一种基于深度学习的多等级公路三维点云目标分割方法技术

本发明专利技术公开了一种基于深度学习的多等级公路三维点云目标分割方法，属于三维点云目标分割技术领域。本发明专利技术首先通过基于Map数据结构和K

【技术实现步骤摘要】
一种基于深度学习的多等级公路三维点云目标分割方法


[0001]本专利技术涉及三维点云目标分割
，尤其设计是一种基于深度学习的多等级公路场景下的三维点云目标分割方法。

技术介绍

[0002]多等级公路场景下三维点云目标分割是从大家熟知的不同等级的公路场景中将不同种类的公路目标物分割识别出来，是汽车辅助驾驶和自动驾驶等领域的基础。三维点云目标分割算法在这些年间，已经经历了多个阶段。从最初的Huang等人提出的传统方法进行三维点云目标分割；到后来一些研究人员提出了基于机器学习的点云目标分割算法，国外研究人员Timo Hackel等提出的基于KdTree进行邻近点特征信息提取，再结合随机森林的方法实现三维点云特征提取、学习及快速分类；最后随着深度学习方法的提出和发展，目前大多数学者和研究人员都已经专注于深度学习领域进行快速的三维点云目标分割。而基于深度学习方法实现点云目标分割又包含了不同的方向：基于体素化的方法、基于投影的方法以及基于点的方法。(1)点云体素化是通过用空间均匀大小的体素网格来模拟模型或者点云的几何形态的过程，实现模型体素化的方式有很多，比如基于八叉树的三维网格模型体素化等。基于体素化的方法则是将点云体素化后，利用卷积神经网络(CNN)对体素进行特征提取和学习；(2)基于投影的方法是将3D点云投影二维图像中，包括多视图和球形图像，再利用二维图像相关的深度学习算法进行特征提取和学习，Charles R.Qi等人提出的MVCNN开创性的使用三维数据的二维视图作为卷积神经网络的输入，再利用池化层进行聚合以达到较优的分类和目标分割任务；(3)不管是基于体素的方法还是基于投影的方法，都存在一个很大的弊端，就是不管是将三维点云转化为体素还是多视图，都将占用大量内存资源，并且因为数据量级巨大，需要耗费大量计算资源，无法实现高效率的点云识别分割，因此，直接基于点的方法应运而生。2017年，由C.R.Qi,H.Su等人开创性地提出的PointNet，该网络通过几个共享多层感知机(Share MLP)学习各个点的特征，并通过最大池化层(Max pooling)提取全局形状特征，以达到基于点的方法实现点云目标分割。
[0003]激光雷达(Light Detection and Ranging,LiDAR)是采集三维点云数据的重要仪器，通过激光雷达扫描，可以获取目标的很多信息，包括三维坐标信息、强度信息、颜色信息等，与2D光学图像相比，三维点云数据能够好地反映周围的环境信息，因此，三维点云数据已经被应用到了包括自动驾驶、机器人技术、三维设计、医疗等诸多领域。而三维点云数据由于存在离散性、稀疏性、海量性，特别是类似于公路等户外场景下，点云数据的数据规模巨大且密度不均匀，导致目标分割算法的效率低和准确率低等问题。因此需要一种基于深度学习的多等级公路三维点云目标分割方法克服现有方法存在的问题。

技术实现思路

[0004]本专利技术的目的在于：本专利技术提供了一种基于深度学习的多等级公路三维点云目标分割方法，解决现有神经网络因多等级公路场景下点云数据具有数据规模大、密度不均匀
导致目标分割效率低和准确率低的问题。
[0005]本专利技术采用的技术方案如下：
[0006]一种基于深度学习的多等级公路三维点云目标分割方法，包括如下步骤：
[0007]步骤1：建立数据集：将多等级公路场景下的三维点云数据进行区域分段、点云滤波、数据抽稀和分类标注后，获得多等级公路场景下包含多类目标物的点云数据集；
[0008]步骤2：数据预处理：基于Map(Map数据结构)和K
‑
D树(k维树，是一种空间划分的数据结构，K
‑
D树其实是一个K维的二叉树，每一个节点包含K维的二叉树，树的每一个节点包含K维数据)实现大规模点云数据的数据预处理操作，降低点云数据的规模并保留原始数据与预处理后数据的映射关系，该映射关系用于快速还原点云数据：
[0009]步骤2.1：确定采样网格大小：根据点云数据的数据量规模和计算资源的算力大小，确定数据预处理时采样网格的大小，网格越大，预处理后的数据密度越小，反之，则预处理后的数据密度越大，网格大小设置为K*K*K，则代表边长为K的网格内只保留一个点；
[0010]步骤2.2：计算点云数据的投影范围以及点的索引位置：根据网格大小和输入点云数据的坐标范围，以网格大小为1个单位，重新构建坐标系，计算点云数据在新的坐标系下的投影范围，并遍历每一个点计算其在新坐标系的索引位置；
[0011]步骤2.3：构建Map结构存储点云数据并计算重心位置：构建Map结构用于存储点云数据的XYZ坐标，标签值，以及统计每一个索引位置点的数量，并利用坐标值和点数量计算该索引位置中点云数据的重心位置，以该位置点作为预处理后的点；
[0012]步骤2.4：构建K
‑
D树保存预处理后的点与原始点云的映射关系：以预处理后的每个点作为K
‑
D树的节点建立K
‑
D树，遍历原始点云所有的点，通过投影的方式，将原始点云的所有点投影到K
‑
D树相应的节点，用于后续在预处理后的点云数据上进行目标分割后快速还原为原始点云数据；
[0013]步骤3：构建并训练点云目标分割网络模型：构建包括输入层、随机采样层(包含特征聚合模块和注意力机制池化)、上采样层、输出层的目标分割网络模型，利用点云数据集训练并调优上述模型，基于训练好的模型获得最优模型；
[0014]其中，输入层根据输入的数据预处理后的点云数据进行样本提取，以获取采样点并作为后续特征提取的输入；随机采样层包括特征聚合模块和注意力机制池化，所述特征聚合模块将采样点及其邻近点的特征信息进行串联，增强采样点的特征向量，注意力机制池化自动学习局部特征信息(包含绝对位置、相对位置、欧氏距离)，汇总邻近点的特征信息的集合，最终生成相应的特征向量；上采样层通过随机采样层共享多层感知机对点云数据进行插值操作；所述输出层由全连接层组成，用于输出目标分割结果；
[0015]步骤4：基于训练好的模型获取目标分割结果：对待分割的公路三维点云数据执行数据预处理后，输入训练好的点云目标分割网络模型，以获取目标分割结果，根据目标分割结果通过K
‑
D树建立的映射关系快速还原为原始点云目标分割结果。
[0016]优选地，所述步骤1包括如下步骤：
[0017]步骤1.1：对原始公路点云数据进行区域分段：将长度不一的公路点云数据进行分段处理，每个路段长度设置为不超过300m，宽度设置不超过100m，且分段时保证每一个路段的目标物种类丰富；
[0018]步骤1.2：对分段后的点云数据进行滤波：根据点云数据在XYZ三个坐标轴的分布
范围，利用直通滤波器去除特定范围内的离群噪声点，再利用统计滤波器去除密度低于指定值(即密度较为稀疏)的离群噪声点；
[0019]步骤1.3：对滤波后的点云数据进行数据抽稀：根据分段滤波后的三维点云数据规模的大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的多等级公路三维点云目标分割方法，其特征在于，包括下列步骤：步骤1：建立数据集：将多等级公路场景下的三维点云数据进行区域分段、点云滤波、数据抽稀和分类标注后，获得多等级公路场景下包含多类目标物的点云数据集；步骤2：数据预处理：步骤2.1：将网格大小设置为K*K*K，即边长为K的网格内只保留一个点；步骤2.2：根据采样网格大小和输入点云数据的坐标范围，以网格大小为1个单位，重新构建新坐标系，计算点云数据在新坐标系下的投影范围，并遍历每一个点计算其在新坐标系的索引位置；步骤2.3：构建Map数据结构用于存储点云数据的三维坐标(X,Y,Z)，标签值，以及统计每一个索引位置点的数量，并利用坐标值和点数量计算该索引位置中点云数据的重心位置，以该重新位置作为预处理后的点；步骤2.4：构建K
‑
D树保存预处理后的点与原始点云的映射关系：以预处理后的每个点作为K
‑
D树的节点建立K
‑
D树，遍历原始点云所有的点，通过投影的方式，将原始点云的所有点投影到K
‑
D树相应的节点；步骤3：构建并训练点云目标分割网络模型：构建包括输入层、随机采样层、上采样层和输出层的目标分割网络模型，基于点云数据集的训练集训练并调优所述目标分割网络模型，获得训练好的目标分割网络模型；其中，输入层根据输入的数据预处理后的点云数据进行样本提取，以获取采样点并作为后续特征提取的输入；随机采样层包括特征聚合模块和注意力机制池化，所述特征聚合模块将采样点及其邻近点的特征信息进行串联，增强采样点的特征向量，注意力机制池化自动学习局部特征信息，汇总邻近点的特征信息的集合，最终生成相应的特征向量；上采样层通过随机采样层共享多层感知机对点云数据进行插值操作；所述输出层由全连接层组成，用于输出目标分割结果；步骤4：获取最终目标分割结果：对待分割的公路三维点云数据执行数据预处理，再输入...

【专利技术属性】
技术研发人员：邓建华，何佳霓，代铮，秦琪怡，杨杰，赵建恒，李龙，陶泊昊，郑凯文，苟晓攀，陈昱辰，魏卓，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：