[發明專利]一種高精地圖要素自動化提取的方法

有效

• 申請號: 202211587117.5
• 申請日: 2022-12-12
• 公開（公告）號: CN115588178B
• 公開（公告）日: 2023-05-02
• 發明（設計）人: 白慧鵬;馮建亮;朱必亮;錢志奇;李俊
• 申請（專利權）人: 速度時空信息科技股份有限公司
• 主分類號: G06V20/56
• 分類號: G06V20/56;G06V10/26;G06V10/75;G06V10/762;G06V10/764;G06V10/77;G06V10/774
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 王素琴

1.一種高精地圖要素自動化提取的方法，其特征在于，具體包括以下步驟：

S1模型訓練：對采集的點云數據進行預處理，將處理后的點云數據作為基于深度學習的語義點云自動化提取模型訓練的輸入，進行語義點云自動化提取模型訓練，并輸出語義點云自動化提取模型；

S2語義化點云：對增強處理后的點云數據采用步驟S1中得到的語義點云自動化提取模型進行語義化分割處理，獲得語義點云數據；

S3單體化點云：對步驟S3中獲得的語義點云數據進行單體化處理，獲得單體化點云數據；

S4自動化提取：對單體化點云數據進行點要素、線要素和面要素的幾何信息的自動化提取，獲得高精地圖的三維矢量要素；

所述步驟S1的具體步驟為：

S11數據準備：對采集的點云數據依次進行標注、清洗和增強處理，獲得增強處理后的點云數據；

S12模型準備：分別定義模型訓練所需的網絡、數據、損失函數及優化器和評估訓練結果的指標，為模型訓練做準備；

S13模型訓練：設置超參，將增強處理后的點云數據基于深度學習的語義點云自動化提取模型訓練的輸入，進行語義點云自動化提取模型訓練，再對訓練完成的點云語義分割算法模型進行精度驗證，并輸出滿足泛性的語義點云自動化提取模型。

2.根據權利要求1所述的高精地圖要素自動化提取的方法，其特征在于，所述步驟S13具體包括以下步驟：

S131：設置超參，包括學習速率、迭代次數、卷積核的大小和激活函數的選擇；

S132：將增強處理后的點云數據作為基于深度學習的語義點云自動化提取模型訓練的輸入，進行語義點云自動化提取模型訓練；

S133：判斷訓練的語義點云自動化提取模型輸出的結果是否為全局最優，若是全局最優，則轉至步驟S134驗證模型的精度；若不是全局最優，則返回步驟S132重新進行模型訓練，循環步驟S132～S133，直至輸出的結果為全局最優；

S134：若滿足精度，則輸出模型，并轉至步驟S135評定該模型是否滿足泛性；若不滿足精度，則返回步驟S131，重新設置超參，循環步驟S131～S134，直至訓練獲得的語義點云自動化提取模型滿足精度驗證，即在測試數據集中語義分割的準確率大于90％；

S135：若滿足泛性評定，即在項目點云數據中的點云語義分割精度大于90％，則進行模型部署應用；若不滿足泛性評定，則返回步驟S12，重新進行參數定義，并循環步驟S131～S135直至訓練獲得的語義點云自動化提取模型滿足泛性評定。

3.根據權利要求1所述的高精地圖要素自動化提取的方法，其特征在于，所述步驟S2的具體步驟為：

S21：首先對采集的點云數據進行降采樣，建立每個保留的特征點和過濾掉的非特征點的關系；

S22：然后對降采樣后的特征點進行屬性判斷，確定屬性后再將特征點屬性分配給非特征點；

S23：采用語義分割方法對三維點云坐標和標志牌類的小目標檢測進行分割，完成數據的語義分割，獲得語義點云數據。

4.根據權利要求3所述的高精地圖要素自動化提取的方法，其特征在于，所述步驟S23的具體步驟為：

S231：對于三維點云坐標信息輸入，融合RGB信息并且利用VFE模型結構挖掘1088維的特征結構信息作為多層感知機的信息輸入；

S232：對于標志牌類的小目標檢測，在語義點云自動化提取模型中加入特征金字塔結構，并在每個層級采用MSG或MRG策略充分利用各階段的特征信息；

S233：若出現數據類別誤差超過設定誤差范圍，則采用Focal?Loss思想對損失函數進行改進，減少數據類別的誤差，其損失函數如下所示：

FL(p_t)＝-α_t(1-p_t)^γlog(p_t)；

其中，-log(p_t)為初始交叉損失函數，γ為類別間的權重參數，(1-p_t)^γ為簡單困難樣本調節因子，α為聚焦參數。