[发明专利]基于点云的语义分割方法、装置、系统及存储介质

说明书

本发明提供了一种基于点云的语义分割方法、装置、系统及存储介质，所述方法包括：获取目标对象的点云数据；依次对所述点云数据中点的不同范围进行特征聚合和采样，得到采样点的聚合特征；将所述采样点的聚合特征融合至所述采样点进行采样前的点集中，得到更新后的特征；基于所述更新后的特征得到所述待测目标的识别结果。根据本发明的方法、装置、系统及存储介质，通过利用对不同范围的点集依次进行采样和特征聚合来扩大点的感受野，使得获取更丰富的空间结构信息，以在点云语义分割上获得更好性能和效果。

技术领域

本发明涉及计算机视觉技术领域，更具体地涉及基于点云的语义分割。

背景技术

近年来，关于三维点云的研究发展迅速。相对于2D图像，三维点云在自动驾驶、家居机器人、三维重建等方面都有着更好的表现。然而由数据采集设备采集的三维视觉数据是高度不规则的。传统方法中，通常将三维点云数据转化为规则的数据表示，例如体素网格、多视图图像、投影。再用传统的卷积神经网络(CNN)处理这些规则数据。然而这些操作没有充分利用点云稀疏性质，导致了不必要的大内存占用和计算能力的开销。除此之外，转换为规则数据不可避免的损失点云的空间结构特征，这使得点云这一富有空间结构的信息的数据失去了其本身的特性。

发明内容

考虑到上述问题而提出了本发明。本发明提供了一种基于点云的语义分割方法、装置、系统及计算机存储介质，以解决上述问题至少之一。

根据本发明的第一方面，提供了一种基于点云的语义分割方法，包括：

获取目标对象的点云数据；

依次对所述点云数据中点的不同范围进行特征聚合和采样，得到采样点的聚合特征；

将所述采样点的聚合特征融合至所述采样点进行采样前的点集中，得到更新后的特征；

基于所述更新后的特征得到所述待测目标的识别结果。

可选地，依次对所述点云数据中点的不同范围进行特征聚合和采样，得到采样点的聚合特征，包括：

依次串行处理所述点云数据中点的不同范围进行特征聚合和采样，前一范围的处理结果作为当前范围的输入；其中，对于每个范围，

以每个点为中心建立半径为R的第一球形坐标系，将所述第一球形坐标系的球形区域划分多个第一区域并设置相应的第一权重；

基于所述第一区域的第一权重，更新所述每个点的特征；

对更新后的点进行采样，得到采样点；

基于所述采样点在所述第一球形坐标系内搜索临近点得到临近点集合，将所述临近点集合中的最大值作为所述采样点的聚合特征。

可选地，基于所述第一区域的第一权重，更新所述每个点的特征，包括：

将每个第一区域的每个点的特征和所在第一区域的权重相乘并求和，然后后除以所述范围的点的数量，以更新所述范围内的每个点的特征。

可选地，对更新后的点进行采样，得到采样点，包括：

基于所述更新后的点采样最远点采样，得到所述采样点。

可选地，不同的范围具有不同的扩张率和/或不同的第一球形坐标系的半径R。

可选地，将所述采样点的聚合特征融合至所述采样点进行采样前的点集中，得到更新后的特征，包括：

依次串行处理所述采样点的聚合特征融合至所述采样点进行采样前的点集中；其中，对于每次所述融合，

确定输入点集的采样来源点集；

以所述采样来源点集中的点为原点，在输入点集上建立第二球形坐标系，并将所述第二球形坐标系的球形区域划分为多个第二区域，并设置相应的第二权重；