[发明专利]一种基于点云语义标注和优化的点云分类方法

说明书

本发明涉及一种基于点云语义标注和优化的点云分类方法，该方法包括以下步骤：步骤1：使用PointNet++对原始点云数据进行预分类，获得点云预分类结果；步骤2：针对预分类结果使用全局空间正则化进行分类结果优化，得到最终点云分类结果。与现有技术相比，本发明提出了获取点云语义标签并改进分类结果的通用框架。在提出的通用框架内，可以使用同类算法对现有步骤进行替换，对三维点云的初始标注结果进行了基于图结构正则化的优化方法，实现了语义标注的空间平滑性，可以在实现相同点云分类结果的前提下，仅需求较少量的训练数据。

技术领域

本发明涉及计算机技术领域，尤其是涉及一种基于点云语义标注和优化的点云分类方法。

背景技术

LiDAR技术可以在城市场景中容易地获取三维空间信息，其被表示为三维点云。然而，一组非结构化的点并不能直接和明确地描述现实世界中的对象的语义信息。具体而言，点云的实际应用与该三维原始数据的原始表示之间存在着语义的缺失。因此，给点云赋予准确的语义信息已经成为了许多三维应用项目的基础。然而，由于城市环境的复杂性，获取点云的质量可能受到许多方面的影响，例如由扫描误差引起的噪声和异常值，由扫描仪测量距离变化引起的不均匀点云密度，由此引起的遮挡，受限的观察位置和动态物体引起的干扰等等，这些都使得城市场景下点云的语义场景分析仍然是一项具有挑战性的任务。

通常，语义场景分析的目标是为点云中的每个点分配语义标签。传统上，语义标记折衷地为点云中的每个点提取各种手工设计的特征，并将它们连接成特征向量，然后将该特征向量应用在训练样本上，并投入分类器进行训练。所使用的分类器包括AdaBoost，支持向量机(SVM)和随机森林等等。这些监督统计方法是应用于此任务的最常用方法。然而，对于这些监督的逐点分类方法，尽管由于手工设计特征已经表现了极佳的能力，可以通过这种简单的程序产生良好的分类结果，但是分类结果可能是不均匀的，尤其是在具有低密度点的区域中。点云密度的不同会引起邻域选取的不足，从而造成物体类别边界的失准。

为了增强语义标注结果的区域平滑性，目前已经提出了一些基于上下文分类方法(例如，马尔可夫随机场或条件随机场)。在此类方法中，不仅考虑所提取的特征而且考虑其周围点的标记来对每个点进行分类。随着空间平滑度的提高，分类结果无可置疑地得到改进，同时伴随着高昂的计算成本。随着高性能计算资源的可用性和对大规模数据集的访问，近年来深度学习技术已经蓬勃发展，并且在许多领域中似乎是引人注目的工具(例如，图像分类，分割以及对象检测和跟踪)。在三维点云分类中，从PointNet派生的深度学习技术，使得三维点集可以直接用作网络的输入，并且结合上面提到的特征提取和监督分类步骤来实现端到端分类策略，这大大简化了语义标注的流程。同时在PointNet的流程中，学习了本地和全局特征，这提高了考虑每个点的本地上下文的能力。然而，对于像PointNet这样的深度学习技术，在某种程度上，分类的结果依赖于预处理中的采样和分割方法，以及后处理的插值方式，因为输入的样本数量需要在被馈送到网络时固定。在这些步骤中将引入每个分裂点集的边界中的一些分类错误和无效性。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于点云语义标注和优化的点云分类方法。

本发明的目的可以通过以下技术方案来实现：

一种基于点云语义标注和优化的点云分类方法，其特征在于，该方法包括以下步骤：

步骤1：使用PointNet++对原始点云数据进行预分类，获得点云预分类结果；

步骤2：针对预分类结果使用全局空间正则化进行分类结果优化，得到最终点云分类结果。

优选地，所述的步骤1具体包括：使用PointNet++的自动编码器部分对原始点云数据进行预分类，获得点云预分类结果。

优选地，所述PointNet++的自动编码器部分的输入为城市场景与预训练模型对应的ShapeNet数据集。