基于脉冲神经网络与激光雷达点云的语义分割方法及装置制造方法及图纸

本发明专利技术公开了一种基于脉冲神经网络与激光雷达点云的语义分割方法及装置，包括以下步骤：步骤S1：获取激光雷达采集的点云数据，并对所述点云数据进行预处理，得到预处理点云数据；步骤S2：将所述预处理点云数据映射至2D图像中，并对所述2D图像中的每一帧图像进行编码，得到脉冲序列；步骤S3：将所述脉冲序列作为脉冲神经网络模型的输入进行训练，并对所述脉冲神经网络模型中的输出层神经元脉冲进行解码，得到训练好的脉冲神经网络模型；步骤S4：根据训练好的脉冲神经网络模型获取语义分割结果。本发明专利技术以脉冲神经网络的方式对激光雷达的点云数据进行图像语义分割与目标识别，有效提升目标识别的实时性，降低目标识别推理模型的算力需求。算力需求。算力需求。

【技术实现步骤摘要】
基于脉冲神经网络与激光雷达点云的语义分割方法及装置


[0001]本专利技术涉及一种深度学习与激光雷达信号处理
，尤其涉及一种基于脉冲神经网络与激光雷达点云的语义分割方法及装置。

技术介绍

[0002]在自动驾驶产业中，作为一种可精确测量传感器与物体距离的设备，激光雷达有着广泛的应用。主流激光雷达基于激光的飞行时间原理，利用发射器发射的脉冲信号与接收器接收到的反射脉冲信号的时间间隔来计算与目标物体的距离，通过分析目标物体表面的反射能量大小，反射波谱的幅度，频率，相位等信息来构建目标物体的点云数据。目前最为成熟的车载MEMS激光雷达拥有360度水平视场角以及40度的垂直视场角，其点云数据包含各障碍物及背景点在笛卡尔坐标系下的xyz值以及该点对应的反射强度(Intensity)信息。由于障碍物点云通常比背景点云要更密集，通过对点云数据进行聚类分析，传统算法已经可以有效检测障碍物，输出检测框并对障碍物种类进行简单区分。目前主流的分类方式依然采用传统机器学习或卷积神经网络等深度学习方式，由于激光雷达点云数据密集，数据点较多，传统方法的一些弊端，例如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于脉冲神经网络与激光雷达点云的语义分割方法，其特征在于，包括以下步骤：步骤S1：获取激光雷达采集的点云数据，并对所述点云数据进行预处理，得到预处理点云数据；步骤S2：将所述预处理点云数据映射至2D图像中，并对所述2D图像中的每一帧图像进行编码，得到脉冲序列；步骤S3：将所述脉冲序列作为脉冲神经网络模型的输入进行训练，并对所述脉冲神经网络模型中的输出层神经元脉冲进行解码，得到训练好的脉冲神经网络模型；步骤S4：根据训练好的脉冲神经网络模型获取语义分割结果。2.如权利要求1所述的一种基于脉冲神经网络与激光雷达点云的语义分割方法，其特征在于，所述步骤S1具体包括以下子步骤：步骤S11：获取激光雷达采集的点云数据，所述点云数据包括目标点x轴、y轴、z轴的值和反射强度值，对所述点云数据进行数据增强，所述数据增强包括沿z轴方向旋转，添加随机噪点，以及在反射强度值上添加随机噪声；步骤S12：将反射强度值作为每个所述点云数据的像素值，并标注所述点云数据的类别，得到预处理点云数据。3.如权利要求2所述的一种基于脉冲神经网络与激光雷达点云的语义分割方法，其特征在于，所述步骤S11中在反射强度值上添加随机噪声具体为：在反射强度值上添加均值为0，标准差为1的正态分布的随机噪声。4.如权利要求1所述的一种基于脉冲神经网络与激光雷达点云的语义分割方法，其特征在于，所述步骤S2具体包括以下子步骤：步骤S21：将所述预处理点云数据中的xy轴坐标映射至2D图像中；步骤S22：对所述2D图像中的每一帧图像采用速率编码或时延编码，得到脉冲序列。5.如权利要求4所述的一种基于脉冲神经网络与激光雷达点云的语义分割方法，其特征在于，所述速率编码具体为：将所述2D图像中的每一帧图像的每个像素点的反射强度值转换为脉冲产生频率，得到带有时间维度的脉冲序列，且所述脉冲产生频率随着所述反射强度值的增高而增快。6.如权利要求4所述的一种基于脉冲神经网络与激光雷达点云的语义分割方法，其特征在于，所述时延编码具体为：将所述2D图像中的每一帧图像的每个像素点的反射强度值转换为脉冲产生时序，得到带有时间维度的脉冲序列，且所述脉冲产生时序随着所述反射强度值的增高而越...

【专利技术属性】
技术研发人员：励翔东，卢昊，杨李杰，沈思逸，承元昆，许桐恺，
申请(专利权)人：之江实验室，
类型：发明
国别省市：