1.一种车载点云杆状物实例分割方法,其特征在于:将车载点云根据空间位置迭代划分为多个体素并计算体素之间的欧式距离;
构建基于体素的图割模型;
构建能量函数模型,通过穷举算法优化求解,得到优化求解后粗分割第一杆状地物、优化求解后粗分割的第二杆状地物;
结合多个体素构建缓冲区;
通过PointNet++网络进行粘连杆状地物的精细化分割。
2.根据权利要求1所述的车载点云杆状物实例分割方法,其特征在于,包括以下步骤:步骤1:将车载点云根据空间位置迭代划分为多个体素,并获取每个体素的中心点坐标,计算任意两个体素的中心点坐标的欧式距离以表征任意两个体素之间的欧式距离;
步骤2:结合多个体素、体素之间的欧式距离构建基于体素的图割模型;
步骤3:构建能量函数模型,以能量函数模型的最小化作为优化求解目标,通过穷举算法优化求解,得到优化求解后粗分割第一杆状地物、优化求解后粗分割的第二杆状地物;
步骤4:结合多个体素构建缓冲区;
步骤5:通过PointNet++网络进行粘连杆状地物的精细化分割。
3.根据权利要求2所述的车载点云杆状物实例分割方法,其特征在于:所述步骤2具体如下:
定义待分割的第一杆状地物OA、待分割的第二杆状地物OB;
待分割的第一杆状地物的杆状结构的体素集合定义为待分割的第二杆状地物的杆状结构的体素集合定义为定义 为OA的种子区域;
定义 为OB的种子区域;
的属性值均标记为N;
OA除开 的剩余体素集合、OB除开 的剩余体素集合共同构成剩余待分割体素集合,定义为的属性值标记为0;
其中, 为待分割的杆状地物的所有体素集合,获取待分割的杆状地物的所有体素集合中每个体素的多个三维坐标;
将剩余待分割体素集合的每个待分割体素依次分割至待分割的第一杆状地物OA或待分割的第二杆状地物OB,即为剩余待分割体素集合的每个待分割体素分配类别标签,判定属于OA、OB,具体如下:将 中每个体素的多个三维坐标通过均值计算得到 中每个体素的中心点三维坐标;
将 中每个体素的多个三维坐标通过均值计算得到 中每个体素的中心点三维坐标;
将 中每个体素的多个三维坐标通过均值计算得到 中每个体素的中心点三维坐标;
将 中每个体素的中心点三维坐标进行均值计算得到 的中心点三维坐标,定义为CA;
将 中每个体素的中心点三维坐标进行均值计算得到 的中心点三维坐标,定义为CB;
构建图模型的节点集合,定义如下:
其中,表示图模型的节点集合,C表示 中每个体素的中心点三维坐标;
构建图模型的边的集合,定义如下:
ε={t‑links,n‑links}
其中,ε表示图模型的边的集合,t‑links表示C中任意体素的中心点与CA或CB连接的边的集合,n‑links表示C中任意体素的中心点与其邻域体素中心点之间的边的集合;
构建图模型的边的权重集合,图模型的边的权重集合中每个边的权重为 中任意体素之间的欧式距离。
4.根据权利要求3所述的车载点云杆状物实例分割方法,其特征在于:步骤3所述能量函数模型,定义如下:
E=Edata(Cj,Lp)+Esmooth(Cj,Ck)Esmooth(Cj,Ck)=exp(‑dist(Cj,Ck))其中,E表示能量函数模型,其中包含数据项Edata(Cj,Lj)和能量项Esmooth(Cj,Ck),dist()为欧式距离计算公式;
Edata(Cj,Lj)表示将标签Lp赋予给体素Cj的惩罚代价,分别计算任意待分割的体素的中心点Cj到终端节点CA与CB之间的差异性, 表示待分割的杆状地物的所有体素集合;
式中,Δd为常数项经验阈值,ln()表示对数运算,exp表示指数运算,D为为任意待分割的体素j分别分配LA标签和LB标签时的惩罚代价,即:其中,dist(Cj,CA)表示中心点待分割的任意体素j的中心点到CA的欧式距离,dist(Cj,CB)表示中心点待分割的任意体素j的中心点到CB的欧式距离,Lp表示分配标签,Esmooth(Cj,Ck)用来衡量数据之间的连续性,Cj,Ck分别表示中心点待分割的体素j、中心点待分割的体素k的中心点;
Esmooth(Cj,Ck)计算方式如下公式所示:Esmooth(Cj,Ck)=exp(‑dist(Cj,Ck))其中,dist(Cj,Ck)表示中心点待分割的体素j到中心点待分割的体素k的中心点的欧式距离;
通过优化求解得到优化求解后粗分割第一杆状地物OA、优化求解后粗分割的第二杆状地物OB。
5.根据权利要求4所述的车载点云杆状物实例分割方法,其特征在于:步骤4所述结合多个体素构建缓冲区,具体如下:若步骤1所述的任意体素与多个26个邻域同属于步骤2中所定义的待分割的第一杆状地物OA或待分割的第二杆状地物OB,则该任意体素存在于待分割的第一杆状地物OA或待分割的第二杆状地物OB的内部;
若步骤1所述的任意体素的多个26个邻域既包含待分割的第一杆状地物OA中的体素也包含待分割的第二杆状地物OB中的体素,则认为该体素存在于待分割的第一杆状地物OA或待分割的第二杆状地物OB之间的粘连区域,定义粘连区域的体素集合为:R={Ri|i=1,2,…,N}
其中,R表示粘连区域的体素集合,Ri表示粘连区域的体素集合第i个粘连区域的体素,N表示粘连区域的体素集合中粘连区域的体素的数量;
缓冲区 被定义为粘连区域的体素集合以及粘连区域的体素集合的二十六个邻域集合;
所述粘连区域的体素集合的二十六个邻域集合,定义如下:M={Mi|i=1,2,…,N}
其中,M表示述粘连区域的体素集合的二十六个邻域集合,Mi表示粘连区域的体素的二十六个邻域集合中第粘连区域的体素的二十六个邻域集合中第i个二十六个邻域;
所在区域,重复体素不重复计算,即
6.根据权利要求5所述的车载点云杆状物实例分割方法,其特征在于:所述步骤5如下:
步骤5.1:高维深度学习特征计算;
引入PointNet++网络,将多组带有坐标以及类别标签的粘连杆状地物作为训练数据,将训练数据中每组粘连杆状地物输入至PointNet++网络进行两个抽象集合层、特征传递层、损失函数计算,得到步骤4所述缓冲区 中的每个点的多维度32维的高维深度学习特征;
其中,PointNet++的损失函数定义为:其中,min表示最小化,dist(xi,xj)表示第i个点在特征空间X中的特征到第j个点在特征空间X中的特征的欧式距离;
式中:
其中,xi和xj分别表示第i个点在特征空间X中的特征、第j个点在特征空间X中的特征;
通过步骤2、步骤3在缓冲区内构建基于单点的图割模型;
定义缓冲区 中的所有点为:
P={pi|i=1,2,3…N}
其中,P表示缓冲区点集合,pi表示缓冲区中第i个点;
将粗分割后的第一杆状地物OA除开在缓冲区 内的所有点的三维坐标进行均值计算得到新的中心点为CPA;
将粗分割后的第二杆状地物OB除开在缓冲区 内的所有点的三维坐标进行均值计算得到新的中心点为CPB;
构建基于点的图模型的节点集合,定义如下:
其中, 表示图模型的节点集合,C表示 中每个体素的中心点三维坐标;
构建基于点的图模型的边的集合,定义如下:
εP={t‑links,n‑links}
其中,εP表示图模型的边的集合,t‑links表示P中任意点pi与CPA或CPB连接的边的集合,n‑links表示P中任意点pi与其k近邻内的点pj之间的边之间的边的集合;
构建图模型的边的权重集合,图模型的边的权重集合中每个边的权重为 中任意两点之间的高维深度学习特征的欧式距离;
能量函数模型计算;
以能量函数模型的最小化作为优化求解目标,通过穷举算法优化求解,得到优化求解后精分割的第一杆状地物OA、优化求解后精分割的第二杆状地物OB;
E=Edata(pi,Lp)+Esmooth(pi,pj).
其中,E表示能量函数模型,Edata(pi,Lp)表示数据项,Esmooth(pi,pj)表示能量项;
Edata(pi,Lp)表示将标签Lp赋予给点pi的惩罚代价,计算方式定义如下:式中,Δd为常数项经验阈值,D为pi分别分配LA标签和LB标签时的惩罚代价;
其中,dist(pi,CPA)表示缓冲区中第i个点到CPA之间的高维深度学习特征距离,dist(pi,CPA)表示缓冲区中第i个点到CPB之间的高维深度学习特征距离;
Esmooth(pi,pj)用来衡量数据之间的连续性,计算方式如下公式所示:Esmooth(pi,pj)=exp(‑dist(pi,pj))其中,dist(pi,pj)表示缓冲区中第i个点到缓冲区中第j个点的欧式距离,exp表示指数计算。
7.一种计算机可读介质,其特征在于,其存储电子设备执行的计算机程序,当所述计算机程序在电子设备上运行时,使得所述电子设备执行如权利要求1‑6任一项所述方法的步骤。