CN119087392B 激光雷达数据处理方法及系统 （重庆科技大学）

滤波和高斯滤波为多峰提取和特征提取提供更用Transformer网络提取全局特征，捕捉长距离2S2、通过多峰提取技术，分别将高斯滤波和双边S7、对滤波后的融合特征进行直方图数据重构大池化层用于进行最大池化以减少数据维度；第二卷积层用于进一步提取局部空间特征；4.根据权利要求1所述的激光雷达数据处理方法，其特征在于：Tr编码器第一残差连接和层规范化模块，用于将编码编码器第二残差连接和层规范化模块，用于将编码器前馈3解码器第一残差连接和层规范化模块，用于将带掩码的多头注意力模解码器多头注意力模块：用于将最后一个编码器的输出作为键和解码器第二残差连接和层规范化模块，用于将解码器多头注意力模块解码器第三残差连接和层规范化模块，用于将解码器前馈神经网络的输出与维数据data(x,y,z)使用高斯滤波进行卷积操4原始直方图数据转换成一个维度大小为(H,W,D)数组记为三维数据data(x,y,z)，x,y,S21、将高斯滤波后数据G_data(x,y,z)和双边滤波后数据B_d个相邻的区域，每个区域的宽度为Wr，区域的数量N根据直方图数据的尺寸确定为Rm为直方图数据的测量范围，则高斯滤波后数据G_data(x,y,z)的第i个区域{(f,bn)Iie[1,N],记为ti,提取公式如下：S41、使用全连接前馈神经网络对3DCNN和TransforFNN(M)＝ReLU(MW1+b1)W25离和概率密度函数四类特征分别构成对应的多峰分析特征向量output_3d_mpe和output_执行权利要求1～9任意一项所述激光雷达数据处理方法中的6[0008]S3、将两组特征组数据进行升维，并分别输入3D卷积神经网络即3DCNN和Transformer网络进行局部特征和7卷积层用于提取局部空间特征；第一三维最大池化层用于进行最大池化以减少数据维度；8分为N个相邻的区域，每个区域的宽度为Wr，区域的数量N根据直方图数据的尺寸确定为9[0053]S22、在每个区域内，提取局部最大值及其对应的bin号bni，形成特征组{(fi,bn)Iie[1,N]},记为tm,bm3,提取公式如下：M指代3DCNN或间、距离和概率密度函数四类特征分别构成对应的多峰分析特征向量output_3d_mpe和[0079]下面结合附图具体阐明本发明的实施方式，实施例的给征捕捉上具备显著优势。此外，多峰提取(Multi_PeakExtraction,MPE)和多峰分析(Multi_PeakAnalysis,MPA)技术在固态激光雷达数据处理中展现出显著的优势。多峰提(3DCNN)和Transformer网络，3D卷积神经网络(3DCNN)进行局部特征的提取，[0115]双边滤波结合了空间域和灰度域的信息，能够在平滑数据的同时保留边缘细[0116]经过高斯滤波和平滑后的数据G_data(x,y,z)以及经过双边滤波处理后的数据B_data(x,y,z)将作为后续多峰提取步骤的输入数据，为多峰提取和特征提取提供更为准确G_data(x,y,z)和双边滤波处理后的数据B_data(x,y,z)分别采用多[0128]regioni指G_regioni或B_regioni。最后将G_data(x,y,z)对应的特征组记为将B_data(x,y,z)对应的特征组记为[0131]步骤S3具体包括采用3D卷积神经网络(3DCNN)对特征组数据Gth,bm}进行特征提取和采用Transformer网络对进行特[0132]3DCNN的结构如图2所示，包括从输入至输出依次设置的扩展维度层、第一卷积扩展维度层用于对特征组数据进行升维，得到适配3DCNN输入的三维数组二卷积层用于使用32个3×3×3卷积核进一步提取局部空间特征。第二三维最大池化层用[0135]原始特征组大小为(N,2)，经过升维处理后形成大小为(N,H,W,D)的三维数组[0141]3.编码器前馈神经网络(FNN)：通过二全连接层将展平后的特征向量转换为51[0164]S41、使用全连接前馈神经网络(FNN)对3DCNN和Transformer网络的输出计算输M指代3DCNN或间、距离和概率密度函数四类特征分别构成对应的多峰分析特征向量output_3d_mpe和[0182]S51、将3DCNN和Transformer网络提取的特征向量output_3d和output_t进行特[0186]S53、将级联特征fused_feature和多峰分析融合特征feature_mpe再进行级联，fused_feature和feature_mpe的维度分别为(N,1024)和(N,4)，级联后的结果记为[01