[发明专利]一种基于循环条件随机场的道路目标实时三维点云分割方法

权利要求书

1.一种基于循环条件随机场的道路目标实时三维点云分割方法，其特征是至少包括如下步骤：

步骤1、获取点云数据，得到一个H*W*C的三维矩阵；

步骤2、依据上述数据进行网络模型结构优化；

步骤3、输出最小化的概率图，给出三维点云分割。

2.根据权利要求1所述的一种基于SqueezeNet和循环条件随机场的道路目标实时三维点云分割，其特征是：所述步骤1包含以下具体步骤：

步骤1.1)获取点云数据,点云数据由非结构化的三维空间点组成，每一个空间点又包含5个维度的数据：一组笛卡尔三维空间坐标(x,y,z)，当前点的强度值i，和距离

步骤1.2)采用球面映射将点云数据转换为满足网络数据要求的数据矩阵，其球面映射方程如式(1)所示：

其中，θ,φ分别表示顶角和方位角，Δθ,Δφ分别表示θ,φ上的离散精度，即为离散值，一组数据可映射到2D栅格图上的一个位置；

步骤1.3)将一张点云地图上的每一个点都进行上述球面映射，得到一个H*W*C的三维矩阵，H，W分别对应映射结果离散值C等于5，C的每一个通道的数据分别对应LiDAR点的x，y，z轴坐标数值，点强度数值和距离数值。

3.根据权利要求1所述的一种基于循环条件随机场的道路目标实时三维点云分割方法，其特征是：所述步骤2包括：

步骤2.1)输入的张量H*W*C首先经过Fire的压缩层处理，Fire的压缩层由1*1的卷积核组成，卷积核的数量等于输入张量通道数的1/4，Fire的压缩层在完成特征提取的同时进行压缩数据的深度处理；

步骤2.2)然后数据经过FireDeconv模块；

步骤2.3)循环条件随机场网络搭建；

步骤2.4)定义网络模型的宏观优化目标

交叉熵计算如下式所示：

其中，m表示分辨率大小，即点的总数，L_i表示每一个点的交叉熵损失，表示第i个点分类为真实的c_i标签的概率。

4.根据权利要求3所述的一种基于循环条件随机场的道路目标实时三维点云分割方法，其特征是：所述的步骤2.1)包括：

a)分别将压缩层的数据经过1*1的Conv卷积层和3*3的Conv卷积层上进行张量深度扩容，分别变为输出张量深度的1/2；

b)将两种卷积操作后的数据在深度维度上进行堆叠，输出H*W*C张量。

5.根据权利要求3所述的一种基于循环条件随机场的道路目标实时三维点云分割方法，其特征是：所述的步骤2.2)包括：

a)输入H*W*C张量进入FireDeconv模块，经过Conv1*1，完成特征提取和深度压缩；

b)然后对数据进行上采样，深度维持不变；将扩展层数据在深度上扩充为输出的1/2；

c)将两种卷积操作后的数据在深度维度上进行堆叠，输出H*2W*C张量。

6.根据权利要求3所述的一种基于循环条件随机场的道路目标实时三维点云分割方法，其特征是：所述的步骤2.3)包括：

步骤2.3.1)给出循环条件随机场的能量函数：

其中，c是点云的预测标签向量，c_i表示第i个点云的预测标签结果，u_i(c_i)＝-logP(c_i)代表着第i个点云预测为c_i类别的交叉熵概率值，b_i,j(c_i,c_j)是一种对一组相似点分配为不同标签的行为的惩罚方式，定义b_i,j(c_i,c_j)的具体惩罚方式为：

当c_i≠c_j时，h(c_i,c_j)＝1，否则h(c_i,c_j)＝0，f_i,f_j表示第i,j个点的特征，k^m表示以第i,j个点的特征为输入的第m个高斯滤波器，w_m表示相应的系数；采用如下：

其中，向量表示一个点的角度信息，向量X(x,y,z)表示一个点的笛卡尔坐标，σ_α,σ_β,σ_γ是一组超参数，其值一般由经验选定；

步骤2.3.2)构建能量函数的平均场迭代算法的循环神经网络结构RNN：

a)将基础神经网络的输出作为初始概率图输入进循环神经网络RNN；

b)通过公式(4)处理LiDAR原始特征数据，得到两个高斯核；

c)将高斯核的尺度设置为3*5的局部区域；高斯核以局部连接层的方式在概率图上进行计算，完成对数据的滤波和信息传递；

d)用1*1的卷积核对c)步骤后的概率结果的聚合概率进行重加权与兼容性转换，用以改变每一个点的分布程度，1*1卷积核参数在网络训练中学习。

e)将初始的概率图与完成重加权与兼容性转换的概率图进行叠加，经交叉熵Softmax归一化操作输出最小化的概率图。