一种跨车载激光雷达配置的点云自适应语义分割方法技术

本发明专利技术提出一种跨车载激光雷达配置的点云自适应语义分割方法，具体为：建立深度隐式表达框架，重建车载激光点云的三维场景连续表面；基于局部几何统计的近似无符号距离场，构建深度隐式表达框架的自监督学习范式；构建源场景与目标场景的无符号距离场；获取源场景与目标场景云点级分布对齐的隐式表达空间点云；构建源场景隐式表达空间点云语义分割数据集；基于隐式表达空间数据集训练语义分割模型；基于近邻辐射的原始目标场景点云语义标签推断；本发明专利技术基于三维隐式表达对空间连续表面高质量重建，建立基于自监督的车载激光点云场景隐式表达方法，对隐式表达空间进行重采样，实现跨车载激光雷达配置点云的点级分布对齐，避免了显式重构标准域

【技术实现步骤摘要】
一种跨车载激光雷达配置的点云自适应语义分割方法


[0001]本专利技术涉及点云深度学习
、
迁移学习
，尤其是一种跨车载激光雷达配置的点云自适应语义分割方法
。

技术介绍

[0002]车载激光扫描系统
(Mobile Laser Scanning System)
作为测绘领域的高新技术，能够高效
、
精准地获取道路场景的点云数据，被广泛应用于地图制图
、
城市三维重建
、
智慧交通等领域
。
然而，基于车载激光点云的数据特点
(
数据量大
、
空间分布不均匀等
)
，导致高效且智能化地分类识别车载激光点云数据中的地物目标信息，仍然面临着诸多挑战
。
[0003]近年来，随着点云深度学习的发展，基于深度学习的点云语义分割也取得了较大的突破
。
点云语义分割的目的是为点云数据中的每个点标注一种语义类别，而针对车载激光点云则主要为每个点标注如，路面
、
交通指示牌
、
交通信号灯
、
客车
、
货车
、
行人
、
行道树
、
路灯
、
栅栏
、
建筑物等语义标签，从而提取车载激光点云数据中的道路场景信息
。
[0004]相比于传统点云分类方法，基于深度学习的车载激光点云语义分割方法具有更高的智能化程度和更优的语义分割性能
。
然而，深度学习自身作为一种数据驱动的方法，不仅依赖大量的训练数据，而且要求训练数据和测试数据满足独立同分布的假设
。
此外，常常由于不同的车载激光扫描系统可能配置不同类型或不同数量的激光扫描仪，甚至是同一车载激光扫描系统在不同作业行驶速度下，均会导致当用于训练的源场景车载激光点云与实际应用的目标场景车载激光点云之间存在显著差异
。
[0005]然而，目前国内外还没有一个较为成熟的算法能够解决深度学习框架下跨车载激光雷达配置的点云自适应语义分割
。
[0006]本专利技术针对以上问题提出解决方案
。

技术实现思路

[0007]本专利技术提出一种跨车载激光雷达配置的点云自适应语义分割方法，用以解决基于深度学习的车载激光点云语义分割方法面向实际应用时跨激光雷达配置的应用泛化问题
。
[0008]本专利技术采用以下技术方案
。
[0009]一种跨车载激光雷达配置的点云自适应语义分割方法，能在以搭载不同激光扫描仪的车载激光扫描系统获取点云数据后，对点云数据进行自适应语义分割，包括以下步骤；
[0010]步骤
S1、
利用搭载激光雷达的车载激光扫描系统，采集用于语义分割模型训练的点云，作为源场景车载激光点云使用；利用搭载另一种激光雷达的车载激光扫描系统采集的
、
且用于语义分割模型测试的点云，作为目标场景车载激光点云使用；基于源场景车载激光点云
、
目标场景车载激光点云，建立用于隐式表示三维场景的深度神经网络模型，作为三维场景深度隐式表达框架，以此重建车载激光点云的三维场景连续表面；
[0011]步骤
S2、
使用基于局部几何统计的近似无符号距离场，构建三维场景深度隐式表达框架的自监督学习范式，确保隐式空间连续场景表面的高保真重建；
[0012]步骤
S3、
使用上述基于近似无符号距离场的自监督学习范式训练的三维场景深度隐式表达框架，对给定的源场景车载激光点云和目标场景车载激光点云进行查询点无符号距离推断，分别建立源场景和目标场景的无符号距离场；
[0013]步骤
S4、
使用无符号距离阈值对源场景车载激光点云和目标场景车载激光点云进行重采样，获得隐式表达空间的相应点云，实现跨车载激光雷达配置点云的点级分布对齐；
[0014]步骤
S5、
使用源场景车载激光点云标签数据对其隐式表达空间点云进行近邻标签投票，构建隐式表达空间的源场景的语义分割训练数据集；
[0015]步骤
S6、
使用所述语义分割训练数据集训练并优化点云语义分割模型；
[0016]步骤
S7、
使用优化训练好的所述语义分割模型对隐式表达空间目标场景点云进行逐点语义标签推断，并将推断结果进行近邻辐射，完成所述跨车载激光雷达配置的点云自适应语义分割
。
[0017]步骤
S1
具体包括以下步骤；
[0018]步骤
A1、
使用基于三维卷积神经网络
3DCNN
的编码器，将给定的源场景车载激光点云和目标场景车载激光点云映射为一个场景几何结构感知的特征表示，即建立涵盖源场景车载激光点云和目标场景车载激光点云的场景隐式表达框架；具体为：
[0019]针对给定的车载激光点云利用基于
3DCNN
的编码器
θ
将给定点云
P
映射为一个场景几何结构感知的特征表示
v
＝
θ
(P)
，并将其视为给定点云
P
潜在场景表面的隐空间特征表示；
[0020]步骤
A2、
从所述给定点云的最小包围框内随机采样查询点；具体为：
[0021]从给定点云
P
的最小包围框内随机采样
K
个查询点，记为
[0022]步骤
A3、
使用隐函数解码器，以所述场景几何结构感知特征表示和所述查询点作为输入，为每个查询点回归一个隐式值，具体为：
[0023]联合隐式神经表达，定义每个查询点
q
k
∈Q
的隐式值，即查询点到潜在场景表面的距离，具体形式如下：
[0024]f
P
(q
k
)
＝
ψ
(q
k
,v)
[0025]其中，
f
P
为给定点云
P
所对应潜在场景表面的隐函数；
[0026]步骤
A4、
查询点到潜在场景表面的无符号距离，即：利用隐函数解码器
ψ
，以潜在场景表面的隐空间特征表示和查询点作为输入，为每个查询点回归一个隐式值，其中隐式值被设置为查询点到潜在场景表面的无符号距离
。
[0027]步骤
S2
具体包括以下步骤；
[0028]步骤
B1
：针对给定车载激光点云
P
，计算每个点
p
i
到其
M
个近邻点的平均距离，记为
d
i
，表示点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种跨车载激光雷达配置的点云自适应语义分割方法，能在以搭载不同激光扫描仪的车载激光扫描系统获取点云数据后，对点云数据进行自适应语义分割，其特征在于：包括以下步骤；步骤
S1、
利用搭载激光雷达的车载激光扫描系统，采集用于语义分割模型训练的点云，作为源场景车载激光点云使用；利用搭载另一种激光雷达的车载激光扫描系统采集的
、
且用于语义分割模型测试的点云，作为目标场景车载激光点云使用；基于源场景车载激光点云
、
目标场景车载激光点云，建立用于隐式表示三维场景的深度神经网络模型，作为三维场景深度隐式表达框架，以此重建车载激光点云的三维场景连续表面；步骤
S2、
使用基于局部几何统计的近似无符号距离场，构建三维场景深度隐式表达框架的自监督学习范式，确保隐式空间连续场景表面的高保真重建；步骤
S3、
使用上述基于近似无符号距离场的自监督学习范式训练的三维场景深度隐式表达框架，对给定的源场景车载激光点云和目标场景车载激光点云进行查询点无符号距离推断，分别建立源场景和目标场景的无符号距离场；步骤
S4、
使用无符号距离阈值对源场景车载激光点云和目标场景车载激光点云进行重采样，获得隐式表达空间的相应点云，实现跨车载激光雷达配置点云的点级分布对齐；步骤
S5、
使用源场景车载激光点云标签数据对其隐式表达空间点云进行近邻标签投票，构建隐式表达空间的源场景的语义分割训练数据集；步骤
S6、
使用所述语义分割训练数据集训练并优化点云语义分割模型；步骤
S7、
使用优化训练好的所述语义分割模型对隐式表达空间目标场景点云进行逐点语义标签推断，并将推断结果进行近邻辐射，完成所述跨车载激光雷达配置的点云自适应语义分割
。2.
根据权利要求1所述的一种跨车载激光雷达配置的点云自适应语义分割方法，其特征在于：步骤
S1
具体包括以下步骤；步骤
A1、
使用基于三维卷积神经网络
3DCNN
的编码器，将给定的源场景车载激光点云和目标场景车载激光点云映射为一个场景几何结构感知的特征表示，即建立涵盖源场景车载激光点云和目标场景车载激光点云的场景隐式表达框架；具体为：针对给定的车载激光点云利用基于
3DCNN
的编码器
θ
将给定点云
P
映射为一个场景几何结构感知的特征表示
v
＝
θ
(P)
，并将其视为给定点云
P
潜在场景表面的隐空间特征表示；步骤
A2、
从所述给定点云的最小包围框内随机采样查询点；具体为：从给定点云
P
的最小包围框内随机采样
K
个查询点，记为步骤
A3、
使用隐函数解码器，以所述场景几何结构感知特征表示和所述查询点作为输入，为每个查询点回归一个隐式值，具体为：联合隐式神经表达，定义每个查询点
q
k
∈Q
的隐式值，即查询点到潜在场景表面的距离，具体形式如下：
f
P
(q
k
)
＝
ψ
(q
k
,v)
其中，
f
P
为给定点云
P
所对应潜在场景表面的隐函数；步骤
A4、
查询点到潜在场景表面的无符号距离，即：利用隐函数解码器
ψ
，以潜在场景表
面的隐空间特征表示和查询点作为输入，为每个查询点回归一个隐式值，其中隐式值被设置为查询点到潜在场景表面的无符号距离
。3.
根据权利要求2所述的一种跨车载激光雷达配置的点云自适应语义分割方法，其特征在于：步骤
S2
具体包括以下步骤；步骤
B1
：针对给定车载激光点云
P
，计算每个点
p
i
到其
M
个近邻点的平均距离，记为
d
i
，表示点
p
i
的局部几何近邻性；步骤
B2
：统计点云
P
中所有点的局部几何近邻平均值，作为点云
P
潜在场景表面近似无符号距离场
D
P
的逼近阈值
d
t
，进而实现对给定点云稀疏性的自适应逼近阈值选取；步骤
B3
：对比查询点与其最近邻点的距离，当查询点
q
与其最近邻点的距离
d
q
小于逼近阈值
d
t
时，沿最近邻点
p
N
的法向计算查询点
q
到以最近邻点
p
N
为球心
、d

【专利技术属性】
技术研发人员：罗海峰，黄添强，黄丽清，
申请(专利权)人：福建师范大学，
类型：发明
国别省市：