CN119087392B 激光雷達數據處理方法及系統 （重慶科技大學）

濾波和高斯濾波為多峰提取和特征提取提供更用Transformer網絡提取全局特征，捕捉長距離2S2、通過多峰提取技術，分別將高斯濾波和雙邊S7、對濾波后的融合特征進行直方圖數據重構大池化層用于進行最大池化以減少數據維度；第二卷積層用于進一步提取局部空間特征；4.根據權利要求1所述的激光雷達數據處理方法，其特征在于：Tr編碼器第一殘差連接和層規范化模塊，用于將編碼編碼器第二殘差連接和層規范化模塊，用于將編碼器前饋3解碼器第一殘差連接和層規范化模塊，用于將帶掩碼的多頭注意力模解碼器多頭注意力模塊：用于將最后一個編碼器的輸出作為鍵和解碼器第二殘差連接和層規范化模塊，用于將解碼器多頭注意力模塊解碼器第三殘差連接和層規范化模塊，用于將解碼器前饋神經網絡的輸出與維數據data(x,y,z)使用高斯濾波進行卷積操4原始直方圖數據轉換成一個維度大小為(H,W,D)數組記為三維數據data(x,y,z)，x,y,S21、將高斯濾波后數據G_data(x,y,z)和雙邊濾波后數據B_d個相鄰的區域，每個區域的寬度為Wr，區域的數量N根據直方圖數據的尺寸確定為Rm為直方圖數據的測量范圍，則高斯濾波后數據G_data(x,y,z)的第i個區域{(f,bn)Iie[1,N],記為ti,提取公式如下：S41、使用全連接前饋神經網絡對3DCNN和TransforFNN(M)＝ReLU(MW1+b1)W25離和概率密度函數四類特征分別構成對應的多峰分析特征向量output_3d_mpe和output_執行權利要求1～9任意一項所述激光雷達數據處理方法中的6[0008]S3、將兩組特征組數據進行升維，并分別輸入3D卷積神經網絡即3DCNN和Transformer網絡進行局部特征和7卷積層用于提取局部空間特征；第一三維最大池化層用于進行最大池化以減少數據維度；8分為N個相鄰的區域，每個區域的寬度為Wr，區域的數量N根據直方圖數據的尺寸確定為9[0053]S22、在每個區域內，提取局部最大值及其對應的bin號bni，形成特征組{(fi,bn)Iie[1,N]},記為tm,bm3,提取公式如下：M指代3DCNN或間、距離和概率密度函數四類特征分別構成對應的多峰分析特征向量output_3d_mpe和[0079]下面結合附圖具體闡明本發明的實施方式，實施例的給征捕捉上具備顯著優勢。此外，多峰提取(Multi_PeakExtraction,MPE)和多峰分析(Multi_PeakAnalysis,MPA)技術在固態激光雷達數據處理中展現出顯著的優勢。多峰提(3DCNN)和Transformer網絡，3D卷積神經網絡(3DCNN)進行局部特征的提取，[0115]雙邊濾波結合了空間域和灰度域的信息，能夠在平滑數據的同時保留邊緣細[0116]經過高斯濾波和平滑后的數據G_data(x,y,z)以及經過雙邊濾波處理后的數據B_data(x,y,z)將作為后續多峰提取步驟的輸入數據，為多峰提取和特征提取提供更為準確G_data(x,y,z)和雙邊濾波處理后的數據B_data(x,y,z)分別采用多[0128]regioni指G_regioni或B_regioni。最后將G_data(x,y,z)對應的特征組記為將B_data(x,y,z)對應的特征組記為[0131]步驟S3具體包括采用3D卷積神經網絡(3DCNN)對特征組數據Gth,bm}進行特征提取和采用Transformer網絡對進行特[0132]3DCNN的結構如圖2所示，包括從輸入至輸出依次設置的擴展維度層、第一卷積擴展維度層用于對特征組數據進行升維，得到適配3DCNN輸入的三維數組二卷積層用于使用32個3×3×3卷積核進一步提取局部空間特征。第二三維最大池化層用[0135]原始特征組大小為(N,2)，經過升維處理后形成大小為(N,H,W,D)的三維數組[0141]3.編碼器前饋神經網絡(FNN)：通過二全連接層將展平后的特征向量轉換為51[0164]S41、使用全連接前饋神經網絡(FNN)對3DCNN和Transformer網絡的輸出計算輸M指代3DCNN或間、距離和概率密度函數四類特征分別構成對應的多峰分析特征向量output_3d_mpe和[0182]S51、將3DCNN和Transformer網絡提取的特征向量output_3d和output_t進行特[0186]S53、將級聯特征fused_feature和多峰分析融合特征feature_mpe再進行級聯，fused_feature和feature_mpe的維度分別為(N,1024)和(N,4)，級聯后的結果記為[01