[发明专利]基于全卷积神经网络的点云数据分类方法及电子设备

说明书

公开了一种基于全卷积神经网络的点云数据分类方法及电子设备。该方法可以包括：步骤1：针对点云数据进行鸟瞰投射，进而进行二维网格分割，获得网格特征图；步骤2：针对网格特征图进行特征提取，获得输入特征图；步骤3：针对输入特征图进行卷积处理，获得卷积数据图；步骤4：针对卷积数据图进行预测与反卷积处理，获得输出特征图。本发明通过全卷积神经网络，优化处理输入的点云数据，实现激光点云数据的直接语义分割和分类。

技术领域

本发明涉及数据处理领域，更具体地，涉及一种基于全卷积神经网络的点云数据分类方法及电子设备。

背景技术

在地图数据采集车行驶并采集的过程中，道路上通常存在其它车辆、行人等交通参与者，这些交通参与者是不属于地图的元素，然而，在地图数据采集阶段，这些目标通常会被无条件地接受并采集下来，这类不属于地图的元素被称为非地图元素。若这些非地图元素在高精度地图制图阶段未被过滤而直接添加到地图中，将会存在两方面问题：第一，对道路标注识别造成干扰，由于直接使用未过滤的原始点云数据构建的三维地图，这类地图包含非地图元素的点，这些点覆盖于道路路面上，遮挡了车道线、行驶方向箭头以及人行道线等路面标注，为路面的结构化语义识别带来困难，在交通越是拥堵的城市路段，此类非地图元素对于地图路面识别的影响越是显著；第二，对基于高精度地图的匹配定位的稳定性造成干扰，目前广泛使用的点云匹配定位算法如迭代最近点(Iterative Closest Points,ICP)分布变换(Normal Distributions Transform,NDT)算法均通过比较两个点云的相似性实现点云的配准，包含了大量非地图元素点的地图将造成这类相似性匹配方法无法稳定工作。

传统的基于CNN的分割方法：为了对一个像素分类，使用该像素周围的一个图像块作为CNN的输入用于训练和预测。这种方法有以下缺点：一是存储开销很大，例如对每个像素使用的图像块的大小为15×15，然后不断滑动窗口，每次滑动的窗口给CNN进行判别分类，因此则所需的存储空间根据滑动窗口的次数和大小急剧上升；二是计算效率低下。相邻的像素块基本上是重复的，针对每个像素块逐个计算卷积，这种计算也有很大程度上的重复。三是像素块大小的限制了感知区域的大小。通常像素块的大小比整幅图像的大小小很多，只能提取一些局部的特征，从而导致分类的性能受到限制。因此，有必要开发一种基于全卷积神经网络的点云数据分类方法及电子设备。

公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

发明内容

本发明提出了一种基于全卷积神经网络的点云数据分类方法及电子设备，其能够通过全卷积神经网络，优化处理输入的点云数据，实现激光点云数据的直接语义分割和分类。

第一方面，本公开实施例提供了一种基于全卷积神经网络的点云数据分类方法，包括：步骤1：针对点云数据进行鸟瞰投射，进而进行二维网格分割，获得网格特征图；步骤2：针对所述网格特征图进行特征提取，获得输入特征图；步骤3：针对所述输入特征图进行卷积处理，获得卷积数据图；步骤4：针对所述卷积数据图进行预测与反卷积处理，获得输出特征图。

优选地，还包括：确定所述输出特征图中每一个网格的概率，完成对所述点云数据的分类。

优选地，所述输出特征图与所述输入特征图的大小与网格划分均一致。

优选地，所述步骤3包括：步骤301：确定卷积次数为N；步骤302：针对所述输入特征图进行卷积块处理，卷积块处理完成后进行池化处理，获得卷积处理数据；步骤303：将所述卷积处理数据作为输入特征图，重复步骤302，直至完成N次卷积次数，获得第N次卷积处理数据；步骤304：将第N次卷积处理数据进行多次全卷积处理，获得所述卷积数据图。

优选地，所述卷积块处理包括多次卷积层处理。

优选地，所述全卷积处理包括1次卷积层处理与1次dropout处理。