顾及特征可区分性的高速公路车载激光点云语义分割方法

作     者：周城宇 

作者单位：西南交通大学 

学位级别：硕士

导师姓名：陈敏

授予年度：2022年

学科分类：08[工学] 082304[工学-载运工具运用工程] 081601[工学-大地测量学与测量工程] 080204[工学-车辆工程] 0816[工学-测绘科学与技术] 0802[工学-机械工程] 0823[工学-交通运输工程] 

主      题：高速公路 车载激光点云 语义分割 均匀采样 局部特征空间编码 

摘      要：高速公路是一种十分重要的交通基础设施,准确提取和识别高速公路中的典型目标如路面、护栏、车辆、标志线等在高速公路智能建设和管理、自动驾驶、高精度地图制作等应用中具有重要的意义。随着激光雷达硬件和点云数据处理技术的发展,基于车载激光点云的语义分割正逐渐成为高速公路目标提取与识别的重要技术手段之一。现有的高速公路典型目标提取主要可分为基于传统人工设计特征的方法和基于深度学习的方法。其中,前者需要针对不同目标设计人工特征,不具有普适性。例如,同属于一类的面状物可能包含道路两侧的声屏障、道路外侧的广告牌、道路上方的交通标识牌等形状、大小、高度不同的目标,若要对其进行提取,就需要设置多个不同的特征以及阈值,提取过程繁琐、效率低下,且不能一次性提取多个目标;而基于深度学习的方法通过人工神经网络可学习数据中的通用分布特征,能够实现一次性端到端的多个目标提取。然而,当前主流的基于深度学习的方法在点云下采样时常用的最远点采样方法在大场景点云处理中效率低下,而随机采样方法虽有较高效率却存在关键点丢失和覆盖度不稳定的问题;同时主流的方法中,主要针对点云的几何属性进行编码,没有专门针对点云的附加属性(如RGB)的利用。在高速公路场景下,路面与标志线的几何属性及其相似,仅利用几何信息难以将二者较好地区分开。针对上述问题,本文从车载激光点云的数据采集和存储方式出发,基于车载激光扫描线的点云均匀下采样方法构建了一种深度神经网络结构。该网络能同时保证较高的采样效率和稳定的空间覆盖度。为了克服标志线和路面等几何信息极其相似的误分类问题,本文在所构建的网络模型中设计了一个局部特征空间编码结构,可以有效地增强深度特征的区别性。此外,为了更好的利用点云邻域信息,本文结合局部空间编码模块和注意力机制来提升网络保留几何细节的能力。本文实际采集和标注了一个高速公路车载激光点云语义分割的数据集,以此验证本文方法的有效性。实验结果表明,本文的采样方法和局部特征编码空间有助于提升点云分割效果,并且本文方法的效果明显优于当前的主流方法:在保持同等空间覆盖度的同时,均匀采样方法的时间消耗约为最远点采样方法的4‰;以m Io U和Io U为提取精度评定指标,本文方法在标志线和面状物类别上Io U提升较大,相对于对比方法中最优方法分别提升了3.85%,8.09%,所有类别整体上m Io U提升了4.39%。最后,基于所提出的方法,本文研发了一套基于深度学习的高速公路车载激光点云语义分割原型系统。