[发明专利]点云实例分割方法及相关系统、存储介质

说明书

本申请实施例提供一种点云实例分割方法及相关系统、存储介质。涉及人工智能领域，具体涉及计算机视觉领域。该方法包括：对目标场景中的点云进行处理，得到M个超点以及所述M个超点中每个超点的特征向量，M为不小于2的整数；根据所述M个超点的特征向量得到语义超点树以及所述语义超点树中每个节点的特征向量；根据所述每个节点的特征向量，将所述语义超点树分割为K个子树，K为正整数；根据所述K个子树得到所述点云中K个实例的语义类别，所述K个子树与所述K个实例一一对应。相较于现有技术，本方案整个过程无需人为设置参数，减少了影响分割精度的人为因素，有效提高了分割精度。

技术领域

本申请涉及计算机视觉技术领域，尤其涉及一种点云实例分割方法及相关系统、存储介质。

背景技术

计算机视觉是各个应用领域，如制造业、检验、文档分析、医疗诊断，和军事等领域中各种智能/自主系统中不可分割的一部分，它是一门关于如何运用照相机/摄像机和计算机来获取我们所需的，被拍摄对象的数据与信息的学问。形象地说，就是给计算机安装上眼睛(照相机/摄像机)和大脑(算法)用来代替人眼对目标进行识别、跟踪和测量等，从而使计算机能够感知环境。因为感知可以看作是从感官信号中提取信息，所以计算机视觉也可以看作是研究如何使人工系统从图像或多维数据中“感知”的科学。总的来说，计算机视觉就是用各种成象系统代替视觉器官获取输入信息，再由计算机来代替大脑对这些输入信息完成处理和解释。计算机视觉的最终研究目标就是使计算机能像人那样通过视觉观察和理解世界，具有自主适应环境的能力。

计算机视觉可以应用于3D实例分割区分场景中。其中，3D实例分割可以区分场景中各类别中的各种个体。目前，3D实例分割的关注度越来越高，相应的方法也被接连提出。众多方法的思想主要分为两类：基于候选区域的实例分割(proposal-based)和免候选区域的实例分割(proposal-free)。其中，proposal-based先获取场景中的感兴趣的候选区域，并在候选区域内对3D数据进一步预测得到实例标签。考虑到proposal-based实例分割通常需要2个过程(先得到候选区域，再实例分割)，分割过程繁琐，proposal-free则摒弃了基于候选区域的方式，直接通过数据特征或者结合语义分割结果，得到实例分割结果。

目前proposal-free中利用属于相同实例的点的坐标相邻的特征进行聚类处理，来得到感兴趣点云的语义类别，并确定出每个点所属的实例。然而，由于聚类采用的区域生长的算法需要设定半径参数，该参数会对聚类结果产生较大的影响，大幅降低了分割精度。

发明内容

本申请公开了一种点云实例分割方法及相关系统、存储介质，可以实现无需人为设定参数，有效提高分割精度。

第一方面，本申请实施例提供一种点云实例分割方法，包括：对目标场景中的点云进行处理，得到M个超点(super point)以及所述M个超点中每个超点的特征向量，M为不小于2的整数；根据所述M个超点的特征向量得到语义超点树以及所述语义超点树中每个节点(not)的特征向量；根据所述每个节点的特征向量，将所述语义超点树分割为K个子树，K为正整数；根据所述K个子树得到所述点云中K个实例的语义类别，所述K个子树与所述K个实例一一对应。

通过本申请实施例，通过对点云进行处理，得到超点，然后基于超点得到语义超点树，进而将语义超点树分割为不同子树，基于不同子树得到点云中各个实例的语义类别。本方案通过对具有几何相似度的点聚合成超点来进行实例分割，降低了点云实例分割的复杂度，避免了碎片化的分割。同时，本方案采用语义超点树来得到子树，即得到不同的实例，采用该手段进行实例分割，较为直观。且，相较于现有技术，本方案整个过程无需人为设置参数，减少了影响分割精度的人为因素，有效提高了分割精度。