一种用于自动驾驶图像处理的点云数据的特征提取方法、系统及介质技术方案

一种用于自动驾驶图像处理的点云数据的特征提取方法，包括获取点云数据，确定合适的块划分尺寸，对点云数据执行分块操作；基于划分后的点云数据块，逐点进行特征提取算法处理，首先确定点所属的体素或柱；更新点的私有特征，同时累积点所属的体素或柱的公有特征；经过特征编码网络进行处理，并进行加和操作，获得完整特征提取网络运算结果。本发明专利技术在保证识别准确率不变的条件下，减少运行时对于中间运算结果的存储，大幅度降低算法的显存占用，完全消除对于零值数据的冗余运算，能够减少监测车辆周围三维物体的延迟，提高自动驾驶目标检测时效性和可靠性。检测时效性和可靠性。检测时效性和可靠性。

【技术实现步骤摘要】
一种用于自动驾驶图像处理的点云数据的特征提取方法、系统及介质


[0001]本专利技术涉及自动驾驶目标识别
，具体而言，涉及一种用于自动驾驶图像处理的点云数据的特征提取方法、系统及存储介质。

技术介绍

[0002]点云数据在自动驾驶系统中十分常用，相比传统二维图像数据，它提供了丰富的深度信息。然而由于它具有高度不规则的稀疏性，因此在以点云数据为输入的目标识别算法中，主干网络之前常常需要特征提取网络学习提取点云数据特征。
[0003]目前特征提取网络可分为两类：基于点的特征提取网络和基于网络的特征提取网络。前者会通过最大点采样、图聚类等方法将点云数据划分为点集，此方法的运算开销和延迟开销较大。后者基于网格的特征提取网络会将点云数据划分为多个体素或柱，随后通过编码网络对每个体素或柱进行特征编码，此方法以其高度规则化的数据信息和高准确率的优点，被目前多种主流自动驾驶目标识别网络所采用。
[0004]目前基于体素或柱的特征提取网络的优化策略主要依靠剪枝和量化来减小网络的规模，然而面临着网络准确率降低的问题；并且由于网络算法的强耦合性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于自动驾驶图像处理的点云数据的特征提取方法，其特征在于，包括：S1，获取目标表面的点云数据；S2，对所述点云数据逐点、逐体素或逐柱进行特征提取，确定点所属体素或柱；S3，根据输入点所属体素或柱位置信息，更新点的私有特征，并通过特征编码网络进行编码，存储私有特征的编码特征；S4，根据输入点所属体素或柱位置信息，判断当前点的对公有特征是否是体素或柱内最后一点，若是，则通过特征编码网络进行编码，存储公有特征的编码特征，否则，则累积相应体素或柱的公有特征；S5，将步骤S4和步骤S5得到的体素或柱对应的特征点的私有特征的编码特征和公有特征的编码特征进行加和，即得到完整的编码特征。2.根据权利要求1所述的用于自动驾驶图像处理的点云数据的特征提取方法，其特征在于，还包括在所述步骤S1获取目标表面的点云数据后，对点云数据进行预处理，具体包括：根据所需点云数据块的尺寸和形状，对点云数据进行数据分块操作；每一个点云数据块中包含了多个体素或柱，数据块内的点云特征点采取随机或者顺序排列的方式存储。3.根据权利要求1所述的用于自动驾驶图像处理的点云数据的特征提取方法，其特征在于，所述步骤S2中对所述点云数据逐点进行特征提取，具体是对点的特征进行解耦处理，将点的特征向量...

【专利技术属性】
技术研发人员：贺光辉，王宏伟，罗飞，李阳，薛辉，
申请(专利权)人：北京辉羲智能科技有限公司，
类型：发明
国别省市：