[發(fā)明專利]一種基于點云語義標注和優(yōu)化的點云分類方法

有效

• 申請?zhí)枺?/td>: 201910492227.5
• 申請日: 2019-06-06
• 公開（公告）號: CN110210431B
• 公開（公告）日: 2021-05-11
• 發(fā)明（設計）人: 黃榮;葉真;徐聿升;潘玥;顧振雄
• 申請（專利權）人: 上海黑塞智能科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06T7/11
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 趙繼明

本發(fā)明涉及一種基于點云語義標注和優(yōu)化的點云分類方法，該方法包括以下步驟：步驟1：使用PointNet++對原始點云數(shù)據(jù)進行預分類，獲得點云預分類結果；步驟2：針對預分類結果使用全局空間正則化進行分類結果優(yōu)化，得到最終點云分類結果。與現(xiàn)有技術相比，本發(fā)明提出了獲取點云語義標簽并改進分類結果的通用框架。在提出的通用框架內，可以使用同類算法對現(xiàn)有步驟進行替換，對三維點云的初始標注結果進行了基于圖結構正則化的優(yōu)化方法，實現(xiàn)了語義標注的空間平滑性，可以在實現(xiàn)相同點云分類結果的前提下，僅需求較少量的訓練數(shù)據(jù)。

技術領域

本發(fā)明涉及計算機技術領域，尤其是涉及一種基于點云語義標注和優(yōu)化的點云分類方法。

背景技術

LiDAR技術可以在城市場景中容易地獲取三維空間信息，其被表示為三維點云。然而，一組非結構化的點并不能直接和明確地描述現(xiàn)實世界中的對象的語義信息。具體而言，點云的實際應用與該三維原始數(shù)據(jù)的原始表示之間存在著語義的缺失。因此，給點云賦予準確的語義信息已經成為了許多三維應用項目的基礎。然而，由于城市環(huán)境的復雜性，獲取點云的質量可能受到許多方面的影響，例如由掃描誤差引起的噪聲和異常值，由掃描儀測量距離變化引起的不均勻點云密度，由此引起的遮擋，受限的觀察位置和動態(tài)物體引起的干擾等等，這些都使得城市場景下點云的語義場景分析仍然是一項具有挑戰(zhàn)性的任務。

通常，語義場景分析的目標是為點云中的每個點分配語義標簽。傳統(tǒng)上，語義標記折衷地為點云中的每個點提取各種手工設計的特征，并將它們連接成特征向量，然后將該特征向量應用在訓練樣本上，并投入分類器進行訓練。所使用的分類器包括AdaBoost，支持向量機(SVM)和隨機森林等等。這些監(jiān)督統(tǒng)計方法是應用于此任務的最常用方法。然而，對于這些監(jiān)督的逐點分類方法，盡管由于手工設計特征已經表現(xiàn)了極佳的能力，可以通過這種簡單的程序產生良好的分類結果，但是分類結果可能是不均勻的，尤其是在具有低密度點的區(qū)域中。點云密度的不同會引起鄰域選取的不足，從而造成物體類別邊界的失準。

為了增強語義標注結果的區(qū)域平滑性，目前已經提出了一些基于上下文分類方法(例如，馬爾可夫隨機場或條件隨機場)。在此類方法中，不僅考慮所提取的特征而且考慮其周圍點的標記來對每個點進行分類。隨著空間平滑度的提高，分類結果無可置疑地得到改進，同時伴隨著高昂的計算成本。隨著高性能計算資源的可用性和對大規(guī)模數(shù)據(jù)集的訪問，近年來深度學習技術已經蓬勃發(fā)展，并且在許多領域中似乎是引人注目的工具(例如，圖像分類，分割以及對象檢測和跟蹤)。在三維點云分類中，從PointNet派生的深度學習技術，使得三維點集可以直接用作網絡的輸入，并且結合上面提到的特征提取和監(jiān)督分類步驟來實現(xiàn)端到端分類策略，這大大簡化了語義標注的流程。同時在PointNet的流程中，學習了本地和全局特征，這提高了考慮每個點的本地上下文的能力。然而，對于像PointNet這樣的深度學習技術，在某種程度上，分類的結果依賴于預處理中的采樣和分割方法，以及后處理的插值方式，因為輸入的樣本數(shù)量需要在被饋送到網絡時固定。在這些步驟中將引入每個分裂點集的邊界中的一些分類錯誤和無效性。

發(fā)明內容

本發(fā)明的目的就是為了克服上述現(xiàn)有技術存在的缺陷而提供一種基于點云語義標注和優(yōu)化的點云分類方法。

本發(fā)明的目的可以通過以下技術方案來實現(xiàn)：

一種基于點云語義標注和優(yōu)化的點云分類方法，其特征在于，該方法包括以下步驟：

步驟1：使用PointNet++對原始點云數(shù)據(jù)進行預分類，獲得點云預分類結果；

步驟2：針對預分類結果使用全局空間正則化進行分類結果優(yōu)化，得到最終點云分類結果。

優(yōu)選地，所述的步驟1具體包括：使用PointNet++的自動編碼器部分對原始點云數(shù)據(jù)進行預分類，獲得點云預分類結果。

優(yōu)選地，所述PointNet++的自動編碼器部分的輸入為城市場景與預訓練模型對應的ShapeNet數(shù)據(jù)集。