[发明专利]基于激光点云的城市场景语义分割细粒度边界提取方法

权利要求书

1.基于激光点云的城市场景语义分割细粒度边界提取方法，其特征在于，包括如下步骤：

1)训练深度卷积神经网络模型，利用训练得到的模型对同步获取的2D影像和3D点云中的2D影像数据进行语义分割，得到基于2D影像的城市场景初步语义分割结果；

2)采用后处理式条件随机场对分割边界进行精细化提取：将深度卷积神经网络的输出作为后处理式条件随机场的一元势能输入，通过最大似然估计和平均场近似算法进行CRF学习和推理，从而对分割边界进行精细化提取；

3)将2D影像映射到激光点云，得到激光点云城市场景语义分割结果。

2.根据权利要求1所述的方法，其特征在于，所述CRF学习采用最大似然估计算法，通过最大化样本对数似然函数来估计CRFs模型的参数；所述CRF学习包括一元势能函数和二元势能函数，所述一元势能函数包含了图像的形状、纹理、位置和颜色，二元势能函数使用对比度敏感的双核势能。

3.根据权利要求2所述的方法，其特征在于，所述CRF推理是为每一个像素分配一个标签，使所述一元势能函数和二元势能函数整体上达到最小值。

4.根据权利要求1所述的方法，其特征在于，通过直接变换算法、根据相机的内方位元素计算相机的外方位元素，得到2D影像与激光点云之间的整体映射。

5.根据权利要求1所述的方法，其特征在于，采用MS COCO、PASCAL VOC 2012和Cityscapes数据集进行深度卷积神经网络模型的训练。

6.基于激光点云的城市场景语义分割细粒度边界提取方法，其特征在于，包括如下步骤：

1)训练深度卷积神经网络模型，利用训练得到的模型对同步获取的2D影像和3D点云中的2D影像数据进行语义分割，得到基于2D影像的城市场景初步语义分割结果；

2)将嵌入式条件随机场以循环神经网络的形式与所述深度卷积神经网络构成一个完整的模型进行端到端的训练；深度卷积神经网络的输出作为嵌入式条件随机场的一元势能的输入，本次边缘分布估计作为下一次边缘概率估计的输入，循环学习直至获得最佳嵌入式条件随机场的参数；

3)将2D影像映射到3D激光点云，得到激光点云城市场景语义分割结果。

7.根据权利要求6所述的方法，其特征在于，将深度卷积神经网络输出的得分图进行上采样，将其恢复到原始分辨率，然后在其后添加一个名为多阶段均值场的网络层，将原图像和网络输出的初步分割结果同时输入所述多阶段均值场进行最大后验推理，使得相似像素和像素近邻的标签一致性最大化。

8.根据权利要求6所述的方法，其特征在于，通过直接变换算法、根据相机的内方位元素计算相机的外方位元素，得到2D影像与激光点云之间的整体映射。

9.根据权利要求6所述的方法，其特征在于，采用MS COCO、PASCAL VOC 2012和Cityscapes数据集进行深度卷积神经网络模型的训练。