点云数据的深度学习处理方法 刘旭辉·,王宏燕° a.北京航空航天大学电子信息工程,北京海淀100191:b.北京航空航天大学医工交又创新研究院,北京海淀10019 c.西安卫星测控中心,陕西西安710000 摘要:随着自动驾驶的快速发展,对环境感知的要求也越来越高。作为自动驾驶 汽车最重要的传感器之一,激光雷达可以通过扫描周围环境得到点云数据。使用合 适的方法处理点云数据,我们可以获得目标物体的种类、距离、方位等。因此,点 云数据的处理成为了自动驾驶行业的一大热点。深度学习在图像上的巨大成功给我 们启发,近年来业内提出了很多基于深度学习的点云处理方法,如多视角投影、体 素化网格等等,但有着各方面的缺陷。 PointNet的提出开拓了全新的处理点云的方 法,即直接在点云上应用深度学习模型,并解决了点云数据的无序性、无结构性的 问题。但是其应用的最大池化对称函数舍弃了太多信息,在实际应用时方差较大 针对该问题,本文提出了新的解决点云数据无序性和保证空间变化不变性的方法。 在解决无序性问题时,用全局最大池化和全局平均池化分别处理每一维的点云数据 然后将得到的两个向量串联得到全局特征。在保证空间变化不变性的同时,对学习 转换矩阵的特征提取中,也引入了全局最大池化和全局平均池化方法,以得到与数 据集更加匹配的转换矩阵。实验证明,本文的方法有效地提高了分类结果的平均准 确率,并减小了准确率方差。 关镳词:自动驾驶;点云数据;深度学习 中图分类号:U461.99 Deep learning Processing Method for Point Cloud Data Liu Xuhui, Wang Hongyan f Electronic and Information Engineering, Beihang University, Beijing, 100191 Advanced Innovation Center for Big Data-based Precision Medicine( Beihang University ) Beijing P.R. China, 100191; 3. Xi'an Satellite Control Center, Shaanxi Xi'an, 710000) Abstract: With the rapid development of autonomous driving, the requirements for environmental awareness are getting higher and higher. As one of the most important sensors for autonomous vehicles, Lidar can get point cloud data by scanning the surrounding environment. Using the appropriate method to process point cloud data, we can obtain the type, distance, orientation, etc. of the target object. Therefore, the processing of point cloud data has become a hot spot in the autopilot industry. The great success of deep learning in images has inspired us. In recent years, many point cloud processing methods using deep learning model have been proposed in the industry, such as multi-view projection, voxel grid (c)1994-2019ChinaAcademicJournalElectronicpUblishingHouse.Allrightsreservedhttp://www.cnki.net点云数据的深度学习处理方法 刘旭辉 a,b，王宏燕 c （a. 北京航空航天大学电子信息工程，北京 海淀 100191； b. 北京航空航天大学医工交叉创新研究院，北京 海淀 100191； c. 西安卫星测控中心，陕西 西安 710000） 摘 要： 随着自动驾驶的快速发展，对环境感知的要求也越来越高。作为自动驾驶 汽车最重要的传感器之一，激光雷达可以通过扫描周围环境得到点云数据。使用合 适的方法处理点云数据，我们可以获得目标物体的种类、距离、方位等。因此，点 云数据的处理成为了自动驾驶行业的一大热点。深度学习在图像上的巨大成功给我 们启发，近年来业内提出了很多基于深度学习的点云处理方法，如多视角投影、体 素化网格等等，但有着各方面的缺陷。PointNet 的提出开拓了全新的处理点云的方 法，即直接在点云上应用深度学习模型，并解决了点云数据的无序性、无结构性的 问题。但是其应用的最大池化对称函数舍弃了太多信息，在实际应用时方差较大。 针对该问题，本文提出了新的解决点云数据无序性和保证空间变化不变性的方法。 在解决无序性问题时，用全局最大池化和全局平均池化分别处理每一维的点云数据， 然后将得到的两个向量串联得到全局特征。在保证空间变化不变性的同时，对学习 转换矩阵的特征提取中，也引入了全局最大池化和全局平均池化方法，以得到与数 据集更加匹配的转换矩阵。实验证明，本文的方法有效地提高了分类结果的平均准 确率，并减小了准确率方差。 关键词： 自动驾驶；点云数据；深度学习 中图分类号：U461.99 Deep Learning Processing Method for Point Cloud Data Liu Xuhui 1,2 , Wang Hongyan3 (1. School of Electronic and Information Engineering, Beihang University, Beijing, 100191； 2. Beijing Advanced Innovation Center for Big Data-based Precision Medicine（Beihang University）, Beijing P.R.China , 100191; 3. Xi'an Satellite Control Center, Shaanxi Xi'an, 710000） Abstract: With the rapid development of autonomous driving, the requirements for environmental awareness are getting higher and higher. As one of the most important sensors for autonomous vehicles, Lidar can get point cloud data by scanning the surrounding environment. Using the appropriate method to process point cloud data, we can obtain the type, distance, orientation, etc. of the target object. Therefore, the processing of point cloud data has become a hot spot in the autopilot industry. The great success of deep learning in images has inspired us. In recent years, many point cloud processing methods using deep learning model have been proposed in the industry, such as multi-view projection, voxel grid