[發明專利]基于神經網絡的畸變三維點云分割方法

在審

• 申請號: 202011344486.2
• 申請日: 2020-11-26
• 公開（公告）號: CN112561922A
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 英向華;王睿彬;佟新;楊錦發;趙赫;石永杰
• 申請（專利權）人: 北京大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T5/00;G06N3/08;G06N3/04
• 代理公司: 北京萬象新悅知識產權代理有限公司 11360
• 代理人: 黃鳳茹

本發明公布了一種基于神經網絡的畸變點云分割方法，利用神經網絡模型的擬合能力，在原始空間點云的基礎上，構建用于車載畸變點云分割的深度網絡模型，包括：點云提升網絡模塊，提升空間規范化點云網絡模塊，編碼預測網絡模塊，能夠準確高效地分割任意畸變的三維點云，屬于三維點云分割技術領域。

技術領域

本發明屬于三維點云分割技術領域，具體提出了一種新的基于神經網絡的畸變三維點云分割方法，該方法在高維提升空間學習點云的統一表示，從而實現對畸變點云進行精確分割。

背景技術

激光車載雷達具有廣闊的探測范圍和小巧的體積，因此在無人駕駛中廣泛應用。激光車載雷達可以實時采集環境的三維點云數據，并結合點云算法進行實時分割，有助于系統充分理解汽車所在場景的屬性，以做出相應決策，是無人車的“眼睛”。然而，由于車載雷達在隨車運行中產生的視角變化和抖動等因素，采集到的三維點云容易出現形狀和姿態的改變，導致生成的點云與真實物體之間存在畸變。這使得現有的點云分割算法難以直接應用在無人駕駛產生的畸變點云中，造成顛簸路段的無人車不能正常運行。

為了解決這一問題，傳統點云分割方法往往依靠點云中不受畸變影響的特征，如提取點坐標間的差值、距離，但這類現有的方法只能解決點云平移、旋轉產生的剛性變換，無法解決車輛顛簸所產生的點云物體形化。另一些方法從畸變點云中學習規范矩陣，來規范化輸入點云到統一形態。這種方法理論上可以解決所有可通過規范矩陣表示的畸變，但是對矩陣的學習有很高精度要求，導致無法在無人駕駛時實現實時處理。

發明內容

針對現有技術的不足，本發明提出一種基于神經網絡的畸變點云分割方法，利用神經網絡強大的擬合能力，可以準確高效地分割任意畸變的三維點云。

為了實現這一目的，本發明在原始點云的基礎上，構建了用于車載畸變點云分割的深度網絡模型，包括三個處理模塊：一個點云提升網絡模塊，一個在提升空間規范化點云網絡模塊，一個編碼預測網絡模塊，實現了對車載雷達采集到的畸變三維點云準確高效地分割。

本發明的技術方案如下(流程參見圖1)：

一種基于神經網絡的畸變點云分割方法，其特征在于，

-該方法利用神經網絡提取不同空間內點云豐富的規范化信息，對畸變點云進行分割；

-具體實現步驟如下：

A.構建用于車載畸變點云分割的深度網絡模型，包括

A1)點云提升網絡模塊；

A2)提升空間點云規范化網絡模塊；

A3)編碼預測網絡模塊；

點云提升網絡模塊用于提升點云特征維度，從而使網絡模型精確學習規范化矩陣。該模塊的輸入是大小為1024×3的原始空間的點云P，點云P由1024個空間點坐標p₁,p₂,…,p_i,…,p₁₀₂₄構成，其中每個點p_i由三維空間坐標表示；點云從原始空間到提升空間的轉化是通過提升函數實現，對于每一個點p_i＝[x,y,z],升維后的高維點坐標為：

ν(P)＝ν(x,y,z)＝[x²,xy,xz,y²,yz,z²]

其中，是提升函數，用于升高點云所在的空間維度，同時每個點都被表示成由原始坐標組成的階次更高的單項式。網絡模塊輸出是大小為1024×6的提升空間的點云ν(P)。