[发明专利]基于多头自注意力的激光点云特征提取方法及装置

说明书

本发明公开了一种基于多头自注意力的激光点云特征提取方法及装置，该方法包括：获取激光雷达的原始点云信息；对原始点云信息进行体素分割，得到深度图；对深度图进行低级特征提取，得到低级特征图；基于级联的自注意力感知网络对低级特征图依次进行多次特征感知，得到高级特征图；将低级特征图和高级特征图进行融合，得到最终的点云特征图。该方法同时兼顾了原始图像的高级特征与低级特征，充分利用了原始点云的三维信息，有效防止了在多层特征提取下丢失低级特征的问题，提高了特征对原始数据的表达能力，进而提升了后续检测精度和效率。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于多头自注意力的激光点云特征提取方法及装置。

背景技术

在计算机中，图像以有序的多维矩阵进行存储，灰度图像对应一个二维数组，彩色图像对应一个三维数组。当参与计算的图像数目较少时，可以直接利用图像矩阵作为图像特征进行操。近年来，随着人工智能、大数据的快速发展，基于数据驱动的方法逐渐成为主流，在该类方法中，数据量往往都非常庞大，若依然采用传统的方法，直接用整个图像矩阵作为图像特征进行各类运算，将会占用大量的存储和计算资源，造成巨大的浪费。因此，对原始图像进行特征提取，通过一定的方法对图像进行降维，只存储图像中的关键信息，去除冗余信息有着巨大的意义。

目前，现有的用于深度学习任务的特征提取方法中，多采用基于CNN模型或者RNN模型的方法。其中，基于CNN模型的特征提取方法中，对图像两个位置之间的关联计算所需要的操作次数与两个位置之间的距离成正相关，因此在限定网络层数的情况下，难以很好的计算图像中距离较远的位置之间的关联，从而导致部分特征丢失；而基于RNN的方法因为其固有的顺序属性，也难以进行并行计算；且对于长序列，内存的限制会阻碍网络对样本的批量处理，影响后续检测精度。

综上，现有的特征提取方法所提取的特征对于表达原始数据的表达能力存在欠缺，严重影响了后续的激光点云目标检测、激光点云语义分割等任务的检测精度，且数据处理效率有待进一步提高。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于多头自注意力的激光点云特征提取方法及装置。本发明要解决的技术问题通过以下技术方案实现：

第一方面，本发明提供了一种基于多头自注意力的激光点云特征提取方法，包括：

步骤1：获取激光雷达的原始点云信息；

步骤2：对所述原始点云信息进行体素分割，得到深度图；

步骤3：对所述深度图进行低级特征提取，得到低级特征图；

步骤4：基于级联的自注意力感知网络对所述低级特征图依次进行多次特征感知，得到高级特征图；

步骤5：将所述低级特征图和所述高级特征图进行融合，得到最终的点云特征图。

在本发明的一个实施例中，步骤3具体包括：利用第一卷积层对所述深度图进行低级特征提取，得到低级特征图；其中，所述第一卷积层包括一个3*3卷积核。

在本发明的一个实施例中，在步骤4中，所述自注意力感知网络包括多个级联的特征感知模块和第二卷积层；其中，所述第二卷积层包括一个3*3卷积；

则步骤4具体包括：

依次利用多个特征感知模块对所述低级特征图进行特征感知；

利用第二卷积层对最后一级特征感知模块的输出进行处理，得到高级特征图。

在本发明的一个实施例中，每个所述特征感知模块包括多个级联的特征提取单元和第三卷积层；其中，所述第三卷积层包括一个3*3卷积核；

则每个特征感知模块对所述低级特征图进行特征感知的具体过程包括：