[發明專利]一種四維點云自動語義分割標注系統及方法

有效

• 申請號: 202210273992.X
• 申請日: 2022-03-20
• 公開（公告）號: CN114359562B
• 公開（公告）日: 2022-06-17
• 發明（設計）人: 呂呈剛;趙捷
• 申請（專利權）人: 寧波博登智能科技有限公司
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/774;G06V10/764;G06K9/62;G06T7/10
• 代理公司: 上海劍秋知識產權代理有限公司 31382
• 代理人: 徐浩俊

本發明公開了一種四維點云自動語義分割標注系統，涉及自動駕駛標注技術領域，包括數據上傳模塊，數據采樣模塊，前端模塊，四維點云自動標注模塊，指令發送模塊，結果獲取模塊；本發明還公開了一種四維點云自動語義分割標注方法，包括如下步驟：S100、采樣四維點云數據集獲得樣本集，S200、樣本集的人工標注，S300、四維點云預處理，S400、四維點云自動語義分割標注模型訓練，S500、模型推理以及結果后處理，S600、人工質檢和微調。本發明實現了點云語義分割標注的自動化，大幅縮減了人工標注的時間和成本。

技術領域

本發明涉及自動駕駛標注技術領域，尤其涉及一種四維點云自動語義分割標注系統及方法。

背景技術

近年來，伴隨著科學技術的發展與設備應用層面的更新迭代，自動駕駛已經逐步走進人類的生活當中。各大汽車主機廠、高校、研究所、高新科技企業都紛紛將自動駕駛相關的軟硬件技術落地作為工作的重心。感知環節是自動駕駛中最重要的環節之一，它充當了自動駕駛的“眼睛”。感知環節主要涉及到激光雷達、毫米波雷達、攝像頭等傳感器設備的應用，它能夠檢測周圍環境的信息，并送入后續的流程以供一系列分析和決策。自動駕駛場景中的感知環節離不開以深度學習為骨架的感知算法。深度學習是一項重度數據依賴的工作，訓練一個效果好，精度高，泛化性強的感知模型往往需要大量的有標簽數據。在這個環節中，如何高效、快速地獲得大量有標簽數據、提高數據標注的效率是一個至關重要的問題。對于進一步推進自動駕駛領域的發展，數據標注的重要性不言而喻。

激光雷達傳感器已成為現代自動駕駛車輛中不可或缺的設備。與傳統的攝像頭相比，它可以捕獲更精確和更遠的周圍環境距離測量值。從激光雷達傳感器的測量結果可構建出三維點云，可用于實現對自動駕駛規劃和執行的全面場景理解，其中激光雷達點云語義分割對于駕駛場景理解至關重要。語義分割旨在識別點云中每個點的預定義類別，例如轎車、卡車、行人等。

最近，深度學習的進步極大地推動了圖像分割的最新發展。一些現有的激光雷達語義分割方法遵循這條思路將三維點云投影到二維空間，并通過以二維卷積為主要模塊的深度神經網絡對其進行分割。然而，這類方法在三維到二維投影的過程中不可避免的丟失了準確的三維幾何關系和拓撲結構。另一種方式是利用體素化和三維卷積網絡來處理點云。體素化的過程可以理解成將點云轉化成一幅三維圖像，體素則代表這幅三維圖像中的最小單位，相當于二維圖片中的像素。一般的體素化方法是將點云按照立方體形狀均勻劃分成體素。然而，室外點云具有近密遠疏的特點，如果用立方體來進行體素劃分，則會導致近處的體素中的點多而密，而遠處的體素往往捕捉不到任何點。這樣就會產生大量的空體素，這些空體素在后續的三維卷積過程中不僅無法攜帶有意義的信息，而且會造成額外的計算開銷和顯存負擔。

針對上述問題，有學者提出將點云參照圓柱體進行體素劃分以適應室外點云近密遠疏的特點，在這種體素化方式下，近處的體素體積小而點云密，遠處的體素體積大而點云稀疏，這樣劃分出的體素所包含的點的數量相比于立方體體素化方法更加均勻。而然，他們的研究只停留在實驗層面，且只在大型的公開數據集上驗證了實驗結果。

目前市面上已可以找到三維點云的自動目標檢測標注系統，但是卻缺乏高效的自動語義分割標注系統。相比于三維點云目標檢測標注任務下的簡單拉框，三維點云的語義分割標注難度更高，操作更繁瑣。標注員工在操作時候會出現大量的錯檢、漏檢、以及精度無法保證的情況，且人工標注需要耗費大量的時間，效率低下。一個高精度的三維點云語義分割算法可以返回可靠的預標注結果，從而節省大量的人工標注時間。

因此，本領域的技術人員致力于開發一種四維點云自動語義分割標注系統及方法。

發明內容

有鑒于現有技術的上述缺陷，本發明所要解決的技術問題是如何提高語義分割算法預測的準確率，提高標注效率。