[发明专利]一种基于卷积神经网络的轻量级点云降噪方法及相关设备

说明书

本发明涉及一种基于卷积神经网络的轻量级点云降噪方法及相关装置，包括以下步骤：步骤S1：进行浅层特征提取；步骤S2：进行深层特征提取同时进行特征融合；步骤S3：对于得到的最终特征进行Dropout操作，防止过拟合，再使用卷积将特征的通道数目降至点云的类别数目，进而得到噪点的分类结果，进而去除噪点。本发明利用极端天气中得到的Lidar点云数据进行去噪任务，利用LilaBlock模块和FEAR模块进行去噪任务，与传统的WeatherNet去噪网络相比，本发明的Head部分(FEAR)与经过LilaBlock卷积操作后得到的浅层特征进行充分融合，使得网络能够在点云数据中学习到更多的隐藏特征；同时，本发明使用的FEAR模块，在更好地融合特征之后，同时保持轻量化的优点，便于在后续的去噪任务中节约计算资源。

技术领域

本发明属于三维视觉点云处理技术，尤其涉及一种基于卷积神经网络的轻量级点云降噪方法及相关设备。

背景技术

激光雷达传感器经常用于自动车辆和移动机器人的环境感知，然而恶劣的天气条件会导致雷达传感器捕获到不需要的测量点，进而导致漏检和误报，严重影响基于激光雷达的场景理解的性能。在大雨或浓雾中，水滴甚至可能会被误解为车辆前方的物体，致使移动机器人完全停下。

激光雷达技术在恶劣天气中面临着严峻的挑战，例如雾、灰尘、雪、雨、污染和雾霾。由于雷达接收到水滴如雨或雾或任意粒子的后向散射光，会对距离的测量产生严重影响，导致点云数据中出现错误的测量数据。在场景感知或是目标检测算法中，这些点是不希望出现的噪声，需要特别处理，否则将会降低算法的场景理解性能。

在3D域中，许多方法基于点云的空间邻近或统计分布，例如统计离群点去除(SOR)和半径离群点去除(ROR)过滤器。SOR基于一个点到所有k个邻域的平均距离，与由所有点的全局平均距离和标准偏差得出的阈值相比，定义了一个点的附近区域。ROR过滤器直接计算半径r内的邻居数，以决定是否过滤某个点。但这些滤波器类型不适合于被雪污染的稀疏点云的去噪任务，并且这些方法基于空间邻近性，丢弃了邻域中没有点的单一反射。距离更远的点越来越多地被过滤，如SOR、ROR甚至DROR。对于自动驾驶车辆，尤其是在更高的速度下，有价值的信息被丢弃，传感器的范围还受到过滤器的限制。

发明内容

有鉴于此，有必要针对上述问题，提供一种基于卷积神经网络的轻量级点云降噪方法及相关设备。

第一个方面，本发明提供一种基于卷积神经网络的轻量级点云降噪方法，包括以下步骤：

步骤S1：进行浅层特征提取；

步骤S2：进行深层特征提取同时进行特征融合；

步骤S3：对于得到的最终特征进行Dropout操作，防止过拟合，再使用卷积将特征的通道数目降至点云的类别数目，进而得到噪点的分类结果，进而去除噪点。

进一步地，所述步骤S1具体过程为：

S11：逐点输入Lidar点云数据中每点的距离与强度；

S12：将两个信息进行concat结合；

S13：对结合后的数据使用四个不同尺度的卷积核，提取相应的特征，同时增加特征维度，对提取的四个特征进行融合，再使用1×1卷积核对融合后的特征进行进一步提取。

进一步地，步骤S2具体过程为：

步骤S21：对步骤S1得到的浅层特征进行进一步增强；

步骤S22：对增强结果与浅层特征进行融合，得到融合特征；

步骤S23：将步骤S22得到的融合特征和步骤S1得到的浅层特征进行相加，得到最终特征。

进一步地，步骤S21具体操作如下：

S211：通过两个1×1的卷积核，进行特征放大；