[发明专利]大规模点云语义分割方法及系统

说明书

本发明涉及一种大规模点云语义分割方法及系统，所述语义分割方法包括：提取待识别点云的逐点特征，所述待识别点云由多个待识别点构成；基于各待识别点的点云空间信息，将各逐点特征逐步编码，得到对应的点云特征；将各点云特征逐步解码，得到对应的解码特征；根据各解码特征，基于语义分割网络模型，确定所述待识别3D点云的语义分割预测结果。本发明提取待识别点云的逐点特征，从大规模点云信息中提取更有效的空间特征，基于各待识别点的点云空间信息，将各逐点特征逐步编码，得到点云特征，进一步解码，得到解码特征，根据解码特征，确定所述待识别3D点云的语义分割预测结果，以获取周围空间环境的语义信息，从而提高语义分割精度。

技术领域

本发明涉及计算机视觉技术领域，特别涉及一种基于空间上下文特征学习的大规模点云语义分割方法及系统。

背景技术

在移动机器人周围环境感知系统中，周围环境的语义分割是重要的组成部分，为移动机器人的决策控制系统提供对其所处环境的语义理解信息。相比于2D图像传感器，3D传感器(如激光雷达)可以提供更丰富的空间几何结构信息，更有助于移动机器人理解其所处的三维空间。因而随着3D传感器的快速发展，3D点云的语义分割近年来倍受学术界和工业界关注，信息量大但可以详实地描述空间环境的大规模点云的语义分割更是倍受研究者关注的计算机视觉问题。

由于3D点云信息的无结构与无序性，点云的语义分割是一个很有挑战性的任务，尤其是对于大规模点云的语义分割。近年来，大量基于深度神经网络(Deep NeuralNetwork，DNN)的方法被用于点云的语义分割。现有的点云语义分割方法主要可以分为三类：基于空间投影的方法、基于空间离散化的方法和基于点处理的方法。基于空间投影的方法首先将3D点云投影至2D平面，然后利用2D语义分割方法实现分割，最后将2D分割结果反投影至3D空间。这类方法在投影过程中不可避免地存在信息丢失，而关键性细节信息的丢失不利于感知系统对环境的准确理解。基于空间离散化的方法首先将3D点云离散化为体素形式，进而基于体素进行后续的语义分割。这类方法存在离散化误差，最终的语义分割精度以及对环境的理解准确度受离散化程度的影响。同时，以上两类方法均需要额外的复杂点云空间处理步骤，如投影和离散化，其较高的计算复杂度使其无法处理大规模点云。因此，如何从大规模点云中提取更有效的特征是阻碍其在保证效率的前提下提升分割精度的关键问题。

发明内容

为了解决现有技术中的上述问题，即为了提高语义分割精度，本发明的目的在于提供一种大规模点云语义分割方法及系统。

为解决上述技术问题，本发明提供了如下方案：

一种大规模点云语义分割方法，所述语义分割方法包括：

提取待识别点云的逐点特征，所述待识别点云由多个待识别点构成；

基于各待识别点的点云空间信息，将各逐点特征逐步编码，得到对应的点云特征；

将各点云特征逐步解码，得到对应的解码特征；

根据各解码特征，基于语义分割网络模型，确定所述待识别3D点云的语义分割预测结果。

可选地，所述基于各待识别点的点云空间信息，将各逐点特征逐步编码，得到对应的点云特征，具体包括：

对各待识别点进行点云降采样处理，得到多个降采样点；

从各逐点特征中筛选出所述降采样点对应的特征，筛选出的特征为已学得特征；

针对每个降采样点，根据所述降采样点的点云空间信息及对应的已学得特征，确定对应的局部空间特征；

根据所述降采样点的点云空间信息，确定对应的全局空间上下文特征；

根据所述降采样点的局部空间特征及全局空间上下文特征，确定对应的空间上下文特征，所述降采样点的空间上下文特征为点云特征。