[发明专利]3D点云的处理方法

说明书

一种三维(3D)点云的处理方法，包括以下步骤：从深度传感器的预确定视点获得3D点云；相对于该视点从3D点云的每个点提取3D坐标(xyz)和强度(i)数据；将3D坐标(xyz)和强度(i)数据转换成至少三个二维(2D)空间，即每个点的强度(i)数据的强度2D空间(IS)函数、每个点的高程(h)数据的高度2D空间(HS)函数以及3D点云的每个点和视点之间的距离(d)数据的距离2D空间(DS)函数，该二维空间定义了单个多通道2D空间(IS、HS、DS)。

本发明涉及车辆自动驾驶。具体地，本发明涉及使用激光雷达(Lidar)等导出的三维(3D)点云的处理方法。本发明还涉及一种用于基于这种处理方法并使用机器学习对3D点云中的感兴趣对象进行分类的方法。

这些方法在使用深度传感器(诸如用于障碍物检测和回避的激光雷达传感器)安全导航通过环境的人工辅助或自主车辆的领域中特别有用。激光雷达传感器通过用激光照射目标来测量距离。

Richard Socher、Brody Huval、Bharath Bhat、Christopher D.Manning、AndrewY.Ng，2012年在NIPS上的出版物“Convolutional-Recursive Deep learning for 3Dobject classification”描述了一种使用卷积递归深度学习的3D对象分类的方法。分类系统的输入需要RGB-D信息，该信息由来自相机的RGB(红、绿、蓝)数据和来自深度传感器(立体声、TOF、激光雷达等)的D(距离)组成。这种方法存在几个缺点，其中包括几个传感器(即照相机和深度传感器)的使用，以及对于将来自照相机(图像)的数据与深度传感器(坐标)集成在一起的需要以提供深度学习。

Alex Teichman,、Jesse Levinson和Sebastian Thrun于2011年在ICRA的出版物“Towards 3D object recognition via classification of arbitrary object tracks”描述了一种对象识别的方法。在所描述的方法中，每个数据源被用于以顺序方式计算手工特征，随后是一系列级联的机器学习分类。这个处理流程被优化以解决大多数通用高度重复的情况，但是由于不能同时对所有情况都是最佳的参数调整的受限灵活性，其在不太通用的情况下表现不佳。最后，只有强度数据以2D图像地图的形式呈现，这限制了对单一信息源的并行访问和处理。

文献EP 2958049A2描述了一种从点云中提取特征区域的方法。所描述的方法使用手工过程以用于关键点选择以及对于相应体素的描述符计算，其随后通过机器学习算法进行分类。这种预先选择特征的处理管道无法让深度神经网络(DNN)实现其自动寻找特征的潜力，因为由于手工方法的选择而使信息的重要部分被预过滤。这种预过滤对于某些类型的情况可能是有益的，而在许多其他现实世界的情况下则是不利的。此外，所描述的方法没有补偿点云数据的低密度，因此对远距离的对象具有较低的识别准确性。