[发明专利]一种面向激光雷达点云数据的特征增强方法及系统

说明书

本发明涉及一种面向激光雷达点云数据的特征增强方法，包括：获取目标环境中的点云数据；对点云数据进行体素化处理，得到体素化数据；利用三维稀疏卷积特征提取网络每一体素进行特征提取，得到多个尺度的体素特征；计算每一体素和点云数据中各点之间的权重，得到体素与点的反距离权重；根据体素与点的反距离权重，利用三次线性插值方法将体素特征插值到点云数据的各点上，得到每一点的多个尺度的点特征；对每一点，利用特征权重学习网络学习各尺度的点特征对应的权重，得到各尺度的点特征权重；利用各尺度的点特征权重对各尺度的点特征进行融合补充，得到多个尺度的增强点特征，融合了不同尺度下的点特征，对点特征进行增强，实现对点云数据的增强。

技术领域

本发明涉及计算机视觉和自动驾驶领域，特别是涉及一种面向激光雷达点云数据的特征增强方法及系统。

背景技术

在过去的十几年中，计算机视觉技术吸引了许多关注，而作为计算机视觉技术的重要应用，自动驾驶领域中的环境感知技术近年来被广泛研究，成为了一个研究热点。摄像机和激光雷达是自动驾驶汽车上最常用的传感器，它们分别用于获取汽车周围环境的高分辨率图像和三维激光雷达点云。早些年，高分辨率图像是计算机视觉领域最常用的信息，但随着自动驾驶的要求不断提高(如需要准确检测目标的三维空间信息)，二维图像信息已不能满足其需要。三维激光雷达点云数据具有捕捉深度信息的强大能力，这使其在计算机视觉和自动驾驶领域受到越来越多的关注。基于三维激光雷达点云数据，一些自动驾驶场景下的视觉任务，如语义分割和三维目标检测的准确度得到了很大的提升。

在实际应用中，现存深度学习网络通常将激光雷达点云数据转换为体积相等的体素，再使用基于稀疏卷积的特征提取骨架提取体素特征，最后将体素特征编码到点云数据上，得到点云特征。Shaoshuai Shi，Chaoxu Guo和Jiang Li等人提出的点体素区域卷积神经网络(PV-RCNN)借助点集抽象算法(Set Abstraction)将多尺度的体素特征编码到点云数据上并串联起来，但点集抽象算法会造成大量的计算消耗和显存占用；Chenhang He，HuiZeng和Jianqiang Huang等人提出的结构感知单阶段检测器(SA-SSD)使用插值的方法将体素特征编码到点云数据上并串联起来，这种方法显存占用低，但仅使用插值方法不能得到有判别力的点云特征。总的来说，现存方法专注于如何学习并编码点云特征，并未考虑点云特征的增强。因此，如何采用合适的技术增强点云特征，生成有判别力的点云特征是自动驾驶领域急需解决的一个重要问题。

发明内容

本发明的目的是提供一种面向激光雷达点云数据的特征增强方法及系统，对点云数据中的每个点，能有效融合多尺度信息并得到深层点特征，得到有判别力的点特征信息，从而得到点云数据的增强特征，有利于自动驾驶场景下的图像检测。

为实现上述目的，本发明提供了如下方案：

一种面向激光雷达点云数据的特征增强方法，包括：

获取目标环境中的点云数据；

对所述点云数据进行体素化处理，得到点云的体素化数据；

对每一体素，根据所述体素化数据，利用三维稀疏卷积特征提取网络进行特征提取，得到多个尺度的体素特征；所述体素特征的尺度数量根据所述三维稀疏卷积特征提取网络中的稀疏卷积块的数量确定；

基于反距离权重法计算每一体素和所述点云数据中各点之间的权重，得到体素与点的反距离权重；

根据所述体素与点的反距离权重，利用三次线性插值方法将所述体素特征插值到所述点云数据的各点上，得到每一点的多个尺度的点特征；所述点特征的尺度数与所述体素特征的尺度数一一对应；

对每一点，利用特征权重学习网络学习各尺度的所述点特征对应的权重，得到各尺度的点特征权重；

对每一点，利用各尺度的所述点特征权重对各尺度的所述点特征进行融合补充，得到多个尺度的增强点特征，从而实现对所述点云数据的增强。