[发明专利]基于神经网络的畸变三维点云分割方法

权利要求书

1.一种基于神经网络的畸变点云分割方法，其特征在于，该方法利用神经网络提取不同空间内点云的规范化信息，对畸变点云进行分割；包括如下步骤：

A.构建用于车载畸变点云分割的深度网络模型，包括：点云提升网络模块；提升空间点云规范化网络模块；编码预测网络模块；

A1.点云提升网络模块用于提升点云特征维度，精确学习规范化矩阵；

点云提升网络模块的输入为原始空间的点云P，点云P包括多个空间点，其中每个点p_i由三维空间坐标表示；通过提升函数实现点云从原始空间到提升空间的转化；对于每一个点p_i＝[x，y，z]，升维后的高维点坐标表示为：

v(P)＝v(x，y，z)＝[x²，xy，xz，y²，yz，z²]

其中，是提升函数，用于升高点云所在的空间维度，同时每个点都被表示成由原始坐标组成的阶次更高的单项式；

点云提升网络模块输出为提升的高维空间的点云v(P)；

A2.提升空间点云规范化网络模块；

在训练阶段，该模块的输入是提升的高维空间的点云v(P)；输出是规范化后的提升空间的点云v′(P)；在测试阶段，输入对应的是车载雷达采集到的畸变点云数据，输出是对畸变数据矫正后的数据；

首先从升维空间点云的三维坐标提取点云的几何特征，并进一步利用特征学习规范化矩阵；提升空间点云规范化网络模块的结构如下：

θ_P＝Resize(Maxpool{l_tl_t-1...l₁(v(P)))

其中，v(P)为高维空间点云，表示学习到的规范化矩阵。l_tl_t-1...l₁表示为{l_i}_{i＝1，2，...，t}，表示使用t层的多层感知机结构，每一层都使用了批标准化和激活函数；

接着将多层感知机从点云提取到的特征输入到池化层Maxpool挑选出关键参数，最后对关键参数顺序进行排列，得到高维空间6×6规范化矩阵θ_P。

利用规范化矩阵θ_P对高维空间点云进行畸变矫正，表示为：

v′(P)＝θ_P*v(P)

得到规范化后的高维空间的点云v′(P)；

A3.编码预测网络模块用于将规范化后的高维空间点云v′(P)进行编码，并进一步通过编码值预测最终分割结果；

编码预测网络模块的输入为v′(P)，输出为最终分割结果L，对应点云中每个点所预测出的类别；编码预测网络模块包括4个感知层，由1个池化层和3个全连接层组成；且每一层都使用批标准化和激活函数；

B.使用无畸变点云数据集训练用于车载畸变点云分割的深度网络模型，生成点云分割模型；包括如下步骤：

B1)成对输入点云数据和相应的分割标签；

B2)利用网络模块对输入点云进行分割预测；

B3)根据分割的预测结果和真值标签，动态调整每个模块参数；

B4)训练结束，生成训练好的点云分割模型；

C.利用训练好的点云分割模型分割车载雷达产生的畸变点云；

C1)模拟无人驾驶过程中车载雷达可能产生的畸变点云；

C2)使用训练好的点云分割模型对畸变点云数据进行分割；

通过上述步骤，即实现基于神经网络的畸变点云分割。

2.如权利要求1所述基于神经网络的畸变点云分割方法，其特征是，点云提升网络模块的输入具体为大小为1024×3的原始空间的点云P，由1024个空间点坐标p₁，p₂，...，p_i，...，p₁₀₂₄构成；网络模块的输出是大小为1024×6的提升空间的点云v(P)。

3.如权利要求1所述基于神经网络的畸变点云分割方法，其特征是，训练阶段的点云数据集使用没有畸变的完整点云，包括1024×3的点云物体P，由1024个三维点坐标组成；点云物体P的类别包括车辆、道路、树木、指示牌，每个物体所对应的分割标签L，大小为1024×1，对应每个点的具体细分类别。

4.如权利要求1所述基于神经网络的畸变点云分割方法，其特征是，具体将模拟车载雷达在无人车上运行时产生的畸变点云数据作为待分割点云数据，输入训练好的点云分割网络模型；所述畸变点云数据为无人驾驶中的仿射畸变，包括沿着三个坐标轴的随机旋转，平移，剪切和缩放，以及车载雷达采集过程中，随机点缺失和噪音点所造成的畸变。