[发明专利]自动驾驶场景下的三维点云数据实例分割方法及系统

说明书

本发明提供了一种自动驾驶场景下的三维点云数据实例分割方法及系统，包括：利用目标物体的空间位置信息对室外街道场景进行初步识别与划分，形成感兴趣区域点云视柱；对感兴趣区域点云视柱提取包含物体的视柱点云与同分布的负样本视柱背景点云，形成视柱点云数据集；提取视柱点云数据集中每一个视柱点云包含物体的高维语义特征信息，同时引入带权重的多分类焦点损失函数，得到视柱内每一个点云所属的类别，实现对点云数据的实例分割。本发明提出的自动驾驶场景下的三维点云数据实例分割方法及系统，可以有效的增强目标细节特征表达，从而增强对点云困难样本的预测能力，提升了自动驾驶场景下点云实例分割的表现。

技术领域

本发明涉及计算机视觉技术领域，具体地，涉及一种适用于自动驾驶场景下的三维点云数据实例分割方法及系统。

背景技术

随着激光雷达等3D传感器在无人驾驶、机器人项目中的应用，三维数据越来越受到学术界和工业界的重视。点云是一种重要的三维数据表示形式，它通过直接测量获取，与人类观察世界的方式相仿，能够最大程度地保留物体的真实三维结构信息。基于点云的计算机视觉任务更是有着重要的实际意义，如何构建数学模型表示、处理和分析点云数据成为当前自动驾驶领域亟待解决的问题。

对三维点云数据实例分割问题来说，目前如何实现高质量的室外大场景实例分割仍是一个尚未解决的问题。首先，点云数据格式具有不规则性与高度的稀疏性，如何有效提取点云包含的信息仍有待探究。其次，室外的点云场景包含开阔空间中经扫描的所有物体表面点，因此存在大量的非目标背景噪声，使得目标物体识别十分困难。

早期的基于自动驾驶激光点云的分割算法将问题分解为地面的去除和前景物体的聚类，算法流程是首先以迭代的方式提取地面，例如随机抽样一致性算法，而后利用点云的结构特征对其余非地面的点进行聚类。早期的算法虽然考虑了滤除背景噪声，然而过多的依赖于手动选择特征，而且迭代的算法精确度和效率不稳定，无法应用在无人驾驶场景。

近期Wu等人在《IEEE International Conference on Robotics and Automation(ICRA),2018,pp.1887–1893》发表了题为“Squeezeseg:Convolutional neural nets withrecurrent crf for real-time road-object segmentation from 3d lidar pointcloud”的文章，该文章提出基于深度学习框架的道路目标分割的算法，使用投影的方式将点云转化为球面表示的图形，而后使用二维卷积神经网络进行学习和预测，从而实现点云的语义分割，在此基础上加入深度信息进一步处理，能够实现实例分割。该文章把点云信息的特征选取和语义预测结合在一起，能够使二维卷积神经网络应用在三维点云数据上，算法不需要人工的特征选择，泛化性较强。然而，该算法中三维向二维的投影造成了不可弥补的信息丢失，导致卷积神经网络的学习能力有限。此外，复杂的背景噪声严重的影响了目标物体的识别，使得总体的分割准确度很低，因此该算法的性能有待提高，即使提升了运算速率，依旧离无人驾驶应用非常遥远。

此外，经调研还发现，当前点云分割算法表现出类别间极大的不均衡性，模型对于简单样本过拟合，对于困难样本欠拟合，导致物体平均识别准确度较低，目前仍没有针对提升点云困难样本实例分割的有效算法。

发明内容

本发明针对现有技术中存在的上述缺陷，提供了一种适用于自动驾驶场景下的三维点云数据实例分割方法及系统。

本发明是通过以下技术方案实现的。

根据本发明的一个方面，提供了一种自动驾驶场景下的三维点云数据实例分割方法，包括：

利用目标物体的空间位置信息对室外街道场景进行初步识别与划分，形成感兴趣区域点云视柱；对感兴趣区域点云视柱提取包含物体的视柱点云与同分布的负样本视柱背景点云，形成视柱点云数据集；