[发明专利]一种点云语义解析方法和装置

权利要求书

1.一种点云语义解析方法，其特征在于，包括：

输入目标场景的激光点云数据，所述激光点云数据包括时间序列上的多帧点云；

依序对各帧点云进行语义解析，其中，对每帧点云的语义解析包括：对该帧点云提取高维特征和具有时空一致性的全局特征，利用所述具有时空一致性的全局特征和所述高维特征，得到该帧点云的融合特征；对所述融合特征进行全连接层转换和概率归一化，从而得到该帧点云的点云标识信息，所述点云标识信息表示该帧点云中每个点属于所述目标场景中各类别目标的概率；

输出所述时间序列上的多帧点云的所述点云标识信息。

2.根据权利要求1所述的方法，其特征在于，对该帧点云提取高维特征和具有时空一致性的全局特征，利用所述具有时空一致性的全局特征和所述高维特征，得到该帧点云的融合特征的步骤，包括：

通过卷积神经网络的特征提取子网络提取该帧点云的高维特征；

将该帧点云的高维特征通过所述卷积神经网络的全连接层、池化层处理后，输入到循环神经网络进行转换，以得到该帧点云的具有时空一致性的全局特征；

经由所述卷积神经网络的通道级联层，将所述高维特征和所述高维特征通过所述全连接层处理后得到的特征，与所述具有时空一致性的全局特征级联，以得到该帧点云的融合特征。

3.根据权利要求1所述的方法，其特征在于，对该帧点云提取高维特征和具有时空一致性的全局特征，利用所述具有时空一致性的全局特征和所述高维特征，得到该帧点云的融合特征的步骤，包括：

通过卷积神经网络的特征提取子网络提取该帧点云的高维特征；

将该帧点云的高维特征输入所述卷积神经网络的数据切分层，以按照激光线编号进行切分，得到与各激光线编号对应的各线点云的高维特征；

将所述各线点云的高维特征通过所述卷积神经网络的全连接层、池化层处理后，输入到循环神经网络进行转换，以得到所述各线点云的具有时空一致性的全局特征；

经由所述卷积神经网络的通道级联层，将所述各线点云的高维特征和该高维特征通过所述全连接层处理后得到的特征，与对应的各线点云的具有时空一致性的全局特征级联，以得到各线点云的融合特征；

通过所述卷积神经网络的数据级联层，将所述各线点云的融合特征合并，得到该帧点云的融合特征。

4.根据权利要求2或3所述的方法，其特征在于，所述循环神经网络为嵌入到所述卷积神经网络的以下其中一种网络：

单层单向长短时记忆网络、双向长短时记忆网络、多层长短时记忆网络、门循环神经网络。

5.一种点云语义解析装置，其特征在于，包括：

点云数据输入模块，用于输入目标场景的激光点云数据，所述激光点云数据包括时间序列上的多帧点云；

点云语义解析模块，用于依序对各帧点云进行语义解析，其中，对每帧点云的语义解析包括：对该帧点云提取高维特征和具有时空一致性的全局特征，利用所述具有时空一致性的全局特征和所述高维特征，得到该帧点云的融合特征；对所述融合特征进行全连接层转换和概率归一化，从而得到该帧点云的点云标识信息，所述点云标识信息表示该帧点云中每个点属于所述目标场景中各类别目标的概率；

点云标识信息输出模块，用于输出所述时间序列上的多帧点云的所述点云标识信息。

6.根据权利要求5所述的装置，其特征在于，所述点云语义解析模块包括第一解析处理单元，用于：

通过卷积神经网络的特征提取子网络提取该帧点云的高维特征；

将该帧点云的高维特征通过所述卷积神经网络的全连接层、池化层处理后，输入到循环神经网络进行转换，以得到该帧点云的具有时空一致性的全局特征；

经由所述卷积神经网络的通道级联层，将所述高维特征和所述高维特征通过所述全连接层处理后得到的特征，与所述具有时空一致性的全局特征级联，以得到该帧点云的融合特征。