[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

说明书

本发明涉及自动驾驶无人机在低空复杂道路场景下对自身周围环境的实时三维点云目标分割技术，特别是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。本发明提出的模型能够较好地实时分割出点云中的道路目标，模型工程化满足实时性和稳定性的要求，具备了一定的实用价值。

技术领域

本发明涉及自动驾驶无人机在低空复杂道路场景下对自身周围环境的实时三维点云目标分割技术，特别是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。

背景技术

近些年来，无人机慢慢有进入低空领域活动的趋势，比如无人机送快递，区域低空安全性巡检，道路缺陷检测，临时性道路段车辆检测统计等。这些任务的特点是需要进行人机交互，需要感知低空场景中的目标和周围环境，在完成任务的同时做到安全飞行。同时，自动驾驶在近年来得到了全世界研究者的重点关注，并围绕着感知，决策，控制展开了深入的研究。无人机低空飞行和自动驾驶系统都需要依赖于精确的、实时的、鲁棒的环境感知能力。在低空道路场景中，无人机和自动驾驶需要精确分类和定位道路目标，比如车辆，行人，自行车手和其他障碍物。其中，以雷达点云数据为基础的感知方法能够更直接的反应现实场景信息，有着广阔的应用场景。因此，研究一种在低空道路场景下的三维感知技术就显得非常必要，有利于推动无人机和自动驾驶的发展。

先前的传统的点云分割方法常常包含如下四种常见操作：移除地面，将点聚集成个例，从每一种聚集种群中提取特征，根据特征分类聚集得到的种群。传统方法严重依赖于手工设计的特征，而勿略了数据内在的联系，没法得到满意的分割结果。之后学者们尝试用概率的角度去解释分割问题，提出了条件随机场方程用于解决语义分割问题，其在分割过程中加入了像素之间的平滑约束，有利于改善边缘分割效果。FCN网络的出现证明了卷积神经网络是可以运用在图像分割任务中的，神经网络通过自学习完成对原始数据的特征提取，通过端到端的方式得到同输入数据原始分辨率级别的分割结果，FCN的实验结果表明了深度网络在图像分割任务上的表现远远好于传统方法。受深度网络热潮的影响，S.Zheng等人将随机条件场的数学表达转换成了一种RNN的神经网络结构。Deeplab网络则将上述两个先进的分割方法做了结合，首先用FCN网络做初步的分割，然后将分割结果通过随机条件场进行处理然后输出，但是该网络训练的只是基于FCN的网络，相当于FCN网络和条件随机场是分离的，没有进行联合训练，虽然Deeplab较FCN分割效果好，但是提升并不明显。往后发展，便涌现了通过预处理三维点云数据然后使用神经网络技术的点云分割网络。Zhou Y等人提出了VoxelNet网络模型,在点云数据上完成了物体的3D检测和分割，在KITTI数据集上得到了较好的实验结果，但是该模型比较庞大，模型的实时性能较差。Qi C R等人提出了PointNet网络模型，能够同时完成点云数据的分类，语义分割和个体部件分割，该模型对无序点云的每一个点进行独立的处理，由此实现了与输入顺序无关的点云处理。但是该模型在处理每一个点的得分时，直接将点特征与全局特征结合在一起，而忽略了局部特征，导致最终的分割边缘效果不佳，同时点云数据的一个特征是数据密度不同，体现出近多远少等问题，而在密度不同的情况下，使用统一的模板处理这些数据显然计算效率不高，模型无法实时运行。通过上述研究现状分析，点云分割技术正处于快速发展阶段，如何更高效的训练网络，如何压缩网络的模型同时保持分割精度，如何提升模型的实时性和计算效率等问题都是待研究的方向。

发明内容

本发明目的在于提供一种点云分割的模型实时性好，计算效率高，模型压缩和分割精度之间的平衡性好的随机场的道路目标实时三维点云分割方法。

本发明的目的是这样实现的,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；