高慶吉，李天昊，邢志偉，劉佩佩

（中國民航大學(xué)機器人研究所，天津 300300）

0 概述

隨著機器人場景感知實時性、精細(xì)程度、感知范圍等性能的提高，點云數(shù)據(jù)可直接用于描述點的位置信息，使得目標(biāo)位置估計的準(zhǔn)確性和魯棒性得到提高［1］，因此，點云數(shù)據(jù)在環(huán)境感知中被廣泛應(yīng)用。其中，對大型場景點云進行語義分割是機器人理解環(huán)境并進行進一步加工處理的前提［2］。點云語義分割是指給點云中的每個點賦予特定的語義標(biāo)簽，以幫助機器人更好更快地定位建圖或進行目標(biāo)識別［3］。隨著深度相機、激光雷達(dá)設(shè)備的更新迭代，點云數(shù)據(jù)的獲取更加快速準(zhǔn)確，所得點云規(guī)模更加龐大，而傳統(tǒng)點云分割方法處理效率也逐漸降低。

2017 年，CHARLES 等［4］提 出PointNet 網(wǎng) 絡(luò)，該網(wǎng)絡(luò)借助深度學(xué)習(xí)提取點云特征，形成了點云語義分割網(wǎng)絡(luò)。PointNet 可以高效地提取點云的全局特征，但在提取局部特征時效果較差。為了學(xué)習(xí)更豐富的局部結(jié)構(gòu)，針對點云特征提取問題，有研究人員提出了新的神經(jīng)網(wǎng)絡(luò)模塊，設(shè)計出改進的點云語義分割方法，這些方法大致可分為3 類，分別為關(guān)鍵點鄰域點云特征聚合法［5］、基于圖神經(jīng)網(wǎng)絡(luò)的點云特征提取法［6］、基于內(nèi)核卷積的特征提取方法［7］。上述方法首先在原始點云中選取關(guān)鍵點并通過鄰域采樣得到關(guān)鍵點周圍固定半徑內(nèi)的球形點云集，然后通過圖卷積或其他內(nèi)核提取點云集特征，最終通過點附近點云集特征聚合得到點云中每個點的語義特征。這些方法提升了網(wǎng)絡(luò)對點云局部特征的提取能力，但大都只能處理數(shù)量少、尺度小的點云［8-9］，在處理多目標(biāo)復(fù)雜點云時精度和效率無法保證。有研究人員提出可以處理復(fù)雜點云分割任務(wù)的網(wǎng)絡(luò)，如PCT［10］結(jié)合體素化和點級網(wǎng)絡(luò)來處理大型點云，SPG［11］在進行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)前將大型點云投影為圖像進行預(yù)處理。這兩類網(wǎng)絡(luò)分割精度較高，但預(yù)處理和網(wǎng)絡(luò)計算耗時很大，無法在實時應(yīng)用程序中進行部署。

對于點云聚合類的方法，需要非均勻采樣得到點云中的關(guān)鍵點，并在鄰域內(nèi)搜索相鄰點形成點云集，在處理大型點云時需要較高的計算成本；現(xiàn)有的局部特征學(xué)習(xí)網(wǎng)絡(luò)大多依賴感受野大小有限的核化或圖形構(gòu)造，無法高效地捕獲復(fù)雜結(jié)構(gòu)，需要對關(guān)鍵點特征進行多次聚合，提高了網(wǎng)絡(luò)計算成本。

為了提升大型場景點云的語義分割效率，本文對特征聚合方法進行優(yōu)化。在點云分割時采用計算復(fù)雜度更低的方形網(wǎng)格分割方法，同時設(shè)計針對點云區(qū)塊的特征融合和語義分割網(wǎng)絡(luò)，將點云分割尺寸作為神經(jīng)網(wǎng)絡(luò)的優(yōu)化參數(shù)，使得網(wǎng)絡(luò)更好地提取點云特征。在此基礎(chǔ)上，使用公開數(shù)據(jù)集從分割速度和精度2 個方面對所提方法的性能進行實驗驗證。

1 基于區(qū)塊特征融合的點云語義分割網(wǎng)絡(luò)

1.1 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

基于區(qū)塊特征融合的點云語義分割網(wǎng)絡(luò)（Block Feature Fusion Net，BFF-Net）主要關(guān)注大型復(fù)雜場景，采用區(qū)塊分割的預(yù)處理方法，將分割得到的點云區(qū)塊輸入單獨設(shè)計的區(qū)塊點云語義分割網(wǎng)絡(luò)，使用區(qū)塊間特征融合的方式提取大型點云特征。

如圖1 所示，BFF-Net 的輸入為點云數(shù)據(jù)，點云總點數(shù)為N，每個點由直角坐標(biāo)系下的X-Y-Z坐標(biāo)描述，形成N×3 的輸入矩陣。首先對點云進行方形網(wǎng)格分割得到點云區(qū)塊集，然后對相鄰區(qū)點云塊采樣、坐標(biāo)變換、組合后得到多個組合區(qū)塊，從而完成點云預(yù)處理。在對每個區(qū)塊進行語義分割時，將包含目標(biāo)區(qū)塊的組合區(qū)塊點云數(shù)據(jù)輸入到點云區(qū)塊特征融合網(wǎng)絡(luò)（Block Feature Net，BFN）中，得到目標(biāo)區(qū)塊的全局特征修正向量。將目標(biāo)區(qū)塊的點云數(shù)據(jù)和全局特征修正向量輸入到點云語義分割網(wǎng)絡(luò)并以殘差［12］的方式融合得到目標(biāo)區(qū)塊點云每個點的語義分類結(jié)果。對每個區(qū)塊重復(fù)以上操作即可完成大型場景點云語義分割任務(wù)。

1.2 基于方形網(wǎng)格分割的點云預(yù)處理

原始點云數(shù)據(jù)在輸入網(wǎng)絡(luò)計算前需要方形網(wǎng)格分割、組合、坐標(biāo)變換預(yù)處理，最后得到分別用于點云特征融合和語義回歸網(wǎng)絡(luò)的兩組點云集。點云預(yù)處理過程如圖2 所示。

點云預(yù)處理的具體過程如下：

1）點云區(qū)塊分割

在點云分割時，將原始點云P向地面投影，用方形網(wǎng)格分割點云P，方形網(wǎng)格中正方形邊長為d。點云P被劃分到m1個區(qū)塊中，形成點云區(qū)塊集。點云區(qū)塊數(shù)量為：

其中：l為方形網(wǎng)格X方向的網(wǎng)格個數(shù)；w為方形網(wǎng)格Y方向的網(wǎng)格個數(shù)。

2）點云區(qū)塊組合

為了提取融合不同區(qū)塊點云的特征，需要組合點云區(qū)塊。在組合前，對每個點云區(qū)塊中的點云隨機采樣［5］，采樣點數(shù)量為n1，以3×3 的方式組合分割時相鄰的點云區(qū)塊，形成m2個點云組合區(qū)塊：

3）點云區(qū)塊坐標(biāo)變換

在進行單個區(qū)塊點云的語義分割前需要將坐標(biāo)原點移至區(qū)塊和組合區(qū)塊的中心：

其中：pi為坐標(biāo)變換前點云中每點的X-Y-Z坐標(biāo)；p'i為坐標(biāo)變換后每點的坐標(biāo)；pmid為目標(biāo)區(qū)塊正方形中心點的坐標(biāo)，其Z軸坐標(biāo)為0。

點云預(yù)處理通過網(wǎng)格分割、采樣、組合、坐標(biāo)變換，原點云被處理后得到點云區(qū)塊集B1和點云組合區(qū)塊集B2。

1.3 基于PointNet 的點云特征提取網(wǎng)絡(luò)

將點云特征提取網(wǎng)絡(luò)PFN（Point Feature Net）作為基礎(chǔ)特征提取網(wǎng)絡(luò)，如圖3（a）所示，PFN 分為位置特征提取網(wǎng)絡(luò)LFN（Location Feature Net）和全局特征提取網(wǎng)絡(luò)GFN（Global Feature Net）兩部分。點云特征提取網(wǎng)絡(luò)通過一維卷積模塊（Multi-Layer Perceptron，MLP）完成對點云數(shù)據(jù)的特征提取，如圖3（b）所示，特征數(shù)據(jù)輸入到該模塊先后經(jīng)過一維卷積、批標(biāo)準(zhǔn)化（Batch Normalization）、ReLU 整流函數(shù)。圖3（a）中的MLP(128,512,1024)表示數(shù)據(jù)先后經(jīng)過一維卷積通道數(shù)分別為128、512、1 024 的MLP 模塊。

圖3 點云特征提取網(wǎng)絡(luò)Fig.3 Point cloud feature extraction network

設(shè)輸入點云矩陣為P，點數(shù)為n。位置特征提取網(wǎng)絡(luò)PFN 通過MLP 模塊擴展每個點[x,y,z]三維位置特征，擴展后得到64維特征向量。將每個點并行輸入MLP模塊進行計算，最終得到n×64 的點云位置特征：

其中：L為點云位置特征。

全局特征提取網(wǎng)絡(luò)GFN 將位置特征輸入到MLP模塊進行計算，擴展為n×1 024 的特征矩陣，通過最大池化得到所有點同一特征維度的最大值，得到的1 024維的特征向量即為這組點云的全局特征。由點云位置特征計算得到點云全局特征如式（5）所示：

其中：G為點云的全局特征；MaxPool 表示最大池化層。

點云位置特征矩陣先后經(jīng)過位置特征提取網(wǎng)絡(luò)LFN、全局特征提取網(wǎng)絡(luò)GFN，最終得到全局特征，如式（6）所示：

1.4 點云區(qū)塊特征融合網(wǎng)絡(luò)

點云區(qū)塊特征融合網(wǎng)絡(luò)通過計算組合后區(qū)塊點云坐標(biāo)得到區(qū)塊和區(qū)塊間的組合特征，然后融合得到用于修正每個區(qū)塊點云特征的修正向量。點云區(qū)塊特征融合網(wǎng)絡(luò)結(jié)構(gòu)如圖4 所示。

圖4 點云區(qū)塊特征融合網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Point cloud block feature fusion network structure

在數(shù)據(jù)輸入到點云區(qū)塊特征融合網(wǎng)絡(luò)前，首先選取要進行語義分割的目標(biāo)點云區(qū)塊，如圖4 所示，圖中用帶點方框表示目標(biāo)點云區(qū)塊，在組合點云區(qū)塊集B2中，得到包含目標(biāo)點云區(qū)塊的9 個組合區(qū)塊，由于在采樣時每個區(qū)塊的采樣數(shù)量為n1，因此得到9 個點云組合區(qū)塊的點云坐標(biāo)矩陣，每個矩陣的大小為9n1×3，將這9 個矩陣并行輸入到同一個點云特征提取網(wǎng)絡(luò)，即網(wǎng)絡(luò)C中，得到9 個點云全局特征向量，經(jīng)過MLP 將其融合為1 個1 024 維的全局特征修正向量，用以修正目標(biāo)區(qū)塊點云的全局特征。點云區(qū)塊特征融合網(wǎng)絡(luò)可由式（7）表示：

其中：Pcom為點云坐標(biāo)矩陣；Gres為全局特征修正向量。

1.5 基于殘差修正的區(qū)塊點云語義分割網(wǎng)絡(luò)

區(qū)塊點云語義分割網(wǎng)絡(luò)對目標(biāo)區(qū)塊點云的特征進行提取，利用點云區(qū)塊特征融合網(wǎng)絡(luò)得到的修正向量修正點云特征，從而得到最終的點云特征，然后通過簡單分類網(wǎng)絡(luò)實現(xiàn)目標(biāo)區(qū)塊所有點的語義分類。區(qū)塊點云語義分割網(wǎng)絡(luò)結(jié)構(gòu)如圖5 所示。

圖5 區(qū)塊點云語義分割網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Block point cloud semantic segmentation network structure

區(qū)塊點云語義分割網(wǎng)絡(luò)的輸入為目標(biāo)區(qū)塊的點云坐標(biāo)矩陣和由點云區(qū)塊特征融合網(wǎng)絡(luò)得到的全局特征修正向量，圖5 中網(wǎng)絡(luò)A為位置特征提取網(wǎng)絡(luò)，網(wǎng)絡(luò)B為全局特征提取網(wǎng)絡(luò)。設(shè)目標(biāo)區(qū)域的點云數(shù)量為n0，則目標(biāo)區(qū)域點云矩陣Ptar可表示為n0×3 的矩陣，依次經(jīng)過位置特征提取網(wǎng)絡(luò)和全局特征提取網(wǎng)絡(luò)，得到目標(biāo)區(qū)塊點云的位置特征矩陣Ltar和全局特征向量。其中，全局特征向量與加權(quán)后全局特征修正向量矩陣相加，得到修正后的全局特征向量Gtar：

其中：W為加權(quán)矩陣。

將修正后的全局特征向量復(fù)制n0份得到G′tar，與n0×64 的點云位置特征矩陣拼接形成目標(biāo)區(qū)塊的點云特征矩陣Ftar，如式（10）所示，其大小為n0×1 088。最后通過MLP 和Log Softmax 回歸得到n0×c的語義概率矩陣，如式（11）所示，其中，c為語義種類數(shù)量。至此就完成了區(qū)塊中所有點云的語義分割。

1.6 交叉熵?fù)p失函數(shù)

點云語義分割屬于針對點的分類問題，本文采用交叉熵乘積［13］作為損失函數(shù)，如式（12）所示：

其中：n為神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中每次訓(xùn)練的最小樣本數(shù)量；yij為第i個樣本在第j類上的真實標(biāo)簽；pi,j為第i個樣本對第j類的預(yù)測概率。

2 分割尺寸自優(yōu)化驗證

在前文中分割開的區(qū)塊只經(jīng)過簡單的點云特征提取網(wǎng)絡(luò)就得到每個點的最終特征，然后輸入至最后的語義回歸層，這樣的網(wǎng)絡(luò)結(jié)構(gòu)降低了網(wǎng)絡(luò)復(fù)雜度，但同時也使得網(wǎng)絡(luò)的分割精度依賴于合適的分割尺寸。因此，一方面要將場景分割得盡量小，以保證點云特征提取網(wǎng)絡(luò)對場景局部特征進行提?。涣硪环矫娣指钣忠銐虼?，以減少目標(biāo)物體點云結(jié)構(gòu)缺失，最終達(dá)到減少分割次數(shù)和網(wǎng)絡(luò)計算時間同時保證分割精度的目的。分割尺寸由方形網(wǎng)格中正方形邊長所決定，其作為神經(jīng)網(wǎng)絡(luò)中的一個參數(shù)，被引入神經(jīng)網(wǎng)絡(luò)反向傳播優(yōu)化過程。本文通過實驗證明分割尺寸可以在神經(jīng)網(wǎng)絡(luò)的優(yōu)化過程中自優(yōu)化到最佳值附近。實驗采用SemanticKITTI 數(shù)據(jù)集［14］，在每個場景中隨機抽取100 幀形成一組小樣本實驗數(shù)據(jù)，表1 所示為不同分割尺寸下的網(wǎng)絡(luò)最終分割結(jié)果。

表1 不同分割尺寸下網(wǎng)絡(luò)的召回率和收斂速度Table 1 The recall and convergence speed of the network under different partition sizes

從表1 可以看出，實驗4 具有較少的運算次數(shù)和較高的召回率，該分割尺寸最優(yōu)。

為了驗證分割尺寸系數(shù)可在神經(jīng)網(wǎng)絡(luò)優(yōu)化過程中自回歸到最優(yōu)值附近，對不同初始參數(shù)和尺度變化系數(shù)下的網(wǎng)絡(luò)進行反向傳播計算，統(tǒng)計得到100 組分割尺寸和網(wǎng)絡(luò)分割精度，形成散點圖如圖6 所示，圖中所有實驗結(jié)果的等效分割尺寸最終都收斂至4.6 m 附近，并在分割尺寸為4.689 m 時點云語義分割網(wǎng)絡(luò)得到最好的分割精度（0.816），證明分割尺寸可以自優(yōu)化至最佳值附近。

圖6 分割尺寸自優(yōu)化結(jié)果Fig.6 Segmentation size self optimization results

3 對比實驗與結(jié)果分析

3.1 計算復(fù)雜度與耗時對比

PointNet++、RandLA-Net［5］等網(wǎng)絡(luò)使用點云特征聚合的方法對點云進行多次編碼和解碼，使網(wǎng)絡(luò)更好地提取和使用點云的局部特征，但這種特征提取方法需要搜索以關(guān)鍵點為球心的球形鄰域內(nèi)的其他點以形成局部點云，一般建立點云的KD-tree（K-Dimension tree），在網(wǎng)絡(luò)語義分割計算時使用建立好的KD-tree 進行快速的鄰域搜索。

KD-tree［15］是對數(shù)據(jù)點在k維空間中進行劃分的一種數(shù)據(jù)結(jié)構(gòu)。網(wǎng)格均勻分割（即本文方法）將點云用規(guī)則網(wǎng)格進行均勻劃分。對于數(shù)量為n的點云，構(gòu)建KD-tree 的計算復(fù)雜度為，進行方形網(wǎng)格分割的計算復(fù)雜度為O（logan），后者復(fù)雜度更低。

在SemanticKITTI 數(shù)據(jù)集上的分割耗時對比結(jié)果如表2 所示，對數(shù)據(jù)集原始點云分別進行KD-tree建立和網(wǎng)格均勻分割，得到2 種方法處理不同規(guī)模點云所用時間，從表2 可以看出，本文網(wǎng)格均勻分割方法的耗時具有顯著優(yōu)勢。

表2 點云分割耗時對比Table 2 Comparison of point cloud segmentation time consuming

為了對比不同方法的網(wǎng)絡(luò)計算復(fù)雜度，參考其他論文資料統(tǒng)計不同方法的網(wǎng)絡(luò)參數(shù)量和網(wǎng)絡(luò)計算耗時，并在相同的GPU 平臺下對BFF-Net 網(wǎng)絡(luò)計算耗時進行測試，測試平臺GPU 型號為RTX2080Ti，CPU 型號為Intel?CoreTMi5-7300 CPU@2.50 GHz，結(jié)果如表3 所示。從表3 可以看出，相比其他點云語義分割方法，本文方法通過對分割尺寸進行優(yōu)化，提高了點云特征提取的效率，減少了卷積次數(shù)，因此，其網(wǎng)絡(luò)計算時間最少。SPG 網(wǎng)絡(luò)［11］雖然參數(shù)量最少，但其網(wǎng)絡(luò)耗時巨大。通過點云預(yù)處理和網(wǎng)絡(luò)計算時間的對比可以得出，在處理點云數(shù)為10 萬～100 萬的大規(guī)模點云時，本文方法的點云語義分割速度相較對比方法可提高2～4 倍。

表3 不同方法的網(wǎng)絡(luò)參數(shù)量和網(wǎng)絡(luò)計算時間對比Table 3 Comparison of network parameters and network calculation time of different methods

3.2 準(zhǔn)確率計算方式

IoU（Intersection over Union）［14］是在特定數(shù)據(jù)集中檢測相應(yīng)物體時，對其準(zhǔn)確率進行評估的一個度量標(biāo)準(zhǔn)。針對某一類點云分割，IoU 可由式（13）求得：

在同一數(shù)據(jù)集下，所有類別的平均IoU 為MIoU，如式（14）所示：

其中：c為類別總數(shù)。

3.3 SemanticKITTI 數(shù)據(jù)集上的準(zhǔn)確率對比

SemanticKITTI 數(shù)據(jù)集［14］是自動駕駛場景下由激光雷達(dá)所得的點云數(shù)據(jù)構(gòu)成的語義分割數(shù)據(jù)集。在測試過程中，每個場景序列取70%的場景幀作為訓(xùn)練集，剩余30%作為驗證集，初始學(xué)習(xí)率為0.01，每輪學(xué)習(xí)率衰減系數(shù)為0.9，進行30 輪學(xué)習(xí)，參考點云分割準(zhǔn)確率計算公式對結(jié)果進行統(tǒng)計，并與其他方法作對比，結(jié)果如表4 所示。從表4 可以看出，本文方法對路面、汽車、地形、卡車、路肩的語義分割結(jié)果較好，且對圍欄的分割準(zhǔn)確率比其他方法高出20%，原因在于圍欄是大型物體，分割后的部分圍欄容易被誤識別為汽車、卡車等含有平面結(jié)構(gòu)的物體，本文點云區(qū)塊特征融合網(wǎng)絡(luò)放大了網(wǎng)絡(luò)的感受野，使得網(wǎng)絡(luò)對于尺寸較大的物體也能很好地進行語義分割。

表4 7 種方法在SemanticKITTI 數(shù)據(jù)集上的測試準(zhǔn)確率對比Table 4 Comparison of test accuracy of seven methods on SemanticKITTI dataset %

BFF-Net 與PointNet++采用的基礎(chǔ)點云特征提取網(wǎng)絡(luò)相似，但特征融合方式不同，圖7 將這2 種方法處理SemanticKITTI 數(shù)據(jù)集的結(jié)果進行對比，圖中用圓圈標(biāo)出BFF-Net 分割相對正確的目標(biāo)，可以看出，圖中的圍欄、路面等大型物體在BFF-Net 方法下分割準(zhǔn)確率較高，如c1、c3、c4；對于一個區(qū)塊中較小的車輛，BFF-Net 方法也可以準(zhǔn)確分割，如b4、c4 之間的對比。

圖7 2 種方法的點云語義分割效果對比Fig.7 Comparison of point cloud semantic segmentation effects between two methods

3.4 Semantic3D 數(shù)據(jù)集上的準(zhǔn)確率對比

Semantic3D 數(shù)據(jù)集［19］包含8 個語義類標(biāo)簽，涵蓋廣泛的城市戶外場景，包括教堂、街道、鐵軌、廣場、村莊、足球場和城堡。在測試過程中，由于場景過于龐大，因此對每個大場景進行分割并做50%的隨機下采樣，對分割后的場景進行19 輪學(xué)習(xí)，統(tǒng)計點云分割準(zhǔn)確率指標(biāo)IMoU 結(jié)果，如表5 所示。從表5 可以看出，在Semantic3D 數(shù)據(jù)集下，BFF-Net 方法平均準(zhǔn)確率最高，且其對于汽車、硬景觀、高植被的語義分割準(zhǔn)確率最高。

表5 10 種方法在Semantic3D 數(shù)據(jù)集上的測試準(zhǔn)確率對比Table 5 Comparison of test accuracy of ten methods on Semantic3D dataset %

雖然BFF-Net 方法在室外場景中取得了較好的點云語義分割效果，但在室內(nèi)場景分割時效果并不理想，原因在于現(xiàn)階段的BFF-Net 只在2 個維度上對點云進行區(qū)塊分割和特征融合，當(dāng)從Z軸方向上分割目標(biāo)復(fù)雜的室內(nèi)場景時，無法很好地提取點云特征。

BFF-Net 方法適用于平面環(huán)境下的點云語義分割任務(wù)，可以與SLAM 技術(shù)相結(jié)合建立環(huán)境的語義地圖，加快建圖和重定位的速度，同時語義分割后的點云可直接分離目標(biāo)物體點云與背景點云，處理后［27］可以實現(xiàn)三維目標(biāo)識別。BFF-Net 方法可用于自動駕駛場景，處理后的點云可更好地應(yīng)用于后續(xù)的定位、檢測、避障任務(wù)。

4 網(wǎng)絡(luò)不同參數(shù)的對比實驗

4.1 消融實驗

為了更全面地測試BFF-Net 的性能，在由SemanticKITTI 形成的小樣本數(shù)據(jù)集上測試不同網(wǎng)絡(luò)參數(shù)的點云分割結(jié)果，如表6 所示。其中，改變的參數(shù)包括分割尺寸、組合區(qū)塊采樣點數(shù)量、點云語義分割是否加入全局特征修正向量以及目標(biāo)區(qū)塊點云密度。在表6 中：實驗1～實驗4 均使用最佳分割尺寸，在最高點云密度時得到的最高準(zhǔn)確率為59.20%；實驗5～實驗8 加入了全局特征修正向量，點云分割準(zhǔn)確率相比同密度下的前4 個實驗提升了16.36%～32.18%，說明區(qū)塊特征融合方法可以顯著提高點云語義分割的準(zhǔn)確率。

表6 不同網(wǎng)絡(luò)參數(shù)下的運行結(jié)果對比Table 6 Comparison of operation results under different network parameters

4.2 點云密度對語義分割準(zhǔn)確率的影響

圖8 所示為點云密度與語義分割準(zhǔn)確率的關(guān)系曲線，測試數(shù)據(jù)集是SemanticKITTI。從圖8 可以看出：在平均點云密度大于25 個/m2時，點云分割準(zhǔn)確率可以維持在0.65 以上；在平均點云密度低于20 個/m2時，點云分割準(zhǔn)確率不足0.5 并劇烈下降。通過多次實驗得出，點云密度取24 個/m2時可以在快速計算的同時保證語義分割準(zhǔn)確率。

圖8 不同點云密度下的分割準(zhǔn)確率對比Fig.8 Comparison of segmentation accuracy under different point cloud densities

5 結(jié)束語

針對大型場景下點云語義分割計算量較大的問題，本文提出一種基于區(qū)塊特征融合的點云語義分割方法，使用區(qū)塊分割的點云預(yù)處理方式，針對分割所得到的點云區(qū)塊設(shè)計特征提取網(wǎng)絡(luò)，利用區(qū)塊間特征融合的方法提取大型點云特征，從而加快點云預(yù)處理和網(wǎng)絡(luò)計算的速度。公開數(shù)據(jù)集上的實驗結(jié)果表明，在處理點數(shù)為10萬～100萬、尺寸跨度近百米的大規(guī)模點云時，該方法在保證分割精度的同時，點云語義分割速度較SPG、KPConv 等對比方法可提高2～4 倍。本文所提方法在室外大場景中能夠提高點云語義分割的速度和精度，但僅限于Z軸結(jié)構(gòu)簡單的點云數(shù)據(jù)，下一步將利用立方體對點云進行三維區(qū)塊分割，從而識別規(guī)模更大、更復(fù)雜的點云場景。