(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211121092.X (22)申请日 2022.09.15 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 邓建华　何佳霓　代铮　秦琪怡　 杨杰　赵建恒　李龙　陶泊昊　 郑凯文　苟晓攀　陈昱辰　魏卓　 (74)专利代理 机构 电子科技大 学专利中心 51203 专利代理师 周刘英 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/20(2022.01) G06T 17/00(2006.01)G06T 17/20(2006.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 20/56(2022.01) G06V 20/64(2022.01) G06V 20/70(2022.01) (54)发明名称 一种基于深度学习的多等级公路三维点云 目标分割方法 (57)摘要 本发明公开了一种基于深度学习的多等级 公路三维点 云目标分割方法， 属于三维点云目标 分割技术领域。 本发明首先通过基于Map数据结 构和K‑D树的点云数据预处理操作 构建预处理后 的点与原始点云的映射关系， 并基于所所设置的 多等级公路点云目标分割网络对数据预处理后 的数据进行目标分割处理， 再基于该映射关系还 原为原始点 云目标分割结果。 本发 明的数据预处 理操作显著降低了计算量， 本发 明的目标分割网 络利用特征聚合模块和注意力机制池化保留了 点云数据的几何特征， 且增强了点的特征向量， 利于随机采样层提取全局特征。 建立残差网络避 免了梯度消失， 并且扩大了每个点的感受野， 利 于随机采样层提取点云的局部几何特征， 大大提 高了点云目标分割的准确率。 权利要求书2页 说明书7页 附图5页 CN 115482380 A 2022.12.16 CN 115482380 A 1.一种基于深度学习的多等级公路三维点云目标分割方法， 其特征在于， 包括下列步 骤： 步骤1： 建立数据集： 将多等级公路场景下的三维点云数据进行区域分段、 点云滤波、 数据抽稀和分类标注 后， 获得多等级公路场景 下包含多类目标物的点云数据集； 步骤2： 数据预处 理： 步骤2.1： 将网格大小设置为K*K*K， 即边长为K的网格内只保留一个点； 步骤2.2： 根据采样网格大小和输入点云数据的坐标范围， 以网格大小为1个单位， 重新 构建新坐标系， 计算点云数据在新坐标系 下的投影范围， 并遍历每一个点计算其在新坐标 系的索引位置； 步骤2.3： 构建Map数据结构用于存储点云数据的三维坐标(X,Y,Z)， 标签值， 以及统计 每一个索引位置点的数量， 并利用坐标值和点数量计算该索引位置中点云数据的重心位 置， 以该重新 位置作为预处 理后的点； 步骤2.4： 构建K ‑D树保存预处理后的点与原始点云的映射关系： 以预处理后的每个点 作为K‑D树的节点建立K‑D树， 遍历原始点云所有的点， 通过投影的方式， 将原始 点云的所有 点投影到K ‑D树相应的节点； 步骤3： 构建并训练点云目标分割网络模型： 构建包括输入层、 随机采样层、 上采样层和输出层的目标分割网络模型， 基于点云数据 集的训练集训练并调优所述目标分割网络模型， 获得训练好的目标分割网络模型； 其中， 输入层根据输入的数据预处理后的点云数据进行样本提取， 以获取采样点并作 为后续特 征提取的输入； 随机采样层包括特征聚合模块和注意力 机制池化， 所述特征聚合模块将采样点及其邻 近点的特征信息进行串联， 增强采样点的特征向量， 注意力机制池化自动学习局部特征信 息， 汇总邻近点的特 征信息的集 合， 最终生成相应的特 征向量； 上采样层通过随机采样层共享多层感知机对点云数据进行插值操作； 所述输出层由全连接层组成， 用于 输出目标分割结果； 步骤4： 获取最终目标分割结果： 对待分割的公路三维点云数据 执行数据预处理， 再输入训练好的点云目标分割网络模 型， 以获取目标分割结果， 根据目标分割结果通过步骤2所构建的预 处理后的点与 原始点云 的映射关系还原为原 始点云目标分割结果。 2.如权利要求1所述的方法， 其特 征在于， 所述 步骤1包括如下步骤： 步骤1.1： 对原始公路点云数据进行区域分段： 将长度不一的公路点云数据进行分段处 理， 每个路段长度设置为 不超过300m， 宽度设置不超过10 0m； 步骤1.2： 对分段后的点云数据进行滤波： 根据点云数据在X， Y， Z三个坐标轴的分布范 围， 利用直通滤波器去除特定范围内的离群噪声点， 再利用统计滤波器去除密度低于指定 值的离群噪声点； 步骤1.3： 对滤波后的点云数据进行数据抽稀： 分段滤波后的三维点云数据规模达到指 定值， 则根据抽稀程度设置随机 丢弃点的间隔距离， 并采用随机 丢弃法执 行数据抽稀操作； 步骤1.4： 对经步骤1.3处理后的点云数据进行分类标注： 根据地面三角形不规则 模型，权　利　要　求　书 1/2 页 2 CN 115482380 A 2利用不同目标种类之间的高程差将点云数据提取为 不同目标种类， 设置不同标签。 3.如权利要求1所述的方法， 其特 征在于， 所述 步骤2中， K的取值范围为0 ‑1m。 4.如权利要求1所述的方法， 其特征在于， 所述步骤3 中， 将特征聚合模块和注意力 机制 池化连接在一起作为一个特征提取操作， 将两个特征提取操作通过共享多层感知机实现连 接， 并堆叠成一个残差块， 最后将N个残差块通过共享多层感知机实现连接构成残差网络， 并以该残差网络作为 随机采样层， 随机采样层的输出经上采样层进行插值处理， 再输入至 全连接层以获取目标分割结果。 5.如权利要求3所述的方法， 其特 征在于， N的取值范围为1 ‑4。 6.如权利要求1所述的方法， 其特征在于， 所述步骤4中， 步骤2所构建的预处理后的点 与原始点云的映射关系还原 为原始点云目标分割结果为： 基于预 处理后的点与 原始点云的 映射关系， 遍历预 处理后点云的每一个点及其目标分割结果， 反向 映射回原始 点云数据， 得 到原始点云数据的目标分割结果。权　利　要　求　书 2/2 页 3 CN 115482380 A 3