CN114743001A - 语义分割方法、装置、电子设备及存储介质 - Google Patents
语义分割方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114743001A CN114743001A CN202210355928.6A CN202210355928A CN114743001A CN 114743001 A CN114743001 A CN 114743001A CN 202210355928 A CN202210355928 A CN 202210355928A CN 114743001 A CN114743001 A CN 114743001A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- semantic segmentation
- cloud data
- road
- segmentation result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 371
- 238000000034 method Methods 0.000 title claims abstract description 129
- 230000000007 visual effect Effects 0.000 claims abstract description 96
- 238000007499 fusion processing Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 44
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 claims description 33
- 240000004050 Pentaglottis sempervirens Species 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 26
- 238000013507 mapping Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例提供了一种语义分割方法、装置、电子设备及存储介质。所述方法包括:获取道路点云数据;获取所述道路点云数据在至少两种视角下的点云特征;根据所述至少两种视角下的点云特征,确定所述道路点云数据在所述至少两种视角下的初始语义分割结果;对所述初始语义分割结果进行融合处理,得到所述道路点云数据的语义分割结果。本申请实施例可以提高点云语义分割的精度。
Description
技术领域
本申请涉及自动驾驶技术领域,尤其涉及一种语义分割方法、装置、电子设备及存储介质。
背景技术
语义分割与理解是自动驾驶系统领域中一个核心的技术,通过对3D点云的语义理解将道路环境点云数据进行分割,识别出汽车、行人、路牌、电线杆等物体以及道路施工、路面坑洼、交通事故等路面情况,帮助车辆更好的理解所处的驾驶道路环境。通过对汽车周围环境的准确理解,保证行驶的安全性。
自动驾驶场景中基于3D点云的语义理解系统一般分为五个步骤:点云采集、点云预处理、点云分割、点云重建、点云后处理。传统的点云语义分割方法通常为基于边缘、区域增长、属性聚类、模型拟合以及基于图像的算法等,而由于3D点云具有稀疏性和不规则性,这些算法分割精度低。
发明内容
本申请实施例提供一种语义分割方法、装置、电子设备及存储介质,以解决相关技术中点云语义分割方法的语义分割精度较低的问题。
为了解决上述技术问题,本申请实施例是这样实现的:
第一方面,本申请实施例提供了一种语义分割方法,包括:
获取道路点云数据;
获取所述道路点云数据在至少两种视角下的点云特征;
根据所述至少两种视角下的点云特征,确定所述道路点云数据在所述至少两种视角下的初始语义分割结果;
对所述初始语义分割结果进行融合处理,得到所述道路点云数据的语义分割结果。
可选地,所述获取所述道路点云数据在至少两种视角下的点云特征,包括:
获取所述道路点云数据在鸟瞰图视角和/或球面投影视角下的点云特征;
获取所述道路点云数据在无序点集视角下的点云特征。
可选地,所述获取所述道路点云数据在鸟瞰图视角和/或球面投影视角下的点云特征,包括:
根据所述道路点云数据划分得到的点云体素,确定所述道路点云数据在所述鸟瞰图视角下的点云特征;和/或
根据所述道路点云数据对应的球面投影图像,确定所述道路点云数据在所述球面投影视角下的点云特征。
可选地,所述根据所述道路点云数据划分得到的点云体素,确定所述道路点云数据在所述鸟瞰图视角下的点云特征,包括:
将所述道路点云数据划分为若干个点云体素;
根据所述点云体素中的每个点的三维坐标、每个点与所述点云体素的中心点的距离、及每个点对应的反射强度值,生成所述点云体素的第一维度的点云特征;
调用语义分割网络的特征处理模块对所述第一维度的点云特征进行处理,得到所述点云体素的第二维度的点云特征;
根据所述点云体素中每个点的基准位置,将所述第二维度的点云特征映射至二维图像上,得到所述点云体素对应的图像映射特征;
调用所述语义分割网络的第一特征提取层对所述图像映射特征进行处理,得到所述道路点云数据在所述鸟瞰图视角下的点云特征。
可选地,所述根据所述道路点云数据对应的球面投影图像,确定所述道路点云数据在所述球面投影视角下的点云特征,包括:
将所述道路点云数据投影至目标通道数的二维图像上,得到目标通道数的球面投影图像;
调用语义分割网络的编码网络层提取所述球面投影图像的全局特征,得到所述所述道路点云数据在所述球面投影视角下的点云特征。
可选地,所述获取所述道路点云数据在无序点集视角下的点云特征,包括:
将所述鸟瞰图视角下的点云特征和/或所述球面投影视角下的点云特征,投影至所述道路点云数据的点上,得到三维点云特征;
调用语义分割网络的第二特征提取层对所述三维点云特征进行处理,得到所述道路点云数据在所述无序点集视角下的点云特征。
可选地,所述根据所述至少两种视角下的点云特征,确定所述道路点云数据在所述至少两种视角下的初始语义分割结果,包括:
根据所述无序点集视角下的点云特征,确定所述道路点云数据在所述无序点集视角下的第一语义分割结果;
根据所述鸟瞰图视角下的点云特征,确定所述道路点云数据在所述鸟瞰图视角下的第二语义分割结果;和/或
根据所述球面投影视角下的点云特征,确定所述道路点云数据在所述球面投影视角下的第三语义分割结果。
可选地,所述根据所述无序点集视角下的点云特征,确定所述道路点云数据在所述无序点集视角下的第一语义分割结果,包括:
调用分类器对所述无序点集视角下的点云特征进行分类处理;
根据分类处理结果,确定所述第一语义分割结果。
可选地,所述根据所述鸟瞰图视角下的点云特征,确定所述道路点云数据在所述鸟瞰图视角下的第二语义分割结果,包括:
根据语义分割网络的语义分割层对所述鸟瞰图视角下的点云特征进行处理,得到所述点云体素的语义分割结果;
将所述点云体素的语义分割结果赋值给所述点云体素中的每个点;
根据每个点的赋值结果,得到所述第二语义分割结果。
可选地,所述根据所述球面投影视角下的点云特征,确定所述道路点云数据在所述球面投影视角下的第三语义分割结果,包括:
调用语义分割网络的解码网络层对所述球面投影视角下的点云特征进行处理,得到原始分辨率的输出图像;
调用所述解码网络层对所述输出图像进行语义分割预测,生成语义分割图像;
根据所述语义分割图像,确定所述第三语义分割结果。
可选地,所述对所述初始语义分割结果进行融合处理,得到所述道路点云数据的语义分割结果,包括:
在所述至少两种视角为两种视角的情况下,根据所述鸟瞰图视角或所述球面投影视角下的初始语义分割结果,确定所述道路点云数据的背景分割结果;
根据所述无序点集视角下的初始语义分割结果,确定所述道路点云数据的非背景分割结果。
可选地,所述对所述初始语义分割结果进行融合处理,得到所述道路点云数据的语义分割结果,包括:
在所述至少两种视角为三种视角的情况下,根据所述鸟瞰图视角和所述球面投影视角下的初始语义分割结果,确定所述道路点云数据的背景分割结果;
根据所述鸟瞰图视角、所述球面投影视角和所述无序点集视角下的初始语义分割结果,确定所述道路点云数据的非背景分割结果。
第二方面,本申请实施例提供了一种语义分割装置,包括:
点云数据获取模块,用于获取道路点云数据;
点云特征获取模块,用于获取所述道路点云数据在至少两种视角下的点云特征;
初始分割结果确定模块,用于根据所述至少两种视角下的点云特征,确定所述道路点云数据在所述至少两种视角下的初始语义分割结果;
语义分割结果获取模块,用于对所述初始语义分割结果进行融合处理,得到所述道路点云数据的语义分割结果。
可选地,所述点云特征获取模块包括:
第一点云特征获取单元,用于获取所述道路点云数据在鸟瞰图视角和/或球面投影视角下的点云特征;
第二点云特征获取单元,用于获取所述道路点云数据在无序点集视角下的点云特征。
可选地,所述第一点云特征获取单元包括:
第一视角特征确定子单元,用于根据所述道路点云数据划分得到的点云体素,确定所述道路点云数据在所述鸟瞰图视角下的点云特征;
第二视角特征确定子单元,用于根据所述道路点云数据对应的球面投影图像,确定所述道路点云数据在所述球面投影视角下的点云特征。
可选地,所述第一视角特征确定子单元包括:
点云体素划分子单元,用于将所述道路点云数据划分为若干个点云体素;
点云特征生成子单元,用于根据所述点云体素中的每个点的三维坐标、每个点与所述点云体素的中心点的距离、及每个点对应的反射强度值,生成所述点云体素的第一维度的点云特征;
点云特征获取子单元,用于调用语义分割网络的特征处理模块对所述第一维度的点云特征进行处理,得到所述点云体素的第二维度的点云特征;
图像映射特征获取子单元,用于根据所述点云体素中每个点的基准位置,将所述第二维度的点云特征映射至二维图像上,得到所述点云体素对应的图像映射特征;
第一视角特征获取子单元,用于调用所述语义分割网络的第一特征提取层对所述图像映射特征进行处理,得到所述道路点云数据在所述鸟瞰图视角下的点云特征。
可选地,所述第二视角特征确定子单元包括:
球面投影图像获取子单元,用于将所述道路点云数据投影至目标通道数的二维图像上,得到目标通道数的球面投影图像;
第二视角特征获取子单元,用于调用语义分割网络的编码网络层提取所述球面投影图像的全局特征,得到所述所述道路点云数据在所述球面投影视角下的点云特征。
可选地,所述第二点云特征获取单元包括:
三维点云特征获取子单元,用于将所述鸟瞰图视角下的点云特征和/或所述球面投影视角下的点云特征,投影至所述道路点云数据的点上,得到三维点云特征;
第二点云特征获取子单元,用于调用语义分割网络的第二特征提取层对所述三维点云特征进行处理,得到所述道路点云数据在所述无序点集视角下的点云特征。
可选地,所述初始分割结果确定模块包括:
第一分割结果确定单元,用于根据所述无序点集视角下的点云特征,确定所述道路点云数据在所述无序点集视角下的第一语义分割结果;
第二分割结果确定单元,用于根据所述鸟瞰图视角下的点云特征,确定所述道路点云数据在所述鸟瞰图视角下的第二语义分割结果;
第三分割结果确定单元,用于根据所述球面投影视角下的点云特征,确定所述道路点云数据在所述球面投影视角下的第三语义分割结果。
可选地,所述第一分割结果确定单元包括:
点云特征分类子单元,用于调用分类器对所述无序点集视角下的点云特征进行分类处理;
第一分割结果确定子单元,用于根据分类处理结果,确定所述第一语义分割结果。
可选地,所述第二分割结果确定单元包括:
体素分割结果获取子单元,用于根据语义分割网络的语义分割层对所述鸟瞰图视角下的点云特征进行处理,得到所述点云体素的语义分割结果;
体素分割结果赋值子单元,用于将所述点云体素的语义分割结果赋值给所述点云体素中的每个点;
第二分割结果确定子单元,用于根据每个点的赋值结果,得到所述第二语义分割结果。
可选地,所述第三分割结果确定单元包括:
输出图像获取子单元,用于调用语义分割网络的解码网络层对所述球面投影视角下的点云特征进行处理,得到原始分辨率的输出图像;
语义分割图像生成子单元,用于调用所述解码网络层对所述输出图像进行语义分割预测,生成语义分割图像;
第三分割结果确定子单元,用于根据所述语义分割图像,确定所述第三语义分割结果。
可选地,所述语义分割结果获取模块包括:
第一背景分割结果确定单元,用于在所述至少两种视角为两种视角的情况下,根据所述鸟瞰图视角或所述球面投影视角下的初始语义分割结果,确定所述道路点云数据的背景分割结果;
第一非背景分割结果确定单元,用于根据所述无序点集视角下的初始语义分割结果,确定所述道路点云数据的非背景分割结果。
可选地,所述语义分割结果获取模块包括:
第二背景分割结果确定单元,用于在所述至少两种视角为三种视角的情况下,根据所述鸟瞰图视角和所述球面投影视角下的初始语义分割结果,确定所述道路点云数据的背景分割结果;
第二非背景分割结果确定单元,用于根据所述鸟瞰图视角、所述球面投影视角和所述无序点集视角下的初始语义分割结果,确定所述道路点云数据的非背景分割结果。
第三方面,本申请实施例提供了一种电子设备,包括:
存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述任一项所述的语义分割方法。
第四方面,本申请实施例提供了一种可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述任一项所述的语义分割方法。
在本申请实施例中,通过获取道路点云数据,获取道路点云数据在至少两种视角下的点云特征,确定道路点云数据在至少两种视角下的初始语义分割结果,对初始语义分割结果进行融合处理,得到道路点云数据的语义分割结果。本申请实施例通过将道路点云数据在至少两种视角下的语义分割结果进行融合,得到最终的语义分割结果,可以实现对单视角下的语义分割结果进行优化,提高了点云语义分割结果的精度。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种语义分割方法的步骤流程图;
图2为本申请实施例提供的一种点云特征获取方法的步骤流程图;
图3为本申请实施例提供的一种多视角特征获取方法的步骤流程图;
图4为本申请实施例提供的一种鸟瞰图视角特征确定方法的步骤流程图;
图5为本申请实施例提供的一种球面投影视角特征确定方法的步骤流程图;
图6为本申请实施例提供的一种无序点集视角特征获取方法的步骤流程图;
图7为本申请实施例提供的一种初始语义分割结果确定方法的步骤流程图;
图8为本申请实施例提供的一种无序点集视角语义分割结果确定方法的步骤流程图;
图9为本申请实施例提供的一种鸟瞰图视角语义分割结果确定方法的步骤流程图;
图10为本申请实施例提供的一种球面投影视角语义分割结果确定方法的步骤流程图;
图11为本申请实施例提供的一种语义分割结果获取方法的步骤流程图;
图12为本申请实施例提供的另一种语义分割结果获取方法的步骤流程图;
图13为本申请实施例提供的一种语义分割网络模型的结构示意图;
图14为本申请实施例提供的一种语义分割装置的结构示意图;
图15为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例一
参照图1,示出了本申请实施例提供的一种语义分割方法的步骤流程图,如图1所示,该语义分割方法可以包括以下步骤:
步骤101:获取道路点云数据。
本申请实施例可以应用于将道路点云数据在多种视角下的语义分割结果进行融合,得到最终的语义分割结果的场景中。
在本实施例中,道路点云数据可以是通过车辆上安装的激光雷达获取的,在实际应用中,还可以采用RSU(Road Side Unit,路侧单元)整合高清摄像头和微波雷达装置,将信息实时上传给云端,以获取道路点云数据。
在本示例中,道路点云数据为由一组无序点组成的集合,每个点的维度为4维,分别为(x,y,z,i),其中,(x,y,z)为每个点对应的空间位置,i为每个点对应的反射强度值。
在自动驾驶场景中,可以根据车辆上安装的激光雷达获取道路点云数据。
在获取到道路点云数据之后,执行步骤102。
步骤102:获取所述道路点云数据在至少两种视角下的点云特征。
至少两种视角可以用于指示提取道路点云数据的点云特征的视角,在本示例中,至少两种视角可以包括以下三种视角组合方式中的任一种:
1、无序点集视角和鸟瞰图视角的视角组合;
2、无序点集视角和球面投影视角的视角组合;
3、无序点集、鸟瞰图视角和球面投影视角的视角组合。
在获取到道路点云数据之后,可以获取道路点云数据在至少两种视角下的点云特征。在本示例中,获取的点云特征即包括无序点集视角下的点云特征,以及鸟瞰图视角下的点云特征与球面投影视角下的点云特征的至少一种,对于获取道路点云数据在至少两种视角下的点云特征的方案可以结合图2进行如下描述。
参照图2,示出了本申请实施例提供的一种点云特征获取方法的步骤流程图,如图2所示,该点云特征获取方法可以包括:步骤201和步骤202。
步骤201:获取所述道路点云数据在鸟瞰图视角和/或球面投影视角下的点云特征。
步骤202:获取所述道路点云数据在无序点集视角下的点云特征。
在本实施例中,如上述方案,至少两种视角包括上述三种视角组合方式中的任一种。
在本示例中,获取的点云特征包括以下三种中的任一种:
1、无序点集视角下的点云特征、鸟瞰图视角下的点云特征;
2、无序点集视角下的点云特征、球面投影视角下的点云特征;
3、无序点集视角下的点云特征、鸟瞰图视角下的点云特征和球面投影视角下的点云特征。
对于获取道路点云数据在鸟瞰图视角和/或球面投影视角下的点云特征的方案可以结合图3进行如下详细描述。
参照图3,示出了本申请实施例提供的一种多视角特征获取方法的步骤流程图,如图3所示,该多视角特征获取方法可以包括:步骤301和步骤302。
步骤301:根据所述道路点云数据划分得到的点云体素,确定所述道路点云数据在所述鸟瞰图视角下的点云特征。
在本实施例中,在进行鸟瞰图视角下的点云特征提取时,可以根据道路点云数据划分得到的点云体素,确定出道路点云数据在鸟瞰图视角下的点云特征,对于该过程可以结合图4进行如下详细描述。
参照图4,示出了本申请实施例提供的一种鸟瞰图视角点云特征确定方法的步骤流程图,如图4所示,该鸟瞰图视角点云特征确定方法可以包括:步骤401、步骤402、步骤403、步骤404和步骤405。
步骤401:将所述道路点云数据划分为若干个点云体素。
在本实施例中,体素是体积元素的简称,包含体素的立体可以通过立体渲染或者提取给定阈值轮廓的多边形等值面表现出来。
在获取到道路点云数据之后,还可以对道路点云数据进行预处理,以剔除道路点云数据中的不符合要求的点,具体地,可以去除不符合要求的点,如nan值或者非常大的值等,而输入的点云是三维的不规则的一块区域,首先限定x,y和z方向的范围,取一块较大的立方体中的点云,其余的舍弃,这个立方体空间的大小为[xmax-xmin,ymax-ymin,zmax-zmin],接着取感兴趣区域内的点,xmin<x<xmax,ymin<y<ymax,zmin<z<zmax,单位是米,然后根据感兴趣区域内的点进行后续的语义分割处理。
在获取到感兴趣区域内的点之后,可以将感兴趣区域内的点云数据划分为若干个点云体素,具体地,可以将感兴趣区域内的点分别沿着x轴和y轴方向,划分成若干个柱状的点云体素,z轴方向不做划分。
在将道路点云数据划分为若干个点云体素之后,执行步骤402。
步骤402:根据所述点云体素中的每个点的三维坐标、每个点与所述点云体素的中心点的距离、及每个点对应的反射强度值,生成所述点云体素的第一维度的点云特征。
在将道路点云数据划分为若干个点云体素之后,可以根据点云体素中每个点的三维坐标,每个点与点云体素的中心点的距离、及每个点对应的反射强度值,生成每个点云体素的第一维度的点云特征,具体地,在每个点云体素中包含一定数量的点(若存在不包含点的点云体素,则舍弃此体素),可以计算每个点云体素中每个点与点云体素的中心点之间的距离,用xc,yc,zc表示。然后根据每个点的三维坐标(x,y,z)、计算得到的距离(xc,yc,zc)和反射强度值i,即可生成点云体素的第一维度的点云特征,该第一维度即为7维度,生成的点云特征为(x,y,z,i,xc,yc,zc)。
在生成每个点云体素的第一维度的点云特征之后,执行步骤403。
步骤403:调用语义分割网络的特征处理模块对所述第一维度的点云特征进行处理,得到所述点云体素的第二维度的点云特征。
在生成每个点云体素的第一维度的点云特征之后,可以调用语义分割网络的特征处理模块对第一维度的点云特征进行处理,以得到点云体素的第二维度的点云特征,如图13所示,特征处理模块即为VFE模块,该VFE模块可以包括:Linear(全连接层)、BN(归一化层)、ReLU(激活函数层)和MaxPool1D(一维最大池化层),设每个点云体素中点的数量为K,点云体素的个数为N,输入的特征即为:N*K*7,其中,7代表维度,输入的特征经过Linear、BN、ReLU和MaxPool1D,会输出一个第二维度的点云特征,该第二维度即为:N*D,其中,D为Linear输出的维度。
在调用语义分割网络的特征处理模块对第一维度的点云特征进行处理得到点云体素的第二维度的点云特征之后,执行步骤404。
步骤404:根据所述点云体素中每个点的基准位置,将所述第二维度的点云特征映射至二维图像上,得到所述点云体素对应的图像映射特征。
基准位置是指点云体素中每个点所对应的原始位置。
在调用语义分割网络的特征处理模块对第一维度的点云特征进行处理得到点云体素的第二维度的点云特征之后,可以根据点云体素中每个点的基准位置,将第二维度的点云特征映射至二维图像上,以得到点云体素对应的图像映射特征,具体地,将N*D维的特征映射到图像特征上,由于点云的稀疏性,某些位置将不会有体素相对应,这些位置的特征设置为0,最后形成的特征维度是(W,H,D),其中,W和H分别表示图像的宽和高。
在根据点云体素中每个点的基准位置将第二维度的点云特征映射至二维图像上得到点云体素对应的图像映射特征之后,执行步骤405。
步骤405:调用所述语义分割网络的第一特征提取层对所述图像映射特征进行处理,得到所述道路点云数据在所述鸟瞰图视角下的点云特征。
在得到点云体素对应的图像映射特征之后,则可以调用语义分割网络的第一特征提取层对图像映射特征进行处理,以得到道路点云数据在鸟瞰图视角下的点云特征,如图13所示,第一特征提取层可以包括:Block3、Block5、Block5、CBR和conCat,在将图像映射特征输入至标准的卷积神经网络之后,卷积网络由三个模块组成,每个模块含有的卷积层数量分别是3、5、5,通过三个block输出的三个特征,然后将这三个特征分别进行上采样(CBR)和级联(conCat执行),即可得到道路点云数据在鸟瞰图视角下的点云特征。
步骤302:根据所述道路点云数据对应的球面投影图像,确定所述道路点云数据在所述球面投影视角下的点云特征。
在本实施例中,在进行球面投影视角下的点云特征提取时,可以根据道路点云数据对应的球面投影图像,确定道路点云数据在球面投影视角下的点云特征,对于该过程可以结合图5进行如下详细描述。
参照图5,示出了本申请实施例提供的一种球面投影视角点云特征确定方法的步骤流程图,如图5所示,该球面投影视角点云特征确定方法可以包括:步骤501和步骤502。
步骤501:将所述道路点云数据投影至目标通道数的二维图像上,得到目标通道数的球面投影图像。
在本实施例中,球面投影图像是指将道路点云数据投影至二维图像上得到的图像。
在得到道路点云数据之后,可以将道路点云数据投影至目标通道数的二维图像上,以得到目标通道数的球面投影图像,在本示例中,目标通道数可以为5,在得到道路点云数据之后,可以根据道路点云数据中每个点的点云位置将每个点云投影至一张通道为5的图像上,5个通道分别为(x,y,z,depth,intensity),具体地投影公式如下述公式(1)所示:
上述公式(1)中,(u,v)表示点云投影至图像上的坐标,(x,y,z)表示道路点云数据中每个点的三维坐标,r表示道路点云数据中的点到坐标原点的距离,fup表示是激光雷达垂直fov的最大值。
在将道路点云数据投影至目标通道数的二维图像上得到目标通道数的球面投影图像之后,执行步骤502。
步骤502:调用语义分割网络的编码网络层提取所述球面投影图像的全局特征,得到所述所述道路点云数据在所述球面投影视角下的点云特征。
在获取到球面投影图像之后,则可以调用语义分割网络的编码网络层提取球面投影图像的全局特征,以得到道路点云数据在球面投影视角下的点云特征,如图13所示,编码网络层是由多个Encoder模块(图13所示:E1、E2、E3、E4和E5),每个Encoder模块由若干个残差模块组成,图像每经过一侧Encoder模块,其大小也会缩减一半,经过多次Encoder模块之后提取全局特征,即可以得到道路点云数据在球面投影视角下的点云特征。
对于无序点集视角下的点云特征的获取过程可以结合图6进行如下详细描述。
参照图6,示出了本申请实施例提供的一种无序点集视角特征获取方法的步骤流程图,如图6所示,该无序点集视角特征获取方法可以包括:步骤601和步骤602。
步骤601:将所述鸟瞰图视角下的点云特征和/或所述球面投影视角下的点云特征,投影至所述道路点云数据的点上,得到三维点云特征。
在本实施例中,点云是由一系列点组成的,此分支以点为单位进行点云分割,也可以认为是对每个点进行分类。点云点的特征来自鸟瞰图视角下提取的特征和/或球面投影视角下得到的特征的融合。首先需要将鸟瞰图视角下的特征和/或球面投影视角下的特征映射到每个点上,再将点云形成体素或者进行球面投影的时候会有点云到两个视图的映射关系,通过这个映射关系可以将特征反投回点云上,从而可以得到三维点云特征。
在将鸟瞰图视角下的点云特征和/或球面投影视角下的点云特征,投影至道路点云数据的点上,得到三维点云特征之后,执行步骤602。
步骤602:调用语义分割网络的第二特征提取层对所述三维点云特征进行处理,得到所述道路点云数据在所述无序点集视角下的点云特征。
在将鸟瞰图视角下的点云特征和/或球面投影视角下的点云特征,投影至道路点云数据的点上,得到三维点云特征之后,可以调用语义分割网络的第二特征提取层对三维点云特征进行处理,得到道路点云数据在无序点集视角下的点云特征,如图13所示,可以将多个Block的特征以及Encoder特征投影到点云点上之后,对这些特征进行融合,方法采用的是Concat,之后经过全连接层、归一化层以及激活层进一步做特征提取,以得到道路点云数据在无序点集视角下的点云特征。
在获取到道路点云数据在至少两种视角下的点云特征之后,执行步骤103。
步骤103:根据所述至少两种视角下的点云特征,确定所述道路点云数据在所述至少两种视角下的初始语义分割结果。
初始语义分割结果是指根据每种视角下的点云特征,得到的每种视角下的语义分割结果,在本示例中,初始语义分割结果即包含了至少两种语义分割结果,具体地可以分为三种情况:
1、初始语义分割结果为:无序点集视角下的语义分割结果和鸟瞰图视角下的语义分割结果;
2、初始语义分割结果为:无序点集视角下的语义分割结果和球面投影视角下的语义分割结果;
3、初始语义分割结果为:无序点集视角下的语义分割结果、鸟瞰图视角下的语义分割结果和球面投影视角下的语义分割结果。
在获取到道路点云数据在至少两种视角下的点云特征之后,可以根据至少两种视角下的点云特征确定出道路点云数据在至少两种视角下的初始语义分割结果,具体地,对于获取初始语义结果的过程可以结合图7进行如下详细描述。
参照图7,示出了本申请实施例提供的一种初始语义分割结果确定方法的步骤流程图,如图7所示,该初始语义分割结果确定方法可以包括:步骤701、步骤702和步骤703。
步骤701:根据所述无序点集视角下的点云特征,确定所述道路点云数据在所述无序点集视角下的第一语义分割结果。
在本实施例中,第一语义分割结果是指道路点云数据在无序点集视角的语义分割结果。
在得到道路点云数据在无序点集视角下的点云特征之后,可以根据无序点集视角下的点云特征确定出道路点云数据在无序点集视角下的语义分割结果,即第一语义分割结果,具体地,在得到无序点集视角下的点云特征之后,可以使用分类器根据点云特征进行处理,以得到第一语义分割结果,对于该过程可以结合图8进行如下详细描述。
参照图8,示出了本申请实施例提供的一种无序点集视角语义分割结果确定方法的步骤流程图,如图8所示,该无序点集视角语义分割结果确定方法可以包括:步骤801和步骤802。
步骤801:调用分类器对所述无序点集视角下的点云特征进行分类处理。
在本实施例中,在得到道路点云数据在无序点集视角下的点云特征,可以调用分类器对无序点集视角下的点云特征进行分类处理,以得到道路点云数据中每个点云对应的分类处理结果。
步骤802:根据分类处理结果,确定所述第一语义分割结果
在得到每个点云对应的分类处理结果之后,可以根据每个点云的分类处理结果确定出道路点云数据在无序点集视角下的第一语义分割结果,如图13所示,可以调用refine分类器对无序点集视角下的点云特征进行处理,以输出一幅分割图,该分割图可以指示出道路点云数据在无序点集视角下的第一语义分割结果。
步骤702:根据所述鸟瞰图视角下的点云特征,确定所述道路点云数据在所述鸟瞰图视角下的第二语义分割结果。
第二语义分割结果是指道路点云数据在鸟瞰图视角下的语义分割结果。
在得到道路点云数据在鸟瞰图视角下的点云特征之后,可以根据鸟瞰图视角下的点云特征确定出道路点云数据在鸟瞰图视角下的语义分割结果,即第二语义分割结果,对于该过程可以结合图9进行如下详细描述。
参照图9,示出了本申请实施例提供的一种鸟瞰图视角语义分割结果确定方法的步骤流程图,如图9所示,该鸟瞰图视角语义分割结果确定方法可以包括:步骤901、步骤902和步骤903。
步骤901:根据语义分割网络的语义分割层对所述鸟瞰图视角下的点云特征进行处理,得到所述点云体素的语义分割结果。
在本实施例中,在获取到道路点云数据在鸟瞰图视角下的点云特征之后,可以调用语义分割网络的语义分割层对鸟瞰图视角下的点云特征进行处理,以得到点云体素的语义分割结果。
在得到点云体素的语义分割结果之后,执行步骤902。
步骤902:将所述点云体素的语义分割结果赋值给所述点云体素中的每个点。
在得到点云体素的语义分割结果之后,可以将点云体素的语义分割结果赋值给点云体素中的每个点。
步骤903:根据每个点的赋值结果,得到所述第二语义分割结果。
在得到每个点的赋值之后,可以根据每个点的赋值结果得到道路点云数据在鸟瞰图视角下的语义分割结果,即第二语义分割结果,具体地,如图13所示,在语义分割网络的分割部分可以对主网络输出的鸟瞰图视角下的点云特征进行上采样,然后经过CBL层和卷积层,输出维度为(W,H,n_class)的数据,在经过取最大值:每个体素预测出一个数字,得到(W,H,1)的分割结果。这个结果是在鸟瞰图下的分割结果,每个柱状体素与鸟瞰图下的一个位置相对应,通过这个映射关系得到柱状体素的分割结果,将这个分割结果赋值给柱状体素中的所有点,如此即可得到道路点云数据在鸟瞰图视角下的第二语义分割结果。
步骤703:根据所述球面投影视角下的点云特征,确定所述道路点云数据在所述球面投影视角下的第三语义分割结果。
第三语义分割结果是指道路点云数据在球面投影视角下的语义分割结果。
在得到道路点云数据在球面投影视角下的点云特征之后,可以根据球面投影视角下的点云特征确定出道路点云数据在球面投影视角下的语义分割结果,即第三语义分割结果。对于该过程可以结合图10进行如下详细描述。
参照图10,示出了本申请实施例提供的一种球面投影视角语义分割结果确定方法的步骤流程图,如图10所示,该球面投影视角语义分割结果确定方法可以包括:步骤1001、步骤1002和步骤1003。
步骤1001:调用语义分割网络的解码网络层对所述球面投影视角下的点云特征进行处理,得到原始分辨率的输出图像。
在本实施例中,在经过多次的Encoder模块提取到道路点云数据在球面投影视角下的点云特征之后,可以调用语义分割网络的解码网络层对所述球面投影视角下的点云特征进行处理,得到原始分辨率的输出图像,该解码网络层是由多个Decoder模块,如图13所示的D4、D3、D2、D1。
步骤1002:调用所述解码网络层对所述输出图像进行语义分割预测,生成语义分割图像。
在得到原始分辨率的输出图像之后,可以调用解码网络层对输出图像进行语义分割预测,以生成一幅语义分割图像。
步骤1003:根据所述语义分割图像,确定所述第三语义分割结果。
通过上述步骤生成的语义分割图像可以确定出道路点云数据在球面投影视角下的语义分割结果,即第三语义分割结果。
在获取到道路点云数据在至少两种视角下的初始语义分割结果之后,执行步骤104。
步骤104:对所述初始语义分割结果进行融合处理,得到所述道路点云数据的语义分割结果。
在获取到道路点云数据在至少两种视角下的初始语义分割结果之后,可以对至少两种视角下的初始语义分割结果进行融合处理,以得到道路点云数据最终的语义分割结果,具体地融合处理方式可以结合图11和图12进行如下详细描述。
参照图11,示出了本申请实施例提供的一种语义分割结果获取方法的步骤流程图,如图11所示,该语义分割结果获取方法可以包括:步骤1101和步骤1102。
步骤1101:在所述至少两种视角为两种视角的情况下,根据所述鸟瞰图视角或所述球面投影视角下的初始语义分割结果,确定所述道路点云数据的背景分割结果。
在本实施例中,在至少两种视角为两种视角的情况下,可以根据鸟瞰图视角或球面投影视角下的初始语义分割结果确定道路点云数据的背景分割结果。
可以理解地,鸟瞰图视角和球面投影视角下的分割结果较为粗糙,但是召回率很高,可以用来对无序点集视角下的点云分割结果进行优化。具体方法是,如果鸟瞰图视角或球面投影视角下的初始语义分割结果认为该点是背景,并且置信度大于一定阈值,那么将这个点的分割结果确定为背景分割结果。
步骤1102:根据所述无序点集视角下的初始语义分割结果,确定所述道路点云数据的非背景分割结果。
在确定背景分割结果之后,对于非背景的点,无序点集视角相比于鸟瞰图视角和球面投影视角语义分割精度要高很多,此时,可以根据无序点集视角下的初始语义分割结果,确定道路点云数据的非背景分割结果。
参照图12,示出了本申请实施例提供的另一种语义分割结果获取方法的步骤流程图,如图12所示,该语义分割结果获取方法可以包括:步骤1201和步骤1202。
步骤1201:在所述至少两种视角为三种视角的情况下,根据所述鸟瞰图视角和所述球面投影视角下的初始语义分割结果,确定所述道路点云数据的背景分割结果。
在本实施例中,在至少两种视角为三种视角的情况下,可以根据鸟瞰图视角和球面投影视角下的初始语义分割结果确定道路点云数据的背景分割结果。
可以理解地,鸟瞰图视角和球面投影视角下的分割结果较为粗糙,但是召回率很高,可以用来对无序点集视角下的点云分割结果进行优化。具体方法是,如果鸟瞰图视角和球面投影视角下的初始语义分割结果认为该点是背景,并且置信度大于一定阈值,那么将这个点的分割结果确定为背景分割结果。
步骤1202:根据所述鸟瞰图视角、所述球面投影视角和所述无序点集视角下的初始语义分割结果,确定所述道路点云数据的非背景分割结果。
在确定背景分割结果之后,对于非背景的点,可以根据鸟瞰图视角、球面投影视角和无序点集视角下的初始语义分割结果,确定出道路点云数据的非背景分割结果,具体地,可以结合三种视角下的初始语义分割结果采用投票的方式产生,例如,若三种视角的初始语义结果中有两个初始语义结果认定某个点为建筑物,则将该点的语义分割结果确定为建筑物等。
本申请实施例提供的语义分割方法,通过获取道路点云数据,获取道路点云数据在至少两种视角下的点云特征,确定道路点云数据在至少两种视角下的初始语义分割结果,对初始语义分割结果进行融合处理,得到道路点云数据的语义分割结果。本申请实施例通过将道路点云数据在至少两种视角下的语义分割结果进行融合,得到最终的语义分割结果,可以实现对单视角下的语义分割结果进行优化,提高了点云语义分割结果的精度。
实施例二
参照图14,示出了本申请实施例提供的一种语义分割装置的结构示意图,如图14所示,该语义分割装置1400可以包括以下模块:
点云数据获取模块1410,用于获取道路点云数据;
点云特征获取模块1420,用于获取所述道路点云数据在至少两种视角下的点云特征;
初始分割结果确定模块1430,用于根据所述至少两种视角下的点云特征,确定所述道路点云数据在所述至少两种视角下的初始语义分割结果;
语义分割结果获取模块1440,用于对所述初始语义分割结果进行融合处理,得到所述道路点云数据的语义分割结果。
可选地,所述点云特征获取模块包括:
第一点云特征获取单元,用于获取所述道路点云数据在鸟瞰图视角和/或球面投影视角下的点云特征;
第二点云特征获取单元,用于获取所述道路点云数据在无序点集视角下的点云特征。
可选地,所述第一点云特征获取单元包括:
第一视角特征确定子单元,用于根据所述道路点云数据划分得到的点云体素,确定所述道路点云数据在所述鸟瞰图视角下的点云特征;
第二视角特征确定子单元,用于根据所述道路点云数据对应的球面投影图像,确定所述道路点云数据在所述球面投影视角下的点云特征。
可选地,所述第一视角特征确定子单元包括:
点云体素划分子单元,用于将所述道路点云数据划分为若干个点云体素;
点云特征生成子单元,用于根据所述点云体素中的每个点的三维坐标、每个点与所述点云体素的中心点的距离、及每个点对应的反射强度值,生成所述点云体素的第一维度的点云特征;
点云特征获取子单元,用于调用语义分割网络的特征处理模块对所述第一维度的点云特征进行处理,得到所述点云体素的第二维度的点云特征;
图像映射特征获取子单元,用于根据所述点云体素中每个点的基准位置,将所述第二维度的点云特征映射至二维图像上,得到所述点云体素对应的图像映射特征;
第一视角特征获取子单元,用于调用所述语义分割网络的第一特征提取层对所述图像映射特征进行处理,得到所述道路点云数据在所述鸟瞰图视角下的点云特征。
可选地,所述第二视角特征确定子单元包括:
球面投影图像获取子单元,用于将所述道路点云数据投影至目标通道数的二维图像上,得到目标通道数的球面投影图像;
第二视角特征获取子单元,用于调用语义分割网络的编码网络层提取所述球面投影图像的全局特征,得到所述所述道路点云数据在所述球面投影视角下的点云特征。
可选地,所述第二点云特征获取单元包括:
三维点云特征获取子单元,用于将所述鸟瞰图视角下的点云特征和/或所述球面投影视角下的点云特征,投影至所述道路点云数据的点上,得到三维点云特征;
第二点云特征获取子单元,用于调用语义分割网络的第二特征提取层对所述三维点云特征进行处理,得到所述道路点云数据在所述无序点集视角下的点云特征。
可选地,所述初始分割结果确定模块包括:
第一分割结果确定单元,用于根据所述无序点集视角下的点云特征,确定所述道路点云数据在所述无序点集视角下的第一语义分割结果;
第二分割结果确定单元,用于根据所述鸟瞰图视角下的点云特征,确定所述道路点云数据在所述鸟瞰图视角下的第二语义分割结果;
第三分割结果确定单元,用于根据所述球面投影视角下的点云特征,确定所述道路点云数据在所述球面投影视角下的第三语义分割结果。
可选地,所述第一分割结果确定单元包括:
点云特征分类子单元,用于调用分类器对所述无序点集视角下的点云特征进行分类处理;
第一分割结果确定子单元,用于根据分类处理结果,确定所述第一语义分割结果。
可选地,所述第二分割结果确定单元包括:
体素分割结果获取子单元,用于根据语义分割网络的语义分割层对所述鸟瞰图视角下的点云特征进行处理,得到所述点云体素的语义分割结果;
体素分割结果赋值子单元,用于将所述点云体素的语义分割结果赋值给所述点云体素中的每个点;
第二分割结果确定子单元,用于根据每个点的赋值结果,得到所述第二语义分割结果。
可选地,所述第三分割结果确定单元包括:
输出图像获取子单元,用于调用语义分割网络的解码网络层对所述球面投影视角下的点云特征进行处理,得到原始分辨率的输出图像;
语义分割图像生成子单元,用于调用所述解码网络层对所述输出图像进行语义分割预测,生成语义分割图像;
第三分割结果确定子单元,用于根据所述语义分割图像,确定所述第三语义分割结果。
可选地,所述语义分割结果获取模块包括:
第一背景分割结果确定单元,用于在所述至少两种视角为两种视角的情况下,根据所述鸟瞰图视角或所述球面投影视角下的初始语义分割结果,确定所述道路点云数据的背景分割结果;
第一非背景分割结果确定单元,用于根据所述无序点集视角下的初始语义分割结果,确定所述道路点云数据的非背景分割结果。
可选地,所述语义分割结果获取模块包括:
第二背景分割结果确定单元,用于在所述至少两种视角为三种视角的情况下,根据所述鸟瞰图视角和所述球面投影视角下的初始语义分割结果,确定所述道路点云数据的背景分割结果;
第二非背景分割结果确定单元,用于根据所述鸟瞰图视角、所述球面投影视角和所述无序点集视角下的初始语义分割结果,确定所述道路点云数据的非背景分割结果。
本申请实施例提供的语义分割装置,通过获取道路点云数据,获取道路点云数据在至少两种视角下的点云特征,确定道路点云数据在至少两种视角下的初始语义分割结果,对初始语义分割结果进行融合处理,得到道路点云数据的语义分割结果。本申请实施例通过将道路点云数据在至少两种视角下的语义分割结果进行融合,得到最终的语义分割结果,可以实现对单视角下的语义分割结果进行优化,提高了点云语义分割结果的精度。
实施例三
本申请实施例提供了一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述语义分割方法。
图15示出了本发明实施例的一种电子设备1500的结构示意图。如图15所示,电子设备1500包括中央处理单元(CPU)1501,其可以根据存储在只读存储器(ROM)1502中的计算机程序指令或者从存储单元1508加载到随机访问存储器(RAM)1503中的计算机程序指令,来执行各种适当的动作和处理。在RAM 1503中,还可存储电子设备1500操作所需的各种程序和数据。CPU 1501、ROM 1502以及RAM 1503通过总线1504彼此相连。输入/输出(I/O)接口1505也连接至总线1504。
电子设备1500中的多个部件连接至I/O接口1505,包括:输入单元1506,例如键盘、鼠标、麦克风等;输出单元1507,例如各种类型的显示器、扬声器等;存储单元1508,例如磁盘、光盘等;以及通信单元1509,例如网卡、调制解调器、无线通信收发机等。通信单元1509允许电子设备1500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理,可由处理单元1501执行。例如,上述任一实施例的方法可被实现为计算机软件程序,其被有形地包含于计算机可读介质,例如存储单元1508。在一些实施例中,计算机程序的部分或者全部可以经由ROM1502和/或通信单元1509而被载入和/或安装到电子设备1500上。当计算机程序被加载到RAM1503并由CPU1501执行时,可以执行上文描述的方法中的一个或多个动作。
实施例四
本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述语义分割方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(RandomAccess Memory,简称RAM)、磁碟或者光盘等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
本领域普通技术人员可以意识到,结合本申请实施例中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (15)
1.一种语义分割方法,其特征在于,包括:
获取道路点云数据;
获取所述道路点云数据在至少两种视角下的点云特征;
根据所述至少两种视角下的点云特征,确定所述道路点云数据在所述至少两种视角下的初始语义分割结果;
对所述初始语义分割结果进行融合处理,得到所述道路点云数据的语义分割结果。
2.根据权利要求1所述的方法,其特征在于,所述获取所述道路点云数据在至少两种视角下的点云特征,包括:
获取所述道路点云数据在鸟瞰图视角和/或球面投影视角下的点云特征;
获取所述道路点云数据在无序点集视角下的点云特征。
3.根据权利要求2所述的方法,其特征在于,所述获取所述道路点云数据在鸟瞰图视角和/或球面投影视角下的点云特征,包括:
根据所述道路点云数据划分得到的点云体素,确定所述道路点云数据在所述鸟瞰图视角下的点云特征;和/或
根据所述道路点云数据对应的球面投影图像,确定所述道路点云数据在所述球面投影视角下的点云特征。
4.根据权利要求3所述的方法,其特征在于,所述根据所述道路点云数据划分得到的点云体素,确定所述道路点云数据在所述鸟瞰图视角下的点云特征,包括:
将所述道路点云数据划分为若干个点云体素;
根据所述点云体素中的每个点的三维坐标、每个点与所述点云体素的中心点的距离、及每个点对应的反射强度值,生成所述点云体素的第一维度的点云特征;
调用语义分割网络的特征处理模块对所述第一维度的点云特征进行处理,得到所述点云体素的第二维度的点云特征;
根据所述点云体素中每个点的基准位置,将所述第二维度的点云特征映射至二维图像上,得到所述点云体素对应的图像映射特征;
调用所述语义分割网络的第一特征提取层对所述图像映射特征进行处理,得到所述道路点云数据在所述鸟瞰图视角下的点云特征。
5.根据权利要求3所述的方法,其特征在于,所述根据所述道路点云数据对应的球面投影图像,确定所述道路点云数据在所述球面投影视角下的点云特征,包括:
将所述道路点云数据投影至目标通道数的二维图像上,得到目标通道数的球面投影图像;
调用语义分割网络的编码网络层提取所述球面投影图像的全局特征,得到所述所述道路点云数据在所述球面投影视角下的点云特征。
6.根据权利要求3所述的方法,其特征在于,所述获取所述道路点云数据在无序点集视角下的点云特征,包括:
将所述鸟瞰图视角下的点云特征和/或所述球面投影视角下的点云特征,投影至所述道路点云数据的点上,得到三维点云特征;
调用语义分割网络的第二特征提取层对所述三维点云特征进行处理,得到所述道路点云数据在所述无序点集视角下的点云特征。
7.根据权利要求3所述的方法,其特征在于,所述根据所述至少两种视角下的点云特征,确定所述道路点云数据在所述至少两种视角下的初始语义分割结果,包括:
根据所述无序点集视角下的点云特征,确定所述道路点云数据在所述无序点集视角下的第一语义分割结果;
根据所述鸟瞰图视角下的点云特征,确定所述道路点云数据在所述鸟瞰图视角下的第二语义分割结果;和/或
根据所述球面投影视角下的点云特征,确定所述道路点云数据在所述球面投影视角下的第三语义分割结果。
8.根据权利要求7所述的方法,其特征在于,所述根据所述无序点集视角下的点云特征,确定所述道路点云数据在所述无序点集视角下的第一语义分割结果,包括:
调用分类器对所述无序点集视角下的点云特征进行分类处理;
根据分类处理结果,确定所述第一语义分割结果。
9.根据权利要求7所述的方法,其特征在于,所述根据所述鸟瞰图视角下的点云特征,确定所述道路点云数据在所述鸟瞰图视角下的第二语义分割结果,包括:
根据语义分割网络的语义分割层对所述鸟瞰图视角下的点云特征进行处理,得到所述点云体素的语义分割结果;
将所述点云体素的语义分割结果赋值给所述点云体素中的每个点;
根据每个点的赋值结果,得到所述第二语义分割结果。
10.根据权利要求7所述的方法,其特征在于,所述根据所述球面投影视角下的点云特征,确定所述道路点云数据在所述球面投影视角下的第三语义分割结果,包括:
调用语义分割网络的解码网络层对所述球面投影视角下的点云特征进行处理,得到原始分辨率的输出图像;
调用所述解码网络层对所述输出图像进行语义分割预测,生成语义分割图像;
根据所述语义分割图像,确定所述第三语义分割结果。
11.根据权利要求2所述的方法,其特征在于,所述对所述初始语义分割结果进行融合处理,得到所述道路点云数据的语义分割结果,包括:
在所述至少两种视角为两种视角的情况下,根据所述鸟瞰图视角或所述球面投影视角下的初始语义分割结果,确定所述道路点云数据的背景分割结果;
根据所述无序点集视角下的初始语义分割结果,确定所述道路点云数据的非背景分割结果。
12.根据权利要求2所述的方法,其特征在于,所述对所述初始语义分割结果进行融合处理,得到所述道路点云数据的语义分割结果,包括:
在所述至少两种视角为三种视角的情况下,根据所述鸟瞰图视角和所述球面投影视角下的初始语义分割结果,确定所述道路点云数据的背景分割结果;
根据所述鸟瞰图视角、所述球面投影视角和所述无序点集视角下的初始语义分割结果,确定所述道路点云数据的非背景分割结果。
13.一种语义分割装置,其特征在于,包括:
点云数据获取模块,用于获取道路点云数据;
点云特征获取模块,用于获取所述道路点云数据在至少两种视角下的点云特征;
初始分割结果确定模块,用于根据所述至少两种视角下的点云特征,确定所述道路点云数据在所述至少两种视角下的初始语义分割结果;
语义分割结果获取模块,用于对所述初始语义分割结果进行融合处理,得到所述道路点云数据的语义分割结果。
14.一种电子设备,其特征在于,包括:
存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至12中任一项所述的语义分割方法。
15.一种可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行权利要求1至12任一项所述的语义分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210355928.6A CN114743001B (zh) | 2022-04-06 | 2022-04-06 | 语义分割方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210355928.6A CN114743001B (zh) | 2022-04-06 | 2022-04-06 | 语义分割方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114743001A true CN114743001A (zh) | 2022-07-12 |
CN114743001B CN114743001B (zh) | 2024-06-25 |
Family
ID=82280069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210355928.6A Active CN114743001B (zh) | 2022-04-06 | 2022-04-06 | 语义分割方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114743001B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578702A (zh) * | 2022-09-26 | 2023-01-06 | 北京百度网讯科技有限公司 | 道路元素的提取方法、装置、电子设备、存储介质及车辆 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020108311A1 (zh) * | 2018-11-29 | 2020-06-04 | 北京市商汤科技开发有限公司 | 目标对象3d检测方法、装置、介质及设备 |
CN112149677A (zh) * | 2020-09-14 | 2020-12-29 | 上海眼控科技股份有限公司 | 一种点云语义分割的方法、装置及设备 |
CN112927234A (zh) * | 2021-02-25 | 2021-06-08 | 中国工商银行股份有限公司 | 点云语义分割方法、装置、电子设备和可读存储介质 |
WO2021134325A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳元戎启行科技有限公司 | 基于无人驾驶技术的障碍物检测方法、装置和计算机设备 |
US11099275B1 (en) * | 2020-04-29 | 2021-08-24 | Tsinghua University | LiDAR point cloud reflection intensity complementation method and system |
-
2022
- 2022-04-06 CN CN202210355928.6A patent/CN114743001B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020108311A1 (zh) * | 2018-11-29 | 2020-06-04 | 北京市商汤科技开发有限公司 | 目标对象3d检测方法、装置、介质及设备 |
WO2021134325A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳元戎启行科技有限公司 | 基于无人驾驶技术的障碍物检测方法、装置和计算机设备 |
US11099275B1 (en) * | 2020-04-29 | 2021-08-24 | Tsinghua University | LiDAR point cloud reflection intensity complementation method and system |
CN112149677A (zh) * | 2020-09-14 | 2020-12-29 | 上海眼控科技股份有限公司 | 一种点云语义分割的方法、装置及设备 |
CN112927234A (zh) * | 2021-02-25 | 2021-06-08 | 中国工商银行股份有限公司 | 点云语义分割方法、装置、电子设备和可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578702A (zh) * | 2022-09-26 | 2023-01-06 | 北京百度网讯科技有限公司 | 道路元素的提取方法、装置、电子设备、存储介质及车辆 |
CN115578702B (zh) * | 2022-09-26 | 2023-12-05 | 北京百度网讯科技有限公司 | 道路元素的提取方法、装置、电子设备、存储介质及车辆 |
Also Published As
Publication number | Publication date |
---|---|
CN114743001B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11922569B2 (en) | Generating realistic point clouds | |
CN110471058A (zh) | 用于拖车属性的自动检测的系统和方法 | |
CN111832655A (zh) | 一种基于特征金字塔网络的多尺度三维目标检测方法 | |
CN114820465B (zh) | 点云检测模型训练方法、装置、电子设备及存储介质 | |
CN109643467B (zh) | 图像处理设备和图像处理方法 | |
CN113412505A (zh) | 用于对通过探测和测距传感器获得的点云进行有序表示和特征提取的系统和方法 | |
CN110998671B (zh) | 三维重建方法、装置、系统和存储介质 | |
CN113240734B (zh) | 一种基于鸟瞰图的车辆跨位判断方法、装置、设备及介质 | |
CN114648640B (zh) | 一种目标物单体化方法、装置、设备及存储介质 | |
CN111627001A (zh) | 图像检测方法及装置 | |
CN115082885A (zh) | 点云目标的检测方法、装置、设备及存储介质 | |
CN115164919B (zh) | 基于双目相机的空间可行驶区域地图构建方法及装置 | |
CN114743001B (zh) | 语义分割方法、装置、电子设备及存储介质 | |
CN116168384A (zh) | 点云目标检测方法、装置、电子设备及存储介质 | |
CN108345007B (zh) | 一种障碍物识别方法和装置 | |
CN115761425A (zh) | 目标检测方法、装置、终端设备及计算机可读存储介质 | |
CN115331214A (zh) | 用于目标检测的感知方法及系统 | |
CN115497061A (zh) | 一种基于双目视觉的道路可行驶区域识别方法及装置 | |
CN116883770A (zh) | 深度估计模型的训练方法、装置、电子设备及存储介质 | |
CN110992304B (zh) | 二维图像深度测量方法及其在车辆安全监测中的应用 | |
CN116863325A (zh) | 一种用于多个目标检测的方法和相关产品 | |
CN111445571A (zh) | 一种用于室内设计多种效果图一次生成方法及系统 | |
CN117011486B (zh) | 栅格地图构建的方法、装置、电子设备和计算机存储介质 | |
CN117036895B (zh) | 基于相机与激光雷达点云融合的多任务环境感知方法 | |
CN117422629A (zh) | 一种实例感知的单目语义场景补全方法、介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 314500 988 Tong Tong Road, Wu Tong Street, Tongxiang, Jiaxing, Zhejiang Applicant after: United New Energy Automobile Co.,Ltd. Address before: 314500 988 Tong Tong Road, Wu Tong Street, Tongxiang, Jiaxing, Zhejiang Applicant before: Hozon New Energy Automobile Co., Ltd. |
|
GR01 | Patent grant |