点云数据提取方法、装置、电子设备及存储介质

1.本发明涉及点云数据处理技术领域，尤其涉及一种点云数据提取方法、装置、电子设备及存储介质。


背景技术：

2.激光雷达是自动驾驶系统中环境感知数据的重要来源，通过对其采集的大规模原始点云数据的分类与提取，可以为自动驾驶系统高精地图制作提供重要数据。如何从雷达获取的不规则采样、非结构化和无序的原始点云数据中，快速、准确地区分出道路、车、人和交通标识等感兴趣的类别点，是原始点云数据分类和提取研究的重要内容。
3.目前，现有技术的点云分类方法中，一是通过将立体的点云数据映射到平面的图像中，再利用现有的处理图像的神经网络去训练；二是将点云数据体素化，通过三维神经卷积网络处理逐个的体素块。
4.但是现有技术中存在点云数据训练时间过长，映射准确率低，分类不够具体和无法直接提取感兴趣的点云数据，从而导致点云数据提取效率低。


技术实现要素：

5.本发明的主要目的在于提供一种点云数据提取方法、装置、自动驾驶系统及存储介质，旨在解决现有技术中无法对基数大且离散不规律地点云数据进行准确地以及直接地提取感兴趣的点云数，从而导致点云数据提取效率低的技术问题。
6.为实现上述目的，本发明提供一种点云数据提取方法，所述方法包括：
7.获取在世界坐标系下的多帧初始点云数据；其中，所述多帧初始点云数据至少包括一帧；
8.将所述在世界坐标系下的多帧初始点云数据转换到同一预设世界坐标系下，得到点云地图；
9.利用语义分割方法，对所述点云地图进行分类处理，得到分类后的点云数据；
10.利用numpy计算库，对所述分类后的点云数据进行筛选，以得到目标点云数据。
11.可选地，所述获取在世界坐标系下的多帧初始点云数据；其中，所述多帧初始点云数据至少包括一帧，包括：
12.获取多帧初始点云数据；其中，所述多帧初始点云数据为3d扫描设备采集的多帧初始点云数据；所述多帧初始点云数据对应的原始坐标系不同；
13.将所述多帧初始点云数据转换到世界坐标系下，得到在世界坐标系下的多帧初始点云数据。
14.可选地，所述将所述在世界坐标系下的多帧初始点云数据转换到同一预设世界坐标系下，得到点云地图，包括：
15.对所述在世界坐标系下的多帧初始点云数据进行栅格化处理，得到各个栅格对应的点云数据集；其中，所述点云数据集至少包括一个点云数据的点的数据；
16.利用公式一，对各个所述栅格对应的点云数据集进行计算，得到各个所述栅格对应的点云数据集的均值；其中，所述公式一为：
17.其中，u为各个所述栅格对应的点云数据集的均值，n为各个所述栅格对应的点云数据集的维度，ri为第i个栅格对应的点云数据集，i表示第i个栅格；
18.利用公式二，对各个所述栅格对应的点云数据集的均值进行计算，得到各个所述栅格对应的点云数据集的协方差矩阵；其中，所述公式二为：
19.其中，σ为各个所述栅格对应的点云数据集的协方差矩阵，m为各个栅格对应的点云数据集的数量；
20.利用公式三，对各个所述栅格对应的点云数据集的均值、各个所述栅格对应的点云数据集的协方差矩阵进行计算，得到各个所述栅格对应的点云数据集的概率密度；其中，所述公式三为：
21.其中，所述p(ri)为第i个栅格对应的点云数据集的概率密度；
22.将各个所述栅格对应的点云数据集的概率密相加，得到评分结果；
23.判断所述评分结果是否等于预设收敛标准；
24.若是，则根据各个所述栅格对应的点云数据集的协方差矩阵，对各个所述栅格对应的点云数据集进行转换，并将转换后的结果映射至预设世界坐标系中，以得到点云地图。
25.可选地，所述利用语义分割方法，对所述点云地图进行分类处理，得到分类后的点云数据之前，还包括：
26.随机选取所述点云地图中的多个点云数据，并将选取后的多个所述点云数据进行剔除，以得到目标点云地图；其中，所述选取后的多个所述点云数据不影响语义分割效果。
27.可选地，所利用语义分割方法，对所述点云地图进行分类处理，得到分类后的点云数据，包括：
28.利用局部特征提取器，对所述点云地图进行特征提取，得到点云数据的初始特征，并对所述点云数据的初始特征进行位置编码；
29.将所述点云数据的初始特征输多层感知器模型，得到所述多层感知器模型输出多个所述点云数据的局部特征；
30.利用公式四，将多个所述点云数据的局部特征和多个所述点云数据对应位置编码进行拼接，得到加强点云数据特征组；其中，所述公式四为：其中，ji为加强点云数据特征组，i表示第i个加强点云数据特征，k为特征数量；
31.对所述加强点云数据特征组进行聚合处理后，并根据所述加强点云数据特征组的注意力分数的加权和值，筛选出点云数据的重要特征；
32.根据所述点云数据的重要特征对所述点云地图进行分类，以得到分类后的点云数据。
33.可选地，所述对所述加强点云数据特征组进行聚合处理后，并根据所述加强点云
数据特征组的注意力分数的加权和值，筛选出点云数据的重要特征，包括：
34.利用公式五，对所述加强点云数据特征进行注意力分数计算，得到所述加强点云数据特征组的注意力分数；其中，所述公式五为：
35.其中，为所述加强点云数据特征组的注意力分数，w为注意力分数权重；
36.利用公式六，对所述加强点云数据特征组的注意分数进行加权求和，得到所述加强点云数据特征的注意力分数和值；其中，所述公式六为：
[0037][0038]
根据所述加强点云数据特征的注意力分数和值，筛选出所述点云数据的重要特征。
[0039]
此外，为实现上述目的，本发明还提供一种点云数据提取装置，包括：
[0040]
数据获取模块，获取在世界坐标系下的多帧初始点云数据；其中，所述多帧初始点云数据至少包括一帧；
[0041]
数据映射模块，将所述在世界坐标系下的多帧初始点云数据转换到同一预设世界坐标系下，得到点云地图；
[0042]
数据分割模块，利用语义分割方法，对所述点云地图进行分类处理，得到分类后的点云数据；
[0043]
数据筛选模块，利用numpy计算库，对所述分类后的点云数据进行筛选，以得到目标点云数据。
[0044]
此外，为实现上述目的，本发明还提供一种电子设备，包括：处理器，存储器以及存储在所述存储器中的点云数据提取程序，所述点云数据提取程序配置为实现如上述任一项所述的点云数据提取程序的步骤。
[0045]
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有点云数据提取程序，所述点云数据提取程序被处理器执行时实现如上述任一项所述的点云数据提取程序。
[0046]
本发明实施例提供一种点云数据提取方法，通过获取在世界坐标系下的多帧初始点云数据；其中，所述多帧初始点云数据至少包括一帧；将所述在世界坐标系下的多帧初始点云数据转换到同一预设世界坐标系下，得到点云地图；利用语义分割方法，对所述点云地图进行分类处理，得到分类后的点云数据；利用numpy计算库，对所述分类后的点云数据进行筛选，以得到目标点云数据，实现了对离散无规律地点云数据进行分类处理，以便后续能够直接提取感兴趣的点云数据，从而提升了点云数据的提取效率。
附图说明
[0047]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，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示出的结构获得其他的附图。
[0048]
图1为本发明实施例方案涉及的应用场景的示意图；
[0049]
图2为本发明实施例方案涉及的硬件运行环境的终端产品的结构示意图；
[0050]
图3为本发明点云数据提取方法第一实施例的流程示意图；
[0051]
图4为本发明点云数据提取方法第二实施例的流程示意图；
[0052]
图5为本发明点云数据提取方法第三实施例的流程示意图；
[0053]
图6为本发明点云数据提取方法第四实施例的流程示意图；
[0054]
图7为本发明点云数据提取方法第五实施例的流程示意图；
[0055]
图8为本发明点云数据提取方法第六实施例的流程示意图；
[0056]
图9为本发明点云数据提取方法第一实施例的功能模块示意图。
[0057]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0058]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0059]
图1示意性示出了根据本公开实施例的点云数据提取方法的应用场景的示意图。需要注意的是，图1所示仅为可以应用本公开实施例的应用场景的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
[0060]
如图1所示，根据该实施例的系统架构100可以包括服务器101、网络102、遥感卫星103和检测目标104。
[0061]
网络102用以在服务器101和遥感卫星103之间提供通信链路的介质。需要注意的是，网络102可以包括各种连接类型，包括但不限于附图中所示的无线通信链路等。
[0062]
遥感卫星103内置有具有3d扫描功能的电子设备，例如激光雷达、立体摄像机、深度相机等，这些电子设备通过对检测目标104的多次扫描，获取检测目标104的点云数据。同时，遥感卫星103装配有具有数据存储及处理功能的电子设备，例如卫星上位机等，可以用于对点云数据的处理。
[0063]
服务器101可以是具备丰富计算资源的服务器或服务器集群，用于根据遥感卫星103采集的点云数据完成对点云语义分割模型的训练。
[0064]
本公开实施例的点云提取方法一般可以由遥感卫星103执行，以便于对点云数据进行实时处理，减少对卫星上下行资源的占用。另一方面本公开实施例的点云提取方法也可以由服务器101执行，或可以由能够与服务器104通信的其他服务器或服务器集群执行。
[0065]
需要注意的是，图1中的服务器和网络的数目仅是示意性的，根据实现需要，可以具有任意数目的服务器和网络。本公开实施例的点云语义分割方法还可以应用在无人驾驶领域，用于对汽车周边信息的实时分类。
[0066]
参照图2，图2为本发明实施例方案涉及的硬件运行环境的电子设备结构示意图。
[0067]
如图2所示，该电子设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真
(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)存储器，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
[0068]
本领域技术人员可以理解，图1中示出的结构并不构成对自动驾驶系统的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0069]
如图2所示，作为一种存储介质的存储器1005中可以包括数据存储模块、网络通信模块、用户接口模块以及点云数据提取程序。
[0070]
在图2所示的电子设备中，网络接口1004主要用于与其他产品进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明电子设备中的处理器1001、存储器1005可以设置在电子设备中，所述电子设备通过处理器1001调用存储器1005中存储的点云数据提取程序，并执行本发明实施例提供的点云数据提取方法。
[0071]
根据上述硬件结构但不限于上述硬件结构，提出本技术一种点云数据提取方法的第一实施例。参照图3，图3为本发明一种点云数据提取方法第一实施例的流程示意图。
[0072]
本实施例中，所述方法包括：
[0073]
步骤s200，获取在世界坐标系下的多帧初始点云数据；其中，所述多帧初始点云数据至少包括一帧；
[0074]
本发明的实施例执行主体是电子设备。世界坐标系是指系统的绝对坐标系，在没有建立用户坐标系之前的画面上所有点的坐标都是以该坐标系的原点来确定各自位置的。从建模坐标系到世界坐标系有个坐标转换，即建模变换(modeling transformation)或称模型矩阵(model matrix)，建模变换通过平移(translate)、旋转(rotate)和缩放(scale)将所有点摆放在场景中的适当位置。世界坐标系最常使用的是标准三维笛卡尔坐标系。
[0075]
初始点云数据是指3d扫描设备对物体进行扫描后生成的点云数据。点云数据是指一个在三维坐标中的数据集。该数据集包括但不限于坐标(x，y，z)、颜色、分类值、强度值、时间等等，本实施例在此不做限定。另外，点云数据在组成特点上分为两种，一种是有序点云数据，一种是无序点云数据，在本实施中是无序点云数据。另外，3d扫描设备包但不限于激光雷达、深度相机、双目相机、立体摄像头等等方式，本实施例在此不做具体限定。这些3d扫描设备用自动化的方式测量物体表面的大量的点的信息，然后用某种数据文件输出点云数据。这些点云数据就是上述3d扫描设备所采集到的。
[0076]
可理解的是，在3d扫描设备获取到物体后通过某种数据文件输出到电子设备上，然后将电子设备的建模坐标系通过建模变换的方式转换到世界坐标系下，即可得到世界坐标系下的多帧初始点云数据。
[0077]
步骤s400，将所述在世界坐标系下的多帧初始点云数据转换到同一预设世界坐标系下，得到点云地图；
[0078]
可理解的是，3d扫描设备是实时对一个物体进行扫描，这样就会造成3d扫描设备会从不同角度扫描一个物体，而每个点云数据由于扫描角度的不同会让物体呈现不完整，另外，不同角度扫描后得到的点云数据内的各个点的坐标值不同，为了让一个物体的不同的点云数据更加契合和完整，因此需要将不同角度不同帧的点云数进行配准到同一预设世界坐标系下。
[0079]
点云地图是指多帧初始点云数据中的各个点进行配准后形成的点云数据。
[0080]
步骤s600，利用语义分割方法，对所述点云地图进行分类处理，得到分类后的点云数据；
[0081]
语义分割方法是指计算机视觉中的基本任务，在语义分割中我们需要将视觉输入分为不同的语义可解释类别。可根据点云数据中的各个点的坐标系、纹理等特征进行划分，同一划分内的点拥有相似的特征，然后为同一划分内的点分配一个语义标记，最后将点云数据划分成多个块，不同的块用不同的颜色进行区分，以便后续对点云数据进行运用。例如：语义标记可以是“树、车、房子、路灯、飞机等等”[0082]
步骤s800，利用numpy计算库，对所述分类后的点云数据进行筛选，以得到目标点云数据；
[0083]
numpy是是python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比python自身的嵌套列表(nested list structure)结构要高效的多。
[0084]
目标点云数据是用户感兴趣的点云数据。感兴趣的类别可以是上述的语义标记后的点云数据。
[0085]
在对点云数据进行语义分割和分类处理后，得到分类后的点云数据。然后利用nump计算库对分类后的点云数据通过语义标记进行类别筛选，得到目标点云数据。
[0086]
在本实例中，通过获取世界坐标下的多帧初始点云数据，然后将多帧点云数据映射到同一世界坐标系下，得到点云地图，再对点云地图进行语义分割处理，得到不同类别的点云数据，最后根据numpy计算库按照用户的需求对不同类别的点云数据进行筛选，得到用户感兴趣的点云数据，实现了可以从离散不规律的点云数据直接提取到用户感兴趣的点云数据，进而提升了点云数据的提取效率。
[0087]
进一步的，基于上述实施例，提出本发明点云数据提取方法第二实施例。参照图4，图4为本发明一种点云数据提取方法第二实施例的流程示意图，所述获取在世界坐标系下的多帧初始点云数据，包括：
[0088]
步骤s210，获取多帧初始点云数据；其中，所述多帧初始点云数据为3d扫描设备采集的多帧初始点云数据；所述多帧初始点云数据对应的原始坐标系不同；
[0089]
可理解的是，多帧初始点云数据是指3d扫描设备实时扫描物体而生成的多帧点云数据。由于在不同时刻3d扫描设备的扫描角度不同，因此不同帧点云数据内的各个点的坐标值不一样，也即多帧点云数据对应的原始坐标系不同。
[0090]
步骤s220，将所述多帧初始点云数据转换到世界坐标系下，得到在世界坐标系下的多帧初始点云数据。
[0091]
在本实施例中，通过获取3d扫描设备对物体进行扫描后生成的多帧初始点云数据，然后将多帧初始点云数据的建模坐标系通过建模变换的方式转换到世界坐标系中，以得到在世界坐标系下的多帧初始点云数据，实现了为后续将多帧初始点云数据映射到同一预设世界坐标系中提供了基础。
[0092]
进一步的，基于上述实施例，提出本发明云数据提取方法第三实施例。参照图5，图5为本发明一种点云数据提取方法第三实施例的流程示意图，所述将所述在世界坐标系下的多帧初始点云数据转换到同一预设世界坐标系下，得到点云地图，包括：
[0093]
步骤s410，对所述在世界坐标系下的多帧初始点云数据进行栅格化处理，得到各个栅格对应的点云数据集；其中，所述点云数据集至少包括一个点云数据的点的数据；
[0094]
可理解的是，由于点云数据为离散分布，为了方便对离散点云数据进行分析，可对点云数据进行栅格化处理，以使得点云数据落在栅格中，也即各个栅格均包含多个点，多个点构成点云数据集。
[0095]
步骤s420，利用公式一，对各个所述栅格对应的点云数据集进行计算，得到各个所述栅格对应的点云数据集的均值；其中，所述公式一为：
[0096]
其中，u为各个所述栅格对应的点云数据集的均值，n为各个所述栅格对应的点云数据集的维度，ri为第i个栅格对应的点云数据集，i表示第i个栅格；
[0097]
在对点云数据进行栅格化处理后，确定多个栅格对应的点云数据集合，然后对各个栅格对应的点云数求平均值，得到各个栅格对应的点云数据的均值。
[0098]
步骤s430，利用公式二，对各个所述栅格对应的点云数据集的均值进行计算，得到各个所述栅格对应的点云数据集的协方差矩阵；其中，所述公式二为：
[0099]
其中，σ为各个所述栅格对应的点云数据集的协方差矩阵，m为各个栅格对应的点云数据集的数量；
[0100]
协方差矩阵是指各个栅格对应的点云数据集的各个点之间的协方差组成的矩阵。
[0101]
需要说明的是，由于点云数据中的点具有多重维度，因此需要对各个栅格对应的点云数据集中的各个点的各个维度进行协方差计算，得到各个栅格对应的点云数据集的不同维度的协方差矩阵。例如：一个栅格中的点云数据集合为此时该栅格的均值为[3.37，2.70，5.04]，该栅格的协方差矩阵为
[0102]
步骤s440，利用公式三，对各个所述栅格对应的点云数据集的均值、各个所述栅格对应的点云数据集的协方差矩阵进行计算，得到各个所述栅格对应的点云数据集的概率密度；其中，所述公式三为：
[0103]
其中，所述p(ri)为第i个栅格对应的点云数据集的概率密度；
[0104]
步骤s450，将各个所述栅格对应的点云数据集的概率密相加，得到评分结果；
[0105]
在确定各个栅格对应的点云数据集的均值和协方差矩阵后，利用公式三对其进行计算，可得到各个栅格对应的点云数据集的概率密度，然后将各个栅格对应的点云数据集的概率密度进行相加，得到评分结果。评分结果是判断各个栅格对应的点云数据集中的各个点的概率密度的参数是否满足正态分布。
[0106]
步骤s460，判断所述评分结果是否等于预设收敛标准；
[0107]
如果各个栅格对应的点云数据集的概率密度的参数符合收敛标准，则说明此时各个栅格对应的概率密度的参数是最优的。
[0108]
步骤s470，若是，则根据各个所述栅格对应的点云数据集的协方差矩阵，对各个所述栅格对应的点云数据集进行转换，并将转换后的结果映射至预设世界坐标系中，以得到点云地图。
[0109]
在确定各个栅格对应的点云数据集的参数最后，将各个栅格对应的点云数据集的点按照各个栅格对应的点云数据集的协方差矩阵进行变换，然后再映射到同一预设世界坐标系中。
[0110]
需要说明的是，在当前帧各个栅格对应的点云数据集的概率密度的参数确定之后，后续下一帧各个栅格对应的点云数据集同样进行计算其概率密度的参数，如果下一帧的各个栅格对应的点云数据集的概率密度的参数比当前帧各个栅格对应的点云数据集的概率密度的参数更优，则将下一帧的各个栅格对应的点云数据集的各个点映射到同一预设世界坐标系中，直至各个栅格对应的点云数据集的概率密度的参数等于预设收敛标准为止。
[0111]
在本实施例中，通过将在世界坐标系下的多帧初始点云数据进行栅格处理，得到多个栅格对应的点云数据集，然后对各个栅格对应的点云数据集进行均值计算，然后根据均值得到各个栅格对应的点云数据集的协方差矩阵，然后再根据各个栅格对应的点云数据集的均值和协方差矩阵得到各个栅格对应的点云数据集的概率密度，然后对各个栅格的对应点云数据集的各个点的概率密度进行评分，得到评分结果，然后判断评分结果是否等于预设收敛标准，实现了将不同帧的初始点云数据配准至同一世界坐标系下，得到一个精确地和完整地点云地图。
[0112]
进一步的，基于上述实施例，提出本发明点云数据提取方法第四实施例。参照图6，图6为本发明一种点云数据提取方法第四实施例的流程示意图，所述所述利用语义分割方法，对所述点云地图进行分类处理，得到分类后的点云数据，还包括：
[0113]
步骤s500，随机选取所述点云地图中的多个点云数据，并将选取后的多个所述点云数据进行剔除，以得到目标点云地图；其中，所述选取后的多个所述点云数据不影响语义分割效果。
[0114]
在本实施中，为了降低点云地图的语义分割量，以提升语义分割的精度和效率，采用了随机选取点云地图中不影响语义分割效果的多个点云数据，然后将其进行剔除，最终得到较小数据量的点云地图，也即目标点云地图。
[0115]
进一步的，基于上述实施例，提出本发明点云数据提取方法第五实施例。参照图7，图7为本发明一种点云数据提取方法第五实施例的流程示意图，所述所利用语义分割方法，对所述点云地图进行分类处理，得到分类后的点云数据，包括：
[0116]
步骤s610，利用局部特征提取器，对所述点云地图进行特征提取，得到点云数据的初始特征，并对所述点云数据的初始特征进行位置编码；
[0117]
可理解的是，点云地图是指点云数据的集合，点云数据数据中的各个点都包含不同的特征，例如：坐标系和纹理等特征。
[0118]
在对多帧初始点云数据配准至同一预设世界坐标系中，得到点云地图后，利用局部特征提取器对点云地图进行特征提取，得到各个点的初始特征，并对不同特征进行位置编码。例如某一点的特征为[(1.02,3.05.706)、red]，
[0119]
步骤s620，将所述点云数据的初始特征输多层感知器模型，得到所述多层感知器
模型输出多个所述点云数据的局部特征；
[0120]
可理解的是，由于点云数据的各个点在提取特征后所呈现的特征数量较小，并不能与其他点进行区别开来，因此需要将其输入至多层感知模型进行学习，以此来升维增加多个特征，以便于我们对各个点进行更精确的分类。
[0121]
多层感知器(multilayer perceptron，简称mlp)是一种前馈人工神神经网络模型，将其输入的多个数据集映射到单一的输出数据集上。另外，多层感知器可以是一个或者多个。
[0122]
具体地，将点云数据初始特征输入到多层感知器后，得到多层感知器输出的点云数据的升维特征，例如：某一点的特征为[(1.02,3.05.706)、red]，在输入多感知器后输出[(1.02,3.05.706)、red、50m、10pa....]。
[0123]
步骤s630，利用公式四，将多个所述点云数据的局部特征和多个所述点云数据对应位置编码进行拼接，得到加强点云数据特征组；其中，所述公式四为：其中，ji为加强点云数据特征组，i表示第i个加强点云数据特征，k为特征数；
[0124]
在确定多层感知器输出的点云数据的升维特征后与各个点对应的位置编码进行拼接，能够得到加强点云数据特征组，也即给各个点的特征又增加了新的一项特征，能够更好的对各个点进行分析和识别。
[0125]
步骤s640，对所述加强点云数据特征组进行聚合处理后，并根据所述加强点云数据特征组的注意力分数的加权和值，筛选出点云数据的重要特征；
[0126]
对加强点云数据特征组进行聚合处理，也即将不同点的特征进行聚合，在聚合后对不同的特征进行注意力分数计算，并根据不同特征的注意力分数计算各个特征的权重，最后根据权重筛选出点云数据的重要特征。例如：[(1.02,2.04,3.05)、red]、[(2.08,7.09,1.02)、red]、[(0.08,1.02,6.04)、black]，在聚合后为[(1.02,2.04,3.05)、red、(2.08,7.09,1.02)、(0.08,1.02,6.04)、black]，权重最大的为red，也即red为重要特征。
[0127]
步骤s650，根据所述点云数据的重要特征对所述点云地图进行分类，以得到分类后的点云数据。
[0128]
在确定点云数据的重要特征后，将其重要特征作为分类的指标，然后对点云点图进行分类，得到不同类别的点云数据。
[0129]
在本实施中，通过局部特征提取器对点云地图进行特征提取，得到各个点的初始特征，然后将各个点的初始特征输入多层感知器进行学习，将各个点的特征进行升维，然后将各个点的特征与位置编码进行拼接，得到加强点云特征数据组，然后对加强点云数据特征组进行聚合处理，计算出各个特征的注意力分数的权重和值，然后筛选出点云数据的重要特征，最后根据重要特征对点云地图进行分类，得到分类后的点云数据，实现了确保点云数据语义分割的精度和准确度，进而更优的对点云地图进行分类。
[0130]
进一步的，基于上述实施例，提出本发明点云数据提取方法第六实施例。参照图8，图8为本发明一种供点云数据提取方法第六实施例的流程示意图，所述对所述加强点云数据特征组进行聚合处理后，并根据所述加强点云数据特征组的注意力分数的加权和值，筛选出点云数据的重要特征，包括：
[0131]
步骤s641，利用公式五，对所述加强点云数据特征进行注意力分数计算，得到所述
加强点云数据特征组的注意力分数；其中，所述公式五为：
[0132]
其中，为所述加强点云数据特征组的注意力分数，w为注意力分数权重；
[0133]
步骤s642，利用公式六，对所述加强点云数据特征组的注意分数进行加权求和，得到所述加强点云数据特征的注意力分数和值；其中，所述公式六为：
[0134]
步骤s643，根据所述加强点云数据特征的注意力分数和值，筛选出所述点云数据的重要特征。
[0135]
基于同样的发明构思，参照图9，本发明还提出一种点云数据提取装置，所述装置包括：
[0136]
数据获取模块20，获取在世界坐标系下的多帧初始点云数据；其中，所述多帧初始点云数据至少包括一帧；
[0137]
数据映射模块40，将所述在世界坐标系下的多帧初始点云数据转换到同一预设世界坐标系下，得到点云地图；
[0138]
数据分割模块60，利用语义分割方法，对所述点云地图进行分类处理，得到分类后的点云数据；
[0139]
数据筛选模块80，利用numpy计算库，对所述分类后的点云数据进行筛选，以得到目标点云数据。
[0140]
本发明的点云数据提取装置的数据获取模块、数据映射模块、数据分割模块和数据筛选模块参照上述方案实施例，此处不再赘述。
[0141]
此外，本发明实施例还提出一种计算机存储介质，所述计算机可读存储介质上存储有供点云数据提取程序，所述点云数据提取程序被处理器执行时实现如上文所述的点云数据提取方法。因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本技术所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本技术方法实施例的描述。确定为示例，程序指令可被部署为在一个计算产品上执行，或者在位于一个地点的多个计算产品上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算产品上执行。
[0142]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述的存储介质可为磁碟、光盘、只读存储记忆体(read-on ly memory，rom)或随机存储记忆体(random accessmemory，ram)等。
[0143]
另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解
并实施。
[0144]
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用cpu、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本发明而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本发明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可读取的存储介质中，如计算机的软盘、u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等，包括若干指令用以使得一台计算机产品(可以是个人计算机，服务器，或者网络产品等)执行本发明实施例的方法。
[0145]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。