一种基于物体遮挡补偿的点云语义分割方法及装置制造方法及图纸

本申请提供一种基于物体遮挡补偿的点云语义分割方法及装置，涉及自动驾驶技术领域，所述方法包括：从原始点云中随机选择一个点作为中心点，并将位于m个不同预设半径内的随机选择的n个点生成m个不同尺度的原始点云数据；利用预先训练完成点云语义分割模型，对m个不同尺度的原始点云数据进行处理，得到点云语义分割结果；所述点云语义分割模型用于融合m个不同尺度的原始点云数据的上下文关系。本申请通过融合多个尺度的原始点云数据的上下文关系，提高了点云语义分割精度。提高了点云语义分割精度。提高了点云语义分割精度。

【技术实现步骤摘要】
一种基于物体遮挡补偿的点云语义分割方法及装置


[0001]本申请涉及自动驾驶
，尤其是涉及一种基于物体遮挡补偿的点云语义分割方法及装置。

技术介绍

[0002]目前，PointNet在3D语义分割上取得了很好的效果。PointNet是一个深度神经网络，在用于语义分割时，它将一个点云作为输入，并输出每个点的语义类标签。首先，它将点云分割成一个3D块，然后在一个块内取N个点，然后经过一系列多层感知机(MLP)，这些点被映射到更高维度空间，这些被称为局部点特征。最大池化用于聚合来自所有点的信息，产生一个通用的全局特征不变量的输入排列。然后将全局特征与所有点特征连接起来。在经过一系列MLP之后，这些组合特征被用来预测输出分数。
[0003]上述方法存在的问题是：PointNet中的全局特性总结了单个块的上下文(块特性)，因此聚合的信息只在同一块内的点之间传递。块外部的上下文同样重要，可以帮助做出更明智的类标签预测。

技术实现思路

[0004]有鉴于此，本申请提供了一种基于物体遮挡补偿的点云语义分割方法及装置，以解决上述技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物体遮挡补偿的点云语义分割方法，其特征在于，包括：从原始点云中随机选择一个点作为中心点，并将位于m个不同预设半径内的随机选择的n个点生成m个不同尺度的原始点云数据；利用预先训练完成点云语义分割模型，对m个不同尺度的原始点云数据进行处理，得到点云语义分割结果；所述点云语义分割模型用于融合m个不同尺度的原始点云数据的上下文关系。2.根据权利要求1所述的方法，其特征在于，所述点云语义分割模型包括：融合单元、第一合并单元、第二合并单元和多层感知机；利用预先训练完成点云语义分割模型，对m个不同尺度的原始点云数据进行处理，得到点云语义分割结果；所述点云语义分割模型用于融合m个不同尺度的原始点云数据的上下文关系；包括：利用所述融合单元对m个尺度的原始点云特征分别进行升维和最大池化操作，得到m个尺度的128维特征向量，将m个尺度的128维特征向量进行拼接，得到128
×
m维特征向量；对n个128
×
m维特征向量与任意一个尺度的点云特征进行拼接，得到融合点云特征，其大小为n
×
(128
×
m+128)；利用所述第一合并单元对融合点云特征进行处理，得到第一公共点云特征，其大小为n
×
512；利用所述第二合并单元对第一点云公共特征进行处理，得到第二点公共云特征，其大小为n
×
256；利用所述多层感知机对第二点云公共特征进行处理，得到n个点的c个类别的得分，由此得到分类结果。3.根据权利要求2所述的方法，其特征在于，所述融合单元包括：m个升维分支、第一拼接单元、第一复制单元和第二拼接单元；所述升维分支包括依次连接的第一多层感知机、第二多层感知机和第一最大池化层；利用所述融合单元对m个尺度的原始点云特征分别进行升维和最大池化操作，得到m个尺度的128维特征向量，将m个尺度的128维特征向量进行拼接，得到128
×
m维特征向量；对n个128
×
m维特征向量与任意一个尺度的点云特征进行拼接，得到融合点云特征；包括：利用所述第一多层感知机将n个点的d维原始点云特征升维至64维；利用所述第二多层感知机将n个点的64维点云特征升维至128维；利用所述第一最大池化层对n个点的128维点云特征进行最大池化操作，得到128维特征向量；利用所述第一拼接单元对m个升维分支输出的m个128维特征向量进行拼接，得到128
×
m维特征向量；利用所述第一复制单元复制n
‑
1个128
×
m维特征向量，生成n个点的128
×
m维第一中间点云特征；利用所述第二拼接单元将n个点的128
×
m...

【专利技术属性】
技术研发人员：张新钰，谢涛，李骏，王力，戴崑，蒋志强，吴新刚，
申请(专利权)人：清华大学，
类型：发明
国别省市：