(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 202210263878.9 (22)申请日 2022.03.17 (71)申请人 燕山大学 地址 066000 河北省秦皇岛市河北 大街西 段438号 申请人 河北燕大燕软信息系统有限公司 　 秦皇岛港股份有限公司 (72)发明人 孔德明　李晓伟　沈阅　高剑慧　 周逸人　张文宇　曹尚杰　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 韩雪梅 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/20(2022.01) G06N 3/08(2006.01)G06V 10/80(2022.01) (54)发明名称 一种面向激光雷达点云数据的特征增强方 法及系统 (57)摘要 本发明涉及一种面向激光雷达点云数据的 特征增强方法， 包括： 获取目标环境中的点云数 据； 对点云数据进行体素化处理， 得到体素化数 据； 利用三维稀 疏卷积特征提取网络每一体素进 行特征提取， 得到多个尺度的体素特征； 计算每 一体素和点 云数据中各点之间的权重， 得到体素 与点的反距离权重； 根据体素与点的反距离权 重， 利用三次线性插值方法将体素特征插值到点 云数据的各点上， 得到每一点的多个尺度的点特 征； 对每一点， 利用特征权重学习网络学习各尺 度的点特征对应的权重， 得到各尺度的点特征权 重； 利用各尺度的点特征权重对 各尺度的点特征 进行融合补充， 得到多个尺度的增强点特征， 融 合了不同尺度下的点特征， 对点特征进行增强， 实现对点云数据的增强。 权利要求书3页 说明书9页 附图4页 CN 114596478 A 2022.06.07 CN 114596478 A 1.一种面向激光雷达点云数据的特 征增强方法， 其特 征在于， 包括： 获取目标环境中的点云数据； 对所述点云数据进行体素化处 理， 得到点云的体素化数据； 对每一体素， 根据 所述体素化数据， 利用三维稀疏卷积特征提取网络进行特征提取， 得 到多个尺度的体素特征； 所述体素特征的尺度数量根据所述三维稀疏卷积特征提取网络中 的稀疏卷积块的数量确定； 基于反距离权重法计算每一体素和所述点云数据中各点之间的权重， 得到体素与点的 反距离权重； 根据所述体素与点的反距离权重， 利用三 次线性插值方法将所述体素特征插值到所述 点云数据的各点上， 得到每一点的多个尺度的点特征； 所述点特征 的尺度数与所述体素特 征的尺度数一 一对应； 对每一点， 利用特征权重学习 网络学习各尺度的所述点特征对应的权重， 得到各尺度 的点特征权重； 对每一点， 利用各尺度的所述点特征权重对各尺度的所述点特征进行融合补充， 得到 多个尺度的增强点特 征， 从而实现对所述 点云数据的增强。 2.根据权利要求1所述的方法， 其特征在于， 所述对所述点云数据进行体素化处理， 得 到点云的体素化数据， 具体包括： 根据所述 点云数据的范围设定每一体素的尺寸； 根据每个所述体素的尺寸将所述点云数据 所在三维空间划分为数个等体积的小空间， 得到多个 体素； 利用所述点云数据的初始特征对每个非空体素进行初始编码， 得到非空体素的初始特 征， 即点云的体素化数据。 3.根据权利要求2所述的方法， 其特征在于， 所述利用所述点云数据的初始特征对每个 非空体素进行初始编码， 具体包括： 对每个所述非空体素， 判断所述非空体素内是否存在所述 点， 得到判断结果； 当所述判断结果为是时， 计算所述非空体素内的所有所述点的初始特征的均值， 将所 述均值作为所述非空体素的初始特 征。 当所述判断结果 为否时， 则不对所述非空体素进行编码。 4.根据权利要求1所述的方法， 其特征在于， 所述三维稀疏卷积特征提取网络包括4个 稀疏卷积块， 依次记为第一稀疏卷积块， 第二稀疏卷积块， 第三稀疏卷积块和 第四稀疏卷积 块； 所述第一稀疏卷积块包括两个卷积核尺寸为3的第一流形稀疏卷积层， 第一个所述第 一流形稀疏卷积层的输入和输出特征通道尺寸分别为4和16， 第二个所述第一流形稀疏卷 积层的输入和输出 特征通道尺寸分别为16和16； 所述第二稀疏卷积块包括一个卷积核尺寸为3的第 一稀疏卷积层和两个卷积核尺寸为 3的第二流形稀疏卷积层， 所述第一稀疏卷积层的输入和输出特征通道尺 寸分别为 16和32， 两个所述第二 流形稀疏 卷积层的输入和输出 特征通道尺寸均为32和32； 所述第三稀疏卷积块包括一个卷积核尺寸为3的第 二稀疏卷积层和两个卷积核尺寸为 3的第三流形稀疏卷积层， 所述第二稀疏卷积层的输入和输出特征通道尺 寸分别为32和64，权　利　要　求　书 1/3 页 2 CN 114596478 A 2两个所述第三 流形稀疏 卷积层的输入和输出 特征通道尺寸均为64和64； 所述第四稀疏卷积块包括一个卷积核尺寸为3的第 三稀疏卷积层和两个卷积核尺寸为 3的第四流形稀疏卷积层， 所述第三稀疏卷积层和两个所述第四流形稀疏卷积层的输入和 输出特征通道尺寸均为64和64。 5.根据权利要求1所述的方法， 其特征在于， 所述基于反距离权重法计算每一体素和所 述点云数据中各点之间的权 重， 得到体素与点的反距离 权重， 具体包括： 其中， vk表示第k个体素， k＝1,2,...,m； η(vk)表示第k个体素的三维坐标； pj表示第j个 点， j＝1,2,. ..,n； η(pj)表示第j个点的三维坐标； ritp表示反距离 权重法的搜索半径。 6.根据权利要求5所述的方法， 其特征在于， 所述根据所述体素与点的反距离权重， 利 用三次线性插值方法将所述体素特征插值到所述点云数据的各点上， 得到每一点的多个尺 度的点特 征， 具体包括： 其中， i表示第一尺度特 征中的尺度值， i ＝1,2,...,h。 7.根据权利要求1所述的方法， 其特征在于， 所述对每一点， 利用特征权重学习 网络学 习各尺度的所述 点特征对应的权 重， 得到各尺度的点特 征权重， 具体包括： 将每一尺度的所述点特征输入至所述特征权重学习网络， 得到每一尺度的所述点特征 在各分量上的权 重， 记为分量权 重； 根据每一尺度的所述点特征的各特征分量和对应的所述分量权重得到每一尺度的调 整点特征； 将每一尺度的所述调整点特 征的各特征分量相加得到特 征和； 对每一所述特 征和进行压缩得到每一尺度的点特 征权重。 8.根据权利要求1所述的方法， 其特征在于， 所述利用各尺度的所述点特征权重对各尺 度的所述 点特征进行融合补充， 得到多个尺度的增强点特 征， 具体包括： 其中， 表示第i个尺度的增强点 特征， i＝1,2,...,h； 表示第j个 点的第i个尺度 的点特征权重， j＝1,2,...,n； 表示第j个点的第i个尺度的点特征； 表示第j个点的 第g个尺度的点特 征权重； 表示第j个点的第g个尺度的点特 征。 9.一种基于权利要求1至8任一项所述的面向激光雷达点云数据的特征增强方法的系权　利　要　求　书 2/3 页 3 CN 114596478 A 3