[发明专利]一种基于多尺度特征学习的三维点云标记方法和装置

说明书

本发明实施例提供一种基于多尺度特征学习的三维点云标记方法和装置，所述方法包括获取待标记的三维点云数据集，并提取该三维点云数据中各点的多维特征形成点云特征矩阵；将所述点云特征矩阵作为多尺度特征学习网络的输入以计算所述三维点云数据集中的各点的多尺度空间特征；将所述多尺度空间特征输入多层感知器中以实现对三维点云中各点的属性标记。本发明能够有效提高点云数据标记的标记精度。

技术领域

本发明涉及数据标记技术领域，具体而言，涉及一种基于多尺度特征学习的三维点云标记方法和装置。

背景技术

随着最近几年三维传感器(如LiDAR、Microsoft Kinect、ASUS Xtion等)在各领域(如移动机器人、自动驾驶、遥感解译、虚拟现实、增强现实和战场态势感知等)的广泛应用，三维数据也在显著增长，而三维点云标记作为对三维数据进行处理的重要手段，是指在观测到的场景点云数据中，识别每个点的类别属性，并为每个点分配一个唯一的类别标签，比如建筑、道路或汽车等。但现有的三维点云标记方法存在如标记精度低、数据处理量大、或只能提取单一尺度下的点云局部结构信息等局限性，无法满足对高性能三维点云标记的要求。

发明内容

有鉴于此，本发明提供一种基于多尺度特征学习的三维点云标记方法和装置，以解决上述问题。

本发明较佳实施例提供一种基于多尺度特征学习的三维点云标记方法，所述方法包括：

获取待标记的三维点云数据集，并提取该三维点云数据中各点的多维特征形成点云特征矩阵；

将所述点云特征矩阵作为多尺度特征学习网络的输入以计算所述三维点云数据集中的各点的多尺度空间特征；

将所述多尺度空间特征输入多层感知器中以实现对三维点云中各点的属性标记。

在本发明较佳实施例的选择中，所述多尺度特征学习网络包括特征串联融合模块和用于学习三维点云数据集中各点的不同尺度特征的多个特征学习子网络；将所述点云特征矩阵作为多尺度特征学习网络的输入以计算所述三维点云数据集中的各点的多尺度空间特征的步骤包括：

将所述点云特征矩阵分别输入各所述特征学习子网络中，以使每个特征学习子网络基于该点云特征矩阵提取对应各点的局部区域特征信息，并将该局部区域特征信息扩展至所述三维点云数据集中的各点，以得到不同尺度下的点云空间特征；

将基于各所述特征学习子网络得到的多个不同尺度下的点云空间特征输入所述特征串联融合模块以对多个不同尺度下的点云特征信息进行特征融合得到多尺度空间特征。

在本发明较佳实施例的选择中，基于该点云特征矩阵提取对应各点的局部区域特征信息，步骤包括：

基于迭代最远点采样法从所述三维点云数据集中选取第一预设数量个点；

针对所述预设数量个点中的每个点，以该点为原点，以预设值为半径搜索第二预设数量个邻域点进行局部区域构建以得到局域空间；

对所述局域空间中包含的各点特征进行逐点池化，得到包含局部邻域全局信息的局部区域特征信息。

在本发明较佳实施例的选择中，将该局部区域特征信息扩展至所述三维点云数据集中的各点，以得到不同尺度下的点云空间特征，步骤包括：

步骤S1，从完成池化的局域空间中选取一个点作为待插值点，并将该待插值点的第三预设数量个邻域点作为邻域点集；

步骤S2，对所述邻域点集中的各邻域点的特征矢量进行加权平均以得到待插值点的特征矢量；

重复执行上述步骤S1-步骤S2，直到完成对池化后的局域空间中各点的特征泛化操作，并将扩展结果作为当前尺度下的点云空间特征信息。

在本发明较佳实施例的选择中，所述待插值点的特征矢量F通过以下公式计算得到：