[发明专利]一种基于融合体素的三维点云标记方法和装置

说明书

本发明实施例提供一种基于融合体素的三维点云标记方法和装置。其中，基于融合体素的三维点云标记方法包括对三维点云数据集进行体素化处理，并基于处理结果在体素内进行体素特征提取形成第一体素特征矩阵；将第一体素特征矩阵作为三维卷积神经网络的输入以计算得到体素的多尺度特征，并对该多尺度特征进行特征串联融合以得到第二体素特征矩阵；基于特征插值算法将第二体素特征矩阵中的体素特征扩展至三维点云数据集中的各点中以得到点云特征矩阵；将点云特征矩阵输入多层感知器中以实现对三维点云的属性标记。本发明能够实现逐点的较为精细的分类识别，以进一步提升点云标记性能。

技术领域

本发明涉及数据标记技术领域，具体而言，涉及一种基于融合体素的三维点云标记方法和装置。

背景技术

随着最近几年三维传感器(如LiDAR、Microsoft Kinect、ASUS Xtion等)在各领域(如移动机器人、自动驾驶、遥感解译、虚拟现实、增强现实和战场态势感知等)的广泛应用，三维数据也在显著增长，而三维点云标记作为对三维数据进行处理的重要手段，是指在观测到的场景点云数据中，识别每个点的类别属性，并为每个点分配一个唯一的类别标签，比如建筑、道路或汽车等。但传统的基于体素卷积神经网络的语义标记要求体素内所有点共享同一语义标签，且需要规则化的数据输入，同时得到的标记结果也是体素级别的粗略标记结果。

发明内容

有鉴于此，本发明提供一种基于融合体素的三维点云标记方法和装置，以解决上述问题。

一方面，本发明较佳实施例提供一种基于融合体素的三维点云标记方法，所述方法包括：

对三维点云数据集进行体素化处理，并基于处理结果在体素内进行体素特征提取形成第一体素特征矩阵；

将所述第一体素特征矩阵作为三维卷积神经网络的输入以计算得到体素的多尺度特征，并对该多尺度特征进行特征串联融合以得到第二体素特征矩阵；

基于特征插值算法将所述第二体素特征矩阵中的体素特征扩展至所述三维点云数据集中的各点中以得到点云特征矩阵；

将所述点云特征矩阵输入多层感知器中以实现对三维点云的属性标记。

另一方面，本发明较佳实施例还提供一种基于融合体素的三维点云标记装置，所述装置包括：

体素处理及特征提取模块，用于对三维点云数据集进行体素化处理，并基于处理结果在体素内进行体素特征提取形成第一体素特征矩阵；

多尺度体素特征计算模块，用于将所述第一体素特征矩阵作为三维卷积神经网络的输入以计算得到体素的多尺度特征，并对该多尺度特征进行特征串联融合以得到第二体素特征矩阵；

特征扩展模块，用于基于特征插值算法将所述第二体素特征矩阵中的体素特征扩展至所述三维点云数据集中的各点中以得到点云特征矩阵；

点云标记模块，用于将所述点云特征矩阵输入多层感知器中以实现对三维点云的属性标记。

与现有技术相比，本发明实施例提供的一种基于融合体素的三维点云标记方法和装置，通过在规则化的体素模型上基于体素卷积神经网络构建多尺度空间以提取多尺度体素特征，然后利用特征插值的方式将体素特征扩展到点特征，进而实现逐点的较为精细的分类识别和点云标记。

另外，本发明还利用CRF-RNN对完成标记的点云数据进行标记结果优化，以提高标记精度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例提供的基于融合体素的三维点云标记装置的应用场景示意图。