[发明专利]基于神经网络的畸变三维点云分割方法

说明书

本发明公布了一种基于神经网络的畸变点云分割方法，利用神经网络模型的拟合能力，在原始空间点云的基础上，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，提升空间规范化点云网络模块，编码预测网络模块，能够准确高效地分割任意畸变的三维点云，属于三维点云分割技术领域。

技术领域

本发明属于三维点云分割技术领域，具体提出了一种新的基于神经网络的畸变三维点云分割方法，该方法在高维提升空间学习点云的统一表示，从而实现对畸变点云进行精确分割。

背景技术

激光车载雷达具有广阔的探测范围和小巧的体积，因此在无人驾驶中广泛应用。激光车载雷达可以实时采集环境的三维点云数据，并结合点云算法进行实时分割，有助于系统充分理解汽车所在场景的属性，以做出相应决策，是无人车的“眼睛”。然而，由于车载雷达在随车运行中产生的视角变化和抖动等因素，采集到的三维点云容易出现形状和姿态的改变，导致生成的点云与真实物体之间存在畸变。这使得现有的点云分割算法难以直接应用在无人驾驶产生的畸变点云中，造成颠簸路段的无人车不能正常运行。

为了解决这一问题，传统点云分割方法往往依靠点云中不受畸变影响的特征，如提取点坐标间的差值、距离，但这类现有的方法只能解决点云平移、旋转产生的刚性变换，无法解决车辆颠簸所产生的点云物体形化。另一些方法从畸变点云中学习规范矩阵，来规范化输入点云到统一形态。这种方法理论上可以解决所有可通过规范矩阵表示的畸变，但是对矩阵的学习有很高精度要求，导致无法在无人驾驶时实现实时处理。

发明内容

针对现有技术的不足，本发明提出一种基于神经网络的畸变点云分割方法，利用神经网络强大的拟合能力，可以准确高效地分割任意畸变的三维点云。

为了实现这一目的，本发明在原始点云的基础上，构建了用于车载畸变点云分割的深度网络模型，包括三个处理模块：一个点云提升网络模块，一个在提升空间规范化点云网络模块，一个编码预测网络模块，实现了对车载雷达采集到的畸变三维点云准确高效地分割。

本发明的技术方案如下(流程参见图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丰富的规范化信息，对畸变点云进行分割；

-具体实现步骤如下：

A.构建用于车载畸变点云分割的深度网络模型，包括

A1)点云提升网络模块；

A2)提升空间点云规范化网络模块；

A3)编码预测网络模块；

点云提升网络模块用于提升点云特征维度，从而使网络模型精确学习规范化矩阵。该模块的输入是大小为1024×3的原始空间的点云P，点云P由1024个空间点坐标p₁,p₂,…,p_i,…,p₁₀₂₄构成，其中每个点p_i由三维空间坐标表示；点云从原始空间到提升空间的转化是通过提升函数实现，对于每一个点p_i＝[x,y,z],升维后的高维点坐标为：

ν(P)＝ν(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。网络模块输出是大小为1024×6的提升空间的点云ν(P)。