【技术实现步骤摘要】
本专利技术属于三维图像处理，尤其涉及一种针对单模态稀疏轨道场景的点云分割方法和系统。
技术介绍
1、随着列车自动驾驶技术的快速发展，轨道列车正逐渐从手动驾驶转向自动驾驶。而准确的前方场景感知和异物侵限检测是列车自动驾驶的基础。激光雷达作为一种主动式三维成像设备，相比与于视觉传感器，它的优势是可以获得场景的三维信息。而且不受光照的影响，可应对黑夜、浓雾等极端的环境。基于这些优点，激光雷达已经成为各种自动驾驶系统中最常用的场景感知传感器。
2、目前点云分割已经成为计算机视觉和人工智能领域的重要方向，在城市交通、机器人及航天等的自动驾驶领域研究都以激光雷达为主要研究方向，传统的二维成像技术也已逐渐向激光雷达方向转变。虽然现有的点云识别方法在固定雷达测绘下得到的多模态点云数据集上已经取得了极高的识别准确率，但是对于自动列车运行场景下的应用，依然存在着一些关键性的问题。
3、首先，常用的相关方法通常将rgb颜色信息作为点云特征的重要组成部分，而现有的基于深度学习的点云分割算法主要依赖三维卷积操作来提取多模态特征，但在自动列...
【技术保护点】
1.一种针对单模态稀疏轨道场景的点云分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的点云分割方法，其特征在于：在步骤2中，ULIA使用相邻编码对点云进行特征融合，将点云中每个点邻域点的相对位置信息聚合到中心点上，提升点的特征维度；AFU对于多个不同ULIA的输出点云分别进行不同尺度的上采样和维度调整后输入AMFF；AMFF通过使用激活函数计算专注系数，对不同提取层的特征点云进行有选择性的融合保留。
3.根据权利要求1所述的点云分割方法，其特征在于：在步骤3中，ULIA模块包括相邻编码模块NEB和联合池化模块JPB，其中，NEB包括...
【技术特征摘要】
1.一种针对单模态稀疏轨道场景的点云分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的点云分割方法，其特征在于：在步骤2中，ulia使用相邻编码对点云进行特征融合，将点云中每个点邻域点的相对位置信息聚合到中心点上，提升点的特征维度；afu对于多个不同ulia的输出点云分别进行不同尺度的上采样和维度调整后输入amff；amff通过使用激活函数计算专注系数，对不同提取层的特征点云进行有选择性的融合保留。
3.根据权利要求1所述的点云分割方法，其特征在于：在步骤3中，ulia模块包括相邻编码模块neb和联合池化模块jpb，其中，neb包括1次邻域编码运算操作、1个多层感知机和1次拼接操作，通过在每个点中嵌入相邻点的信息来有效地学习邻域点的局部特征信息；jpb包括1个平均池化层、1个最大池化层、1个多层感知机和1次拼接操作，平均池化层与最大池化层并联使用以回归点群的特征，多层感知机和拼接用于输出含有高维度的特征的结果，以将邻域点群的特征回归到一个点上。
4.根据权利要求1所述的点云分割方法，其特征在于：在步骤3中，每次训练过程中总计堆叠使用5次ulia，以不断提升特征点云的特征维度，在每次使用该网络后，通过使用一次最远点采样来进行下采样，以减少点云中点的个数，对于每次下采样得到的点云，自适应上采样模块a...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。