[发明专利]一种基于AMVNet的LIDAR语义分割方法及系统

权利要求书

1.一种基于AMVNet的LIDAR语义分割方法，其特征在于：包括下列步骤：

S1、获取基于SemanticKITTI视觉基准的测程数据集，对获取的测程数据集进行预处理，预处理包括数据分割、归一化处理、数据扩充处理和数据缩放处理；

S2、对预处理后的测程数据集进行数据划分处理，包括训练集和测试集，训练集用于模型的训练，测试集用于测试模型效果；

S3、构建基于AMVNet和LiDAR语义分割模型，并采用训练集对LiDAR语义分割模型进行训练；

S4、采用训练完成LiDAR语义分割模型对待识别的测程数据集进行语义分割分析，得到对应的分析预测结果。

2.根据权利要求1所述的一种基于AMVNet的LIDAR语义分割方法，其特征在于：所述S1中的测程数据集是采用Velodyne HDL-64E传感器采集的，所述Velodyne HDL-64E传感器的水平角分辨率为0.08～0.35，所述Velodyne HDL-64E传感器的垂直光束为64束。

3.根据权利要求1所述的一种基于AMVNet的LIDAR语义分割方法，其特征在于：所述S1中数据扩充处理的方法为：分别对训练集数据进行90度、180度和270度旋转，对数据进行扩增；将扩充后的数据与原训练集混合，构建新的数据集；用于增加训练集数据量；所述训练集和测试集的比例为7：3。

4.根据权利要求1所述的一种基于AMVNet的LIDAR语义分割方法，其特征在于：所述S1中归一化处理的方法为：对每条数据进行Min-Max归一化，其公式如下：

其中，min(x)表示像素最小值，max(x)表示像素最大值。

5.根据权利要求1所述的一种基于AMVNet的LIDAR语义分割方法，其特征在于：所述S3中LiDAR语义分割模型的训练过程包括：

S3.1、先采用RV网络模型和BEV网络模型进行训练，得到初始类预测，BEV网络模型采用U-Net架构；

S3.2、对初始类预测进行训练获得采样点，采样是当多视图网络在类预测上不一致时，通过断言引导的方法来捕获不确定点，获得所有点的最终预测标签向量其中，K为类数，其公式如下：

其中，s(·,·)为余弦相似度评分，τ为不确定性阈值的设计参数，f_i和g_i分别代表RV和BEV的规范化类预测；

S3.3、从获取的不确定点中提取相关的特征供点头模型进行最终的标签预测，该点头模型将单个网络的归一化类分数与原始点数据进行连接，其公式如下：

p_i＝[f_i g_i x_i]

S3.4、同时选择了相邻点的点级特征来作为附加的上下文，假设N(xi)是第i点的N个邻域点的集合，则邻域集特征定义为：

其中，点特征φ代表相邻点k与不确定点i的相对距离，n为超参数，将这些点特征和邻域集特征传递给点头模型，得到最终的分析预测结果，其公式为：

h_i＝pointhead(p_i,S_i)。

6.根据权利要求5所述的一种基于AMVNet的LIDAR语义分割方法，其特征在于：所述点头模型包括一个MLP、一个最大池化层和一个完全连接层；Si通过MLP和maxpooled独立处理，得到一个新的点特征，然后与pi连接，最终获得预测结果。

7.一种基于AMVNet的LIDAR语义分割系统，其特征在于：包括：

数据采集模块，用于获取基于SemanticKITTI视觉基准的测程数据集；

数据集处理模块，用于对获取的测程数据集进行预处理，预处理包括数据分割、归一化处理、数据扩充处理和数据缩放处理；

数据划分模块，用于对预处理后的测程数据集进行数据划分处理，包括训练集和测试集，训练集用于模型的训练，测试集用于测试模型效果；

模型构建模块，用于构建基于AMVNet和LiDAR语义分割模型，并采用训练集对语义分割模型进行训练；

语义分割分析模块，用于采用训练完成LiDAR语义分割模型对待识别的测程数据集进行语义分割分析，得到对应的分析预测结果。