【技术实现步骤摘要】
本专利技术属于自动驾驶领域，特别是涉及一种基于icp场景流的激光雷达点云数据增稠方法。
技术介绍
1、icp(iterative closest point)算法是一种常用的点云配准算法，通过迭代的方式将多个点云的坐标系进行对齐。icp算法的应用领域非常广泛，尤其是在室内点云中的应用已经取得了巨大效益，例如室内三维重建等领域，且icp的应用泛化性较好，可以拓展到其他领域。不同于室内场景的点云是较为均匀分布的，在室外及自动驾驶领域中基于激光雷达生成的点云会随着距离的增加而变得稀疏，且在动态场景中点云存在密度变化，从而使得下游任务的工作开展变得困难。
2、针对自动驾驶场景中的动态点云密度变化及稀疏性的问题，现存的主流方法如surroundocc是通过如下步骤来增加动态点云的密度实现增稠：(1)多帧点云拼接；(2)poisson重建密集化；(3)使用nn算法进行语义标注；其缺点是难解决样本不平衡问题，过于依赖语义标注信息，且需要人工标注额外的3d边界框和点云语义，导致人工标注成本较高。openoccupancy是通过如下步骤来增加动态点云的密度实现增稠：(1)分割动静态点云；(2)使用人工标注的数据和部分未标注数据进行slef-training(迭代)后生成伪标签；(3)用伪标签增加初始标签来构建密集注释；(4)人工净化增强标签得到最终的带标注数据；其缺点是需要大量的人工成本和时间，处理过程和方式过于冗余。针对现有主流数据增稠方法存在的人工标注成本较高、处理过程冗余等问题，本专利技术提出一种基于icp场景流的激光雷达点云数
技术实现思路
1、本专利技术针对现有技术的不足，提供一种基于icp场景流的激光雷达点云数据增稠方法，来解决现有技术中需要人工成本较高且处理过程冗余等问题，以为点云数据增稠提供了一个简单有效的可行方案。
2、本专利技术通过以下技术方案来实现上述目的：
3、一种基于icp场景流的激光雷达点云数据增稠方法，主要包括以下步骤：
4、第一步，对多帧点云数据进行坐标系对齐，然后使用patchwork++算法进行动态物体和静态场景分割；
5、第二步，对静态场景进行多帧重建，并利用hdbscan对动态目标进行聚类；
6、第三步，通过icp-flow方法估算场景流，将多帧动态目标叠加进行增稠；
7、第四步，融合增稠后的动态目标和静态场景来生成稠密的3d占用标签，从而实现对激光雷达点云数据的增稠。
8、与现有技术相比，本专利技术的有益效果如下：
9、1.针对现有主流方法是通过点云语义来分割动态和静态点云的方式，本专利技术使用聚类的方式来分割动态和静态点云，不需要额外的语义标注，降低了人工标注成本。
10、2.针对现有主流方法是通过3d边界框来对动态点云进行匹配的方式，本专利技术使用icp方法来对动态点云进行配对，不需要额外的3d框标注，降低了人工标注成本。
11、3.针对现有主流方法处理过程冗余、计算量大的问题，本专利技术的实现流程简单高效，即输入原始稀疏点云数据，端到端的输出增稠后的点云数据，且运算速度快。
本文档来自技高网...【技术保护点】
1.一种基于ICP场景流的激光雷达点云数据增稠方法，其特征在于，主要包括以下步骤：
【技术特征摘要】
1.一种基于icp场景流的激光雷达点云数据...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。