[发明专利]域适应的激光雷达点云语义分割方法、设备及存储介质

权利要求书

1.一种域适应的激光雷达点云语义分割方法，其特征在于，包括：

步骤1，通过目标域模拟采样数据对齐方式初步训练激光雷达点云语义分割网络模型，基于初步训练的激光雷达点云语义分割网络模型通过场景混合和伪标签修正结合的方式训练激光雷达点云语义分割网络模型，得到训练好的激光雷达点云语义分割网络模型；

步骤2，通过训练好的激光雷达点云语义分割网络模型对目标域点云数据进行语义分割，得出目标域点云数据的语义分割结果。

2.根据权利要求1所述的域适应的激光雷达点云语义分割方法，其特征在于，所述步骤1中，按以下方式根据目标域模拟采样数据对齐方式训练激光雷达点云语义分割网络模型，包括：

步骤11，利用源域点云数据的序列点云的融合和目标域的模拟采样，得到符合目标域采样模式的源域模拟采样点云数据；

步骤12，通过得到的符合目标域采样模式的源域模拟采样点云数据训练激光雷达点云语义分割网络模型，得出初步训练的激光雷达点云语义分割网络模型。

3.根据权利要求1所述的域适应的激光雷达点云语义分割方法，其特征在于，所述步骤11中，按以下方式利用源域点云数据的序列点云的融合和目标域的模拟采样，得到符合目标域采样模式的源域模拟采样点云数据，包括：

步骤111，利用源域点云数据中连续的点云序列和激光扫描设备的位姿数据，将源域点云数据中的多帧点云数据融合得到当前场景的稠密点云数据；

步骤112，在得到稠密点云数据的当前场景中，选取一个点放置虚拟激光雷达并以该点为坐标原点，在当前场景中通过虚拟激光雷达模拟目标域激光雷达按目标域采样模式扫描重新采样得到新的单帧目标域点云数据作为源域模拟采样点云数据。

4.根据权利要求3所述的域适应的激光雷达点云语义分割方法，其特征在于，所述步骤112中，按以下方式通过虚拟激光雷达模拟目标域激光雷达按目标域采样模式扫描重新采样得到新的单帧目标域点云数据，包括：

步骤1121，通过以下计算公式将稠密点云数据Q中每个点的笛卡尔坐标转换为球坐标，对于Q中的每个三维点在以虚拟激光雷达为原点的笛卡尔坐标系中的三维坐标为(x_i，y_i，z_i)，整个稠密点云Q包含N_Q个三维点，即Q＝{q_i|q_i＝(x_i，y_i，z_i)，i＝1，…，N_Q}，将每个三维点q_i按照下列计算公式变换为球坐标表示q′_i，记为(r_i，θ_i，φ_i)，

其中，r_i为半径；θ_i为与z轴夹角，θ_i范围为激光扫描设备的扫描线角度范围[-θ_down，θ_up]；φ_i为水平旋转角，φ_i范围为[-π，π]；则得到Q对应的球坐标表示Q’，Q′＝{q′_i|q′_i＝(r_i，θ_i，φ_i)，θ_i∈[-θ_down，θ_up]，φ_i∈[-π，π]，i＝1，...，N_Q}；

步骤1122，根据虚拟激光雷达的角分辨率与线数生成对应的目标域采样模式，采样获得Np条新的扫描射线，每条射线方向由角度θ_i，φ_i定义，总的扫描射线线集合为{(θ_i，φ_i)|i＝1，...，N_P}，根据这些扫描线方向在稠密点云数据Q的(θ，φ)空间上进行双线性插值，计算得到每条射线上空间点距离原点的距离r_i，即得到相对应方向上的点云的球半径{r_i|i＝1，...，N_P}；

步骤1123，将虚拟激光雷达模拟目标域激光雷达扫描方式采样后的点集球坐标{(r_i，θ_i，φ_i)|i＝1，...，N_P}转换为笛卡尔坐标，得到新的单帧目标域点云数据P＝{p_i|p_i＝(x_i，y_i，z_i)，i＝1，...，N_P}，P中包含N_p个点，每个点p_i的三维坐标为(x_i，y_i，z_i)，对该单帧点云数据中每个点p_i在稠密点云数据Q中寻找最近点，以该最近点的标签作为p_i的语义标签，记为l_i，l_i是一个C维的独热向量，C是语义分割的总类别数目，l_i中的C个元素只有该点真实类别对应的维度上数值为1，其他元素均为0，则得到单帧目标域点云数据P对应的所有标签数据L＝{l_i|l_i∈{0，1}^1×C，i＝1，...，N_P}。