种冗余会增加语义分割神经网络的负担，使得神经网络提取的特征不够纯或者遗失部分有用特征。

技术实现思路

[0003]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。r/>[0004]为此，本专利技术的目的在于提出一种利用轮廓点特征的单物体点云数据语义分割方法，该方法减轻了神经网络的负担，提高了分割精度。
[0005]为达到上述目的，本专利技术实施例提出了利用轮廓点特征的单物体点云数据语义分割方法，包括以下步骤：步骤S1，获取一个包含N个点的单物体点云，并将所述单物体点云分别向X、Y、Z方向投影，得到三个二维点集，分别记为V
x
、V
y
、V
z
；步骤S2，从所述三个二维点集中获得单物体点云的轮廓点集；步骤S3，将所述单物体点云和所述轮廓点集输入至几何特征融合网络中，得到所述单物体点云中每个点的分类标签。
[0006]本专利技术实施例的利用轮廓点特征的单物体点云数据语义分割方法，高度适用于单物体点云，从单物体点云的轮廓点中提取高纯度的几何特征，再输入到神经网络实现语义分割，取得更准确的单物体点云数据语义分割精度，且有效减轻了神经网络的负担。
[0007]另外，根据本专利技术上述实施例的利用轮廓点特征的单物体点云数据语义分割方法还可以具有以下附加的技术特征：
[0008]进一步地，在本专利技术的一个实施例中，所述步骤S2具体包括：步骤S21，根据所述三个二维点集分别获取其对应的轮廓点集合C
x
、C
y
、C
z
；步骤S22，将所述轮廓点集合C
x
、C
y
、C
z
中
的轮廓点投影回原三维空间，并将三个点集相并，得到所述轮廓点集C。
[0009]进一步地，在本专利技术的一个实施例中，所述步骤S21具体包括：步骤S211,选取所述二维点集V
x
中的任一点x
i
，找到所述二维点集V
x
中距离x
i
在预设范围r内的邻域点集N
i
；步骤S212,选取所述邻域点集N
i
中的任一点x
j
，以x
i
为起点，过x
j
画射线v
j
；步骤S213，对于所述步骤S212得到的多条射线中任意两条相邻射线均有一夹角，将所有夹角的最大值记为α
i
；步骤S214,判断所述最大值α
i
是否大于预设阈值t，若大于则将x
i
加入所述轮廓点集合C
x
，反之不加。
[0010]进一步地，在本专利技术的一个实施例中，所述步骤S22中若三个轮廓点集相并后超过n个点，则随机采样n个点，若不足n个点，则对集中的点重复采样以凑足n个点。
[0011]进一步地，在本专利技术的一个实施例中，所述几何特征融合网络包括四个特征融合模块和三个特征上采样模块，其中，每个特征融合模块内部均包括三个特征提取模块。
[0012]进一步地，在本专利技术的一个实施例中，所述步骤S3具体包括：步骤S31，将所述单物体点云和所述轮廓点集依次输入所述几何特征融合网络的四个特征融合模块，以获得各层次特征矩阵；步骤S32，以最高层次特征矩阵为始，依次与低一层特征矩阵一同输入至三个特征上采集模块中，最终所述每个点的分类标签。
[0013]进一步地，在本专利技术的一个实施例中，所述步骤S301中任一特征融合模块的具体包括：步骤S311，确定所述单物体点云的子集点的坐标
‑
特征矩阵F
′
P
和所述轮廓点集的子集点的坐标
‑
特征矩阵F
′
C
作为特征融合模块的输入；步骤S312，从所述单物体点云的子集采样M
″
个点，记为P
″
，从所述轮廓点集的子集采样m
″
个点，记为C
″
；步骤S313，将P
″
和F
′
P
输入至特征提取模块中，得到P
″
中点从F
′
P
提取的特征矩阵，并将其拼接得到拼接特征；步骤S314，将所述拼接特征输入至其一层卷积层，得到P
″
中的点的特征，与坐标矩阵P
″
拼接，得到单物体点云的新的子集点的坐标
‑
特征矩阵F
″
P
，作为特征融合模块的第一个输出；步骤S315，将所述步骤312得到的C
″
和F
′
P
输入至特征提取模块中，得到C
″
中点从F
′
P
提取的特征；步骤S316，将所述步骤315所得特征与C
″
拼接，得到轮廓点的新的子集点的坐标
‑
特征矩阵F
″
C
，作为特征融合模块的第二个输出。
[0014]进一步地，在本专利技术的一个实施例中，所述坐标
‑
特征矩阵F
′
P
的尺寸为M
′
*(3+c)，所述坐标
‑
特征矩阵F
′
C
为m
′
*(3+c)。
[0015]进一步地，在本专利技术的一个实施例中，所述步骤S313具体包括：步骤S3131，确定所述单物体点云的子集点的坐标矩阵P
′
和所述单物体点云的子集点的坐标
...

【技术保护点】

【技术特征摘要】
1.一种利用轮廓点特征的单物体点云数据语义分割方法，其特征在于，包括以下步骤：步骤S1，获取一个包含N个点的单物体点云，并将所述单物体点云分别向X、Y、Z方向投影，得到三个二维点集，分别记为V
x
、V
y
、V
z
；步骤S2，从所述三个二维点集中获得单物体点云的轮廓点集；步骤S3，将所述单物体点云和所述轮廓点集输入至几何特征融合网络中，得到所述单物体点云中每个点的分类标签。2.根据权利要求1所述的利用轮廓点特征的单物体点云数据语义分割方法，其特征在于，所述步骤S2具体包括：步骤S21，根据所述三个二维点集分别获取其对应的轮廓点集合C
x
、C
y
、C
z
；步骤S22，将所述轮廓点集合C
x
、C
y
、C
z
中的轮廓点投影回原三维空间，并将三个点集相并，得到所述轮廓点集C。3.根据权利要求2所述的利用轮廓点特征的单物体点云数据语义分割方法，其特征在于，所述步骤S21具体包括：步骤S211，选取所述二维点集V
x
中的任一点x
i
，找到所述二维点集V
x
中距离x
i
在预设范围r内的邻域点集N
i
；步骤S212，选取所述邻域点集N
i
中的任一点x
j
，以x
i
为起点，过x
j
画射线v
j
；步骤S213，对于所述步骤S212得到的多条射线中任意两条相邻射线均有一夹角，将所有夹角的最大值记为α
i
；步骤S214，判断所述最大值α
i
是否大于预设阈值t，若大于则将x
i
加入所述轮廓点集合C
x
，反之不加。4.根据权利要求2所述的利用轮廓点特征的单物体点云数据语义分割方法，其特征在于，所述步骤S22中若三个轮廓点集相并后超过n个点，则随机采样n个点，若不足n个点，则对集中的点重复采样以凑足n个点。5.根据权利要求1所述的利用轮廓点特征的单物体点云数据语义分割方法，其特征在于，所述几何特征融合网络包括四个特征融合模块和三个特征上采样模块，其中，每个特征融合模块内部均包括三个特征提取模块。6.根据权利要求4所述的利用轮廓点特征的单物体点云数据语义分割方法，其特征在于，所述步骤S3具体包括：步骤S31，将所述单物体点云和所述轮廓点集依次输入所述几何特征融合网络的四个特征融合模块，以获得各层次特征矩阵；步骤S32，以最高层次特征矩阵为始，依次与低一层特征矩阵一同输入至三个特征上采集模块中，最终所述每个点的分类标签。7.根据权利要求6所述的利用轮廓点特征的单物体点云数据语义分割方法，其特征在于，所述步骤S301中任一特征融合模块的具体包括：步骤S311，确定所述单物体点云的子集点的坐标
‑
特征矩阵F
′
P
和所述轮廓点集的子集点的坐标
‑
特征矩阵F
′
C
作为特征融合模块的输入；步骤S312，从所述单物体点云的子集采样M
″
个点，记为P
″
，从所述轮廓点集的子集采样m
″
个点，记为C
″
；步骤S313，将P
″
和F
′
P
输入至特征提取模块中，得到P
″

【专利技术属性】
技术研发人员：王兴涛，朱君，范晓鹏，
申请(专利权)人：江苏苏彩信息技术有限公司，
类型：发明
国别省市：