[发明专利]一种激光雷达点云分割方法、系统、设备及存储介质

权利要求书

1.一种激光雷达点云分割方法，其特征在于，包括：

以栅格化后的距离视图图像作为分割网络的输入，将所述栅格化后的距离视图图像映射至高维嵌入中，得到特征图；

对所述特征图进行注意力计算，得到与所述特征图对应的特征；

对所述特征进行语义类别预测，得到距离视图图像中每个栅格位置对于不同语义类别的概率分布；

以所述概率分布作为分割网络的输出，并将所述网络输出投影至三维空间，完成对激光雷达点云的语义分割。

2.根据权利要求1所述的激光雷达点云分割方法，其特征在于，在将栅格化后的距离视图图像送至分割网络之前，包括：对所述栅格化后的距离视图图像进行数据增强处理。

3.根据权利要求1所述的激光雷达点云分割方法，其特征在于，在将栅格化后的距离视图图像送至分割网络之前，还包括：

将栅格化后的距离视图图像进行切割，得到若干个子距离视图图像；

以所述子距离视图图像作为分割网络的输入。

4.根据权利要求1所述的激光雷达点云分割方法，其特征在于，所述栅格化后的距离视图图像通过对激光雷达点云进行栅格化处理得到，所述栅格化处理包括：

将激光雷达点云中的每个点投影至距离视图图像的栅格中，得到点云输入；所述点云输入由二维距离视图图像表征；且所述点云输入包括以下特征：点的坐标、深度、反射强度和掩码；其中，掩码用于表征所述点云输入中每一个栅格位置是否包含有效的点。

5.根据权利要求1所述的激光雷达点云分割方法，其特征在于，通过公式(1)对所述特征图进行注意力计算，所述公式(1)如下所示：

O＝Multi(Q，K，V)＝Concat(head₁，...，head_h)W^O    (1)

其中，O为多头注意力模块的输出；

为自注意力机制；

为注意力计算公式；

σ表示归一化指数函数，d^head表示头的维度；W^Q、W^K、W^V、W^O分别为自注意力机制中的查询Q、键值K、值项V和输出O的权重矩阵。

6.一种激光雷达点云分割系统，其特征在于，包括：分割网络以及与所述分割网络连接的投影模块，所述分割网络的输入为栅格化后的距离视图图像，所述分割网络的输出为距离视图图像中每个栅格位置对于不同语义类别的概率分布；

所述分割网络用于将所述栅格化后的距离视图图像映射至高维嵌入中，得到特征图；对所述特征图进行注意力计算，得到与所述特征图对应的特征；并对所述特征进行语义类别预测，得到距离视图图像中每个栅格位置对于不同语义类别的概率分布；

所述投影模块用于将所述网络输出投影至三维空间，完成对激光雷达点云的语义分割。

7.根据权利要求6所述的激光雷达点云分割系统，其特征在于，所述分割网络包括依次相连的距离嵌入模块、分割模块以及语义分割头模块；

所述距离嵌入模块、所述语义分割头模块均包括若干层多层感知机；

所述分割模块包括多个依次相连的子分割模块，每个所述子分割模块包括块嵌入模块、加与归一化模块、前向模块、多头注意力模块以及块聚合模块；

所述距离嵌入模块用于将所述距离视图图像映射至高维嵌入中，得到特征图；所述分割模块用于将所述特征图送入所述子分割模块中进行注意力计算，以进行特征提取，得到每个阶段的特征；所述阶段与所述子分割模块一一对应；所述语义分割头模块用于利用每个阶段的特征进行语义类别预测。

8.根据权利要求7所述的激光雷达点云分割系统，其特征在于，所述前向模块包括若干层多层感知机和激活函数；

所述前向模块通过公式(2)表征：

其中，FFN(·)表示前向模块；Linear(·)表示线性层；表示残差连接。