CN109613557A - 一种补全激光雷达三维点云目标的系统及方法 - Google Patents

Abstract

本发明提供一种补全激光雷达三维点云目标的系统及方法，通过三层共享多层感知器、三层逐点最大池化层获得激光雷达目标的全局特征，使得激光雷达扫描获得的物体点云分布更稠密均匀，物体轮廓外形细节更完整，以实现检测识别及测量计算的目的。

Description

一种补全激光雷达三维点云目标的系统及方法

技术领域

本专利属于激光雷达物体检测识别技术领域。

背景技术

激光雷达由于受环境因素影响小，能够输出三维信息，在无人机、无人驾驶汽车等场景下应用越来越广泛。这使得激光雷达的研发与相应的数据处理技术受到业界关注。激光雷达输出的是稀疏的三维点云数据，扫描物体残缺不全，这对目标检测识别，目标尺寸测量造成很大障碍。现有技术利用激光雷达扫描获取物体外形，通常对外形不做补全处理，从而使得目标尺寸仍不够准确。还有通过摄像头获取物体图像数据，然后通过图像算法实现检测识别等目的。但是摄像头受环境因素影响很大，如雨雾天，夜晚等。另外，图像数据为二维信息，缺少深度信息，仍需借助雷达等传感器获取距离角度等信息。

发明内容

发明目的：本发明的目的是提供一种补全激光雷达三维点云目标的系统及方法，使得激光雷达扫描获得的物体点云分布更稠密均匀，物体轮廓外形细节更完整，以实现检测识别及测量计算等目的。

技术方案：为实现上述发明目的，本发明补全激光雷达三维点云目标的系统可采用以下技术方案：

一种补全激光雷达三维点云目标的系统，包括第一编码层、第二编码层、第三编码层；

第一编码层包括第一共享多层感知器、第一逐点最大池化层；第二编码层包括第二共享多层感知器、第二逐点最大池化层；第三编码层包括第三共享多层感知器、第三逐点最大池化层；

在第一编码层中，输入数据包括m个点三维坐标，数据格式为m×3的矩阵P，该矩阵的每一行为一个点的三维坐标pk＝(x,y,z)；输入数据首先经过由第一共享多层感知器获取点特征矩阵Point feature i，每点特征为f_1k；然后，点特征矩阵Point feature i通过第一最大池化层获取全局特征矩阵Global feature i，即g_1k＝max_k＝1,...,m{F_kj}for j＝1,...n；

在第二编码层中，首先将点特征矩阵Point feature i和点全局特征矩阵Globalfeature i连接获得扩展点特征矩阵它的每一行为一个点的串联特征[f_1k g_1k]；然后，将串联特征作为下一层输入，依次通过第二共享多层感知器(Shared MLP)和第二逐点最大池化层最终获得全局特征矩阵Global feature ii；

在第三编码层中，首先将点特征矩阵Point feature i、Point feature ii与全局特征矩阵Global feature ii串联连接获得扩展点特征矩阵它的每一行为一个点的串联特征[f_2k g_1k g_2k]，然后，将串联特征作为下一层输入，依次通过第三共享多层感知器和第三逐点最大池化层，最终获得全局特征。

进一步的，在解码阶段，将获得的特征Global feature iii通过全连接层解码重采样获得飞机整体完整轮廓，通过基于折叠的解码操作平滑物体表面。

进一步的，还包括机翼参数补全模块，该机翼参数补全模块获取分别与飞机两侧最宽处接触的两束激光束长度及两束激光束之间的夹角，获取机翼长度L：

其中，a为其中一束激光束的长度，b为另一束激光束的长度c为两束激光束之间的夹角。

本发明补全激光雷达三维点云目标的方法可采用以下技术方案：

一种补全激光雷达三维点云目标的方法，

设置第一编码层，包括第一共享多层感知器、第一逐点最大池化层；

设置第二编码层，包括第二共享多层感知器、第二逐点最大池化层；

设置第三编码层，包括第三共享多层感知器、第三逐点最大池化层；

在第一编码层中，输入数据包括m个点三维坐标，数据格式为m×3的矩阵P，该矩阵的每一行为一个点的三维坐标pk＝(x,y,z)；输入数据首先经过由第一共享多层感知器获取点特征矩阵Point feature i，每点特征为f_1k；然后，点特征矩阵Point feature i通过第一最大池化层获取全局特征矩阵Global feature i，即g_1k＝max_k＝1,...,m{F_kj}for j＝1,...n；

在第二编码层中，首先将点特征矩阵Point feature i和点全局特征矩阵Globalfeature i连接获得扩展点特征矩阵它的每一行为一个点的串联特征[f_1k g_1k]；然后，将串联特征作为下一层输入，依次通过第二共享多层感知器(Shared MLP)和第二逐点最大池化层最终获得全局特征矩阵Global feature ii；

在第三编码层中，首先将点特征矩阵Point feature i、Point feature ii与全局特征矩阵Global feature ii串联连接获得扩展点特征矩阵它的每一行为一个点的串联特征[f_2k g_1k g_2k]，然后，将串联特征作为下一层输入，依次通过第三共享多层感知器和第三逐点最大池化层，最终获得全局特征。

进一步的，在解码阶段，将获得的特征Global feature iii通过全连接层解码重采样获得飞机整体完整轮廓，通过基于折叠的解码操作平滑物体表面。

进一步的，分别与飞机两侧最宽处接触的两束激光束长度及两束激光束之间的夹角，获取机翼长度L：

其中，a为其中一束激光束的长度，b为另一束激光束的长度c为两束激光束之间的夹角。

有益效果：本发明通过修改的网络结构，改进网络提取特征的能力，在补全物体外形的基础上，增强物体点云分布稠密性与均匀性，物体轮廓特征细节部分补全效果更好。

附图说明

图1为本发明补全方法流程示意图。

具体实施方式

实施例一

本实施例基于IEEE国际计算机视觉与模式识别会议2017论文集中：

《C.R.Qi,H.Su,K.Mo,and L.J.Guibas.Pointnet:Deep learning on point setsfor 3d classification and segmentation.Proc.Computer Vision and PatternRecognition(CVPR),IEEE,1(2):4,2017》提出的方案改进。

本实施例一种补全激光雷达三维点云目标的系统，包括第一编码层、第二编码层、第三编码层；

第一编码层包括第一共享多层感知器、第一逐点最大池化层；第二编码层包括第二共享多层感知器、第二逐点最大池化层；第三编码层包括第三共享多层感知器、第三逐点最大池化层；

在第一编码层中，输入数据包括m个点三维坐标，数据格式为m×3的矩阵P，该矩阵的每一行为一个点的三维坐标pk＝(x,y,z)；输入数据首先经过由第一共享多层感知器获取点特征矩阵Point feature i，每点特征为f_1k；然后，点特征矩阵Point feature i通过第一最大池化层获取全局特征矩阵Global feature i，即g_1k＝max_k＝1,...,m{F_kj}for j＝1,...n；

在第二编码层中，首先将点特征矩阵Point feature i和点全局特征矩阵Globalfeature i连接获得扩展点特征矩阵它的每一行为一个点的串联特征[f_1k g_1k]；然后，将串联特征作为下一层输入，依次通过第二共享多层感知器(Shared MLP)和第二逐点最大池化层最终获得全局特征矩阵Global feature ii；

在第三编码层中，首先将点特征矩阵Point feature i、Point feature ii与全局特征矩阵Global feature ii串联连接获得扩展点特征矩阵它的每一行为一个点的串联特征[f_2k g_1k g_2k]，然后，将串联特征作为下一层输入，依次通过第三共享多层感知器和第三逐点最大池化层，最终获得全局特征。

在解码阶段，与文献《C.R.Qi,H.Su,K.Mo,and L.J.Guibas.Pointnet:Deeplearning on point sets for 3d classification and segmentation.Proc.ComputerVision and Pattern Recognition(CVPR),IEEE,1(2):4,2017》中的解码方式一致，即将获得的特征Global feature iii通过全连接层解码重采样获得飞机整体完整轮廓，通过基于折叠的解码操作平滑物体表面。

测试部分，测量机翼宽度，准确补全机翼宽度对测量准确度影响很大，这就要求算法对物体轮廓细节部分还原效果要好。利用补全好的飞机外形测量机翼宽度。通过机翼参数补全模块获取分别与飞机两侧最宽处接触的两束激光束长度及两束激光束之间的夹角，获取机翼长度L：

其中，a为其中一束激光束的长度，b为另一束激光束的长度c为两束激光束之间的夹角。

实施例二

本实施例提供一种补全激光雷达三维点云目标的方法：

设置第一编码层，包括第一共享多层感知器、第一逐点最大池化层；

设置第二编码层，包括第二共享多层感知器、第二逐点最大池化层；

设置第三编码层，包括第三共享多层感知器、第三逐点最大池化层；

在第一编码层中，输入数据包括m个点三维坐标，数据格式为m×3的矩阵P，该矩阵的每一行为一个点的三维坐标pk＝(x,y,z)；输入数据首先经过由第一共享多层感知器获取点特征矩阵Point feature i，每点特征为f_1k；然后，点特征矩阵Point feature i通过第一最大池化层获取全局特征矩阵Global feature i，即g_1k＝max_k＝1,...,m{F_kj}for j＝1,...n；

在第二编码层中，首先将点特征矩阵Point feature i和点全局特征矩阵Globalfeature i连接获得扩展点特征矩阵它的每一行为一个点的串联特征[f_1k g_1k]；然后，将串联特征作为下一层输入，依次通过第二共享多层感知器(Shared MLP)和第二逐点最大池化层最终获得全局特征矩阵Global feature ii；

在第三编码层中，首先将点特征矩阵Point feature i、Point feature ii与全局特征矩阵Global feature ii串联连接获得扩展点特征矩阵它的每一行为一个点的串联特征[f_2k g_1k g_2k]，然后，将串联特征作为下一层输入，依次通过第三共享多层感知器和第三逐点最大池化层，最终获得全局特征。

在解码阶段，与文献《C.R.Qi,H.Su,K.Mo,and L.J.Guibas.Pointnet:Deeplearning on point sets for 3d classification and segmentation.Proc.ComputerVision and Pattern Recognition(CVPR),IEEE,1(2):4,2017》中的解码方式一致，即将获得的特征Global feature iii通过全连接层解码重采样获得飞机整体完整轮廓，通过基于折叠的解码操作平滑物体表面。

以及，分别与飞机两侧最宽处接触的两束激光束长度及两束激光束之间的夹角，获取机翼长度L：

其中，a为其中一束激光束的长度，b为另一束激光束的长度c为两束激光束之间的夹角。

Claims (6)

1.一种补全激光雷达三维点云目标的系统，其特征在于，包括第一编码层、第二编码层、第三编码层；

第一编码层包括第一共享多层感知器、第一逐点最大池化层；第二编码层包括第二共享多层感知器、第二逐点最大池化层；第三编码层包括第三共享多层感知器、第三逐点最大池化层；

在第一编码层中，输入数据包括m个点三维坐标，数据格式为m×3的矩阵P，该矩阵的每一行为一个点的三维坐标pk＝(x,y,z)；输入数据首先经过由第一共享多层感知器获取点特征矩阵Point feature i，每点特征为f_1k；然后，点特征矩阵Point feature i通过第一最大池化层获取全局特征矩阵Global feature i，即g_1k＝max_k＝1,...,m{F_kj}for j＝1,...n；

在第二编码层中，首先将点特征矩阵Point feature i和点全局特征矩阵Globalfeature i连接获得扩展点特征矩阵它的每一行为一个点的串联特征[f_1k g_1k]；然后，将串联特征作为下一层输入，依次通过第二共享多层感知器(Shared MLP)和第二逐点最大池化层最终获得全局特征矩阵Global feature ii；

在第三编码层中，首先将点特征矩阵Point feature i、Point feature ii与全局特征矩阵Global feature ii串联连接获得扩展点特征矩阵它的每一行为一个点的串联特征[f_2k g_1k g_2k]，然后，将串联特征作为下一层输入，依次通过第三共享多层感知器和第三逐点最大池化层，最终获得全局特征。

2.根据权利要求1所述补全激光雷达三维点云目标的系统，其特征在于，

在解码阶段，将获得的特征Global feature iii通过全连接层解码重采样获得飞机整体完整轮廓，通过基于折叠的解码操作平滑物体表面。

3.根据权利要求1所述补全激光雷达三维点云目标的系统，其特征在于，还包括机翼参数补全模块，该机翼参数补全模块获取分别与飞机两侧最宽处接触的两束激光束长度及两束激光束之间的夹角，获取机翼长度L：

其中，a为其中一束激光束的长度，b为另一束激光束的长度c为两束激光束之间的夹角。

4.一种补全激光雷达三维点云目标的方法，其特征在于，

设置第一编码层，包括第一共享多层感知器、第一逐点最大池化层；

设置第二编码层，包括第二共享多层感知器、第二逐点最大池化层；

设置第三编码层，包括第三共享多层感知器、第三逐点最大池化层；

在第一编码层中，输入数据包括m个点三维坐标，数据格式为m×3的矩阵P，该矩阵的每一行为一个点的三维坐标pk＝(x,y,z)；输入数据首先经过由第一共享多层感知器获取点特征矩阵Point feature i，每点特征为f_1k；然后，点特征矩阵Point feature i通过第一最大池化层获取全局特征矩阵Global feature i，即g_1k＝max_k＝1,...,m{F_kj}for j＝1,...n；

在第二编码层中，首先将点特征矩阵Point feature i和点全局特征矩阵Globalfeature i连接获得扩展点特征矩阵它的每一行为一个点的串联特征[f_1k g_1k]；然后，将串联特征作为下一层输入，依次通过第二共享多层感知器(Shared MLP)和第二逐点最大池化层最终获得全局特征矩阵Global feature ii；

在第三编码层中，首先将点特征矩阵Point feature i、Point feature ii与全局特征矩阵Global feature ii串联连接获得扩展点特征矩阵它的每一行为一个点的串联特征[f_2k g_1k g_2k]，然后，将串联特征作为下一层输入，依次通过第三共享多层感知器和第三逐点最大池化层，最终获得全局特征。

5.根据权利要求4所述补全激光雷达三维点云目标的方法，其特征在于，

在解码阶段，将获得的特征Global feature iii通过全连接层解码重采样获得飞机整体完整轮廓，通过基于折叠的解码操作平滑物体表面。

6.根据权利要求4所述补全激光雷达三维点云目标的方法，其特征在于，分别与飞机两侧最宽处接触的两束激光束长度及两束激光束之间的夹角，获取机翼长度L：

其中，a为其中一束激光束的长度，b为另一束激光束的长度c为两束激光束之间的夹角。