[發明專利]一種基于融合體素的三維點云標記方法和裝置

有效

• 申請號: 201810861715.4
• 申請日: 2018-08-01
• 公開（公告）號: CN109118564B
• 公開（公告）日: 2023-09-19
• 發明（設計）人: 馬燕新;魯敏;涂兵;郭裕蘭;雷印杰
• 申請（專利權）人: 山東佳音信息科技有限公司
• 主分類號: G06T15/00
• 分類號: G06T15/00;G06N3/0464
• 代理公司: 南京司南專利代理事務所(普通合伙) 32431
• 代理人: 何毅

1.一種基于融合體素的三維點云標記方法，其特征在于，所述方法包括：

對三維點云數據集進行體素化處理，并基于處理結果在體素內進行體素特征提取形成第一體素特征矩陣；

將所述第一體素特征矩陣作為三維卷積神經網絡的輸入以計算得到體素的多尺度特征，并對該多尺度特征進行特征串聯融合以得到第二體素特征矩陣；

基于特征插值算法將所述第二體素特征矩陣中的體素特征擴展至所述三維點云數據集中的各點中以得到點云特征矩陣；

將所述點云特征矩陣輸入多層感知器中以實現對三維點云的屬性標記；

基于處理結果在體素內進行點云特征提取形成第一體素特征矩陣的步驟包括：

針對每個體素中的點云計算該點云的中心坐標，并基于該中心坐標對所述體素中的點云數據進行中心歸一化處理以得到初始數據矩陣；

將所述初始數據矩陣輸入LGAB模塊中以實現逐點的局部特征描述，并采用最大值池化對體素內的局部特征集合進行逐點池化操作以得到體素的全局特征并作為第一體素特征矩陣；

基于特征插值算法將所述第二體素特征矩陣中的體素特征擴展至所述三維點云數據集中的各點中的步驟包括：

針對所述三維點云數據集中的每個點分別作為目標點，在由所述第二體素特征矩陣形成的體素空間中搜索與該目標點最近的預設數量的體素作為鄰域體素；

對所述鄰域體素的體素特征進行擴展計算以得到所述目標點的點云特征。

2.根據權利要求1所述的基于融合體素的三維點云標記方法，其特征在于，對點云進行體素化處理的步驟包括：

按照預設體素尺寸將點云坐標空間劃分為多個體素；

按照所述體素的柵格參數將所述三維點云數據集中的各點歸類至對應的體素中；

對歸類后的各體素中的點進行采樣以使得體素中的點的數量達到第一預設值。

3.根據權利要求2所述的基于融合體素的三維點云標記方法，其特征在于，對歸類后的各體素中的點進行采樣的步驟包括：

若體素中包含的點的數量大于第一預設值，則從當前體素中隨機采樣第一預設值個點以使該體素中的點的數量達到所述第一預設值；

若體素中包含的點的數量小于第一預設值，則從當前體素中隨機選取一個或多個點進行復制以使該體素中的點的數量達到所述第一預設值。

4.根據權利要求1所述的基于融合體素的三維點云標記方法，其特征在于，將所述第一體素特征矩陣作為三維卷積神經網絡的輸入以計算得到體素的多尺度特征的步驟包括：

將所述體素特征矩陣轉換為4維張量，并將該4維張量分別輸入具有不同大小的卷積核的三維卷積神經網絡中以計算得到不同尺度下的體素特征；

將所述不同尺度下的體素特征分別輸入具有不同大小的卷積核的三維反卷積神經網絡中以得到多個不同尺度的體素特征，其中，在進行卷積時的各所述三維卷積神經網絡的卷積核大小與進行反卷積時的各所述三維反卷積神經網絡的卷積核大小對應相同。

5.根據權利要求1所述的基于融合體素的三維點云標記方法，其特征在于，所述目標點p的點云特征F_p為其中，表示根據目標點p與第j個鄰域體素中的中心點c_j之間的歐式距離得到的權重參數，F_v^j表示第j個鄰域體素的體素特征。

6.根據權利要求1所述的基于融合體素的三維點云標記方法，其特征在于，所述基于融合體素的三維點云標記方法還包括：

將完成屬性標記的三維點云輸入CRF-RNN網絡中進行點云屬性標記優化。