技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种点云处理系统、方法、计算机设备及介质与流程  >  正文

一种点云处理系统、方法、计算机设备及介质与流程

  • 国知局
  • 2024-07-31 22:59:17

本技术涉及数据处理领域,尤其涉及一种点云处理系统、方法、计算机设备及介质。

背景技术:

1、在深度学习和人工智能领域,卷积神经网络在图像识别、语音识别等任务中取得了显著的成就。然而,传统的卷积操作在处理大规模数据时存在着高昂的计算成本,限制了其在实际应用中的可行性。在3d点云数据处理场景下,稀疏卷积相较于传统卷积具备更多的优势。

2、原始点云数据可能非常庞大,包含大量点,直接处理原始点云需要大量的计算资源和时间,因此通常不直接使用稀疏卷积网络处理原始点云。在处理稀疏点云数据时,体素化是一种常见的预处理方法,尤其在深度学习模型中应用广泛。

3、稀疏点云通常表示为x、y、z坐标和一些特征(例如颜色、法向量等)。体素化过程将这些点云数据映射到一个三维网格中,将空间划分为固定大小的体素。每个体素内部会统计包含在该体素中的点云信息。在每个体素中,可以进行信息聚合,例如,对体素内的点云特征进行统计、插值或其他合适的操作。这样做可以将原始稀疏点云数据转换为规则的体素网格,并在此过程中对特征进行融合,使得后续处理更高效。此外,体素化过程可以将原始点云数据规范化为相同的体素尺寸,使得数据在一定程度上变得均匀,这有助于保持数据的一致性和可比性。

4、体素化处理在点云处理中是一个重要的预处理步骤,它可以帮助简化数据、提高计算效率,并为稀疏卷积网络等模型提供更适合的输入形式。这些方法使得处理大规模稀疏点云数据变得更加可行和高效。

5、在现有点云处理系统及方法中,通常是简单地将原始点云数据经预处理后进行体素表示,整体点云处理流程较慢。

6、本背景技术描述的内容仅为了便于了解本领域的相关技术,不视作对现有技术的承认。

技术实现思路

1、为了解决上述技术问题,本技术提供了一种点云处理系统、方法,具体方案如下:

2、第一方面,本技术实施例提供了一种点云处理系统,应用于第一卷积层为子流型的稀疏卷积神经网络,所述点云处理系统包括体素化单元、ddr单元、哈希ram单元和稀疏卷积处理单元,其中,所述体素化单元和所述稀疏卷积处理单元为串行结构;

3、所述体素化单元用于从所述ddr单元读取原始点云数据并进行体素化处理,得到全部原始点对应的第一坐标-哈希索引表、各有效点对应的第二坐标-哈希索引表、多个体素坐标以及各所述体素坐标对应的融合特征;

4、所述ddr单元用于进行所述体素化单元和所述稀疏卷积处理单元间的数据交换;

5、所述哈希ram单元用于接收并存储所述第一坐标-哈希索引表;

6、所述稀疏卷积处理单元用于从哈希ram单元中获取所述第一坐标-哈希索引表以及从所述ddr单元中获取各所述体素坐标对应的融合特征、所述第二坐标-哈希索引表中包含的各第二坐标-哈希索引值,构建输入输出关联关系并计算输出层的特征。

7、根据本技术公开的一种具体实施方式,所述体素化单元包括原始点云读取子单元、体素化特征融合子单元以及坐标输出子单元;

8、所述原始点云读取子单元用于从所述ddr单元中读取原始点云数据,并进行预处理,其中,所述预处理包括异常点去除、噪声过滤、界外点丢弃中的至少一种;

9、所述体素化特征融合子单元用于根据预设体素网格大小与位置计算预处理后各原始点所属的体素坐标同时对输入特征进行融合,并将全部原始点对应的第一坐标-哈希索引表存储至所述哈希ram,将各体素坐标和融合特征存储至所述ddr单元;

10、所述坐标输出子单元用于按照预设规律性读取操作从所述哈希ram中读取所述第一坐标-哈希索引表,形成各有效点对应的第二坐标-哈希索引表并存储至所述ddr单元;

11、根据本技术公开的一种具体实施方式,所述坐标输出子单元具体用于:

12、将哈希ram单元的地址按照奇偶性分块为多个奇偶性分块地址;

13、根据各所述奇偶性分块地址递增读取所述哈希ram单元,以将所述第一坐标-哈希索引表中的有效点致密递增地写入到所述ddr单元,形成各有效点对应的第二坐标-哈希索引表。

14、根据本技术公开的一种具体实施方式,所述体素化单元还用于:

15、监听所述哈希ram单元的实时存储余量;

16、若所述哈希ram单元的实时存储余量大于预设阈值,判定所述稀疏卷积处理单元未达到处理上限,从所述ddr单元读取原始点云数据并进行体素化处理;

17、若所述哈希ram单元的实时存储余量等于或小于预设阈值,判定所述稀疏卷积处理单元已达到处理上限,执行预设中止操作,其中,所述预设中止操作包括停止从所述ddr单元读取原始点云数据并进行体素化处理。

18、第二方面,本技术实施例提供了一种点云处理方法,应用于第一方面中任一项所述的点云处理系统,所述点云处理方法包括:

19、体素化单元从ddr单元读取原始点云数据并进行体素化处理,得到全部原始点对应的第一坐标-哈希索引表、各有效点对应的第二坐标-哈希索引表、多个体素坐标以及各所述体素坐标对应的融合特征;

20、ddr单元进行体素化单元和稀疏卷积处理单元间的数据交换;

21、哈希ram单元接收并存储所述第一坐标-哈希索引表;

22、稀疏卷积处理单元从哈希ram单元中获取所述第一坐标-哈希索引表以及从所述ddr单元中获取各所述体素坐标对应的融合特征、所述第二坐标-哈希索引表中包含的各第二坐标-哈希索引值,构建输入输出关联关系并计算输出层的特征。

23、根据本技术公开的一种具体实施方式,所述体素化单元包括原始点云读取子单元、体素化特征融合子单元以及坐标输出子单元,点云处理方法还包括:

24、所述原始点云读取子单元从所述ddr单元中读取原始点云数据,并进行预处理,其中,所述预处理包括异常点去除、噪声过滤、界外点丢弃中的至少一种;

25、所述体素化特征融合子单元根据预设体素网格大小与位置计算预处理后各原始点所属的体素坐标同时对输入特征进行融合,并将全部原始点对应的第一坐标-哈希索引表存储至所述哈希ram,将各体素坐标和融合特征存储至所述ddr单元;

26、所述坐标输出子单元按照预设规律性读取操作从所述哈希ram中读取所述第一坐标-哈希索引表,形成各有效点对应的第二坐标-哈希索引表并存储至所述ddr单元;

27、根据本技术公开的一种具体实施方式,所述坐标输出子单元按照预设规律性读取操作从所述哈希ram中读取所述第一坐标-哈希索引表,形成各有效点对应的第二坐标-哈希索引表并存储至所述ddr单元的步骤,包括:

28、将哈希ram单元的地址按照奇偶性分块为多个奇偶性分块地址;

29、根据各所述奇偶性分块地址递增读取所述哈希ram单元,以将所述第一坐标-哈希索引表中的有效点致密递增地写入到所述ddr单元,形成各有效点对应的第二坐标-哈希索引表。

30、根据本技术公开的一种具体实施方式,体素化单元从ddr单元读取原始点云数据并进行体素化处理的步骤,包括:

31、监听所述哈希ram单元的实时存储余量;

32、若所述哈希ram单元的实时存储余量大于预设阈值,判定所述稀疏卷积处理单元未达到处理上限,从所述ddr单元读取原始点云数据并进行体素化处理;

33、若所述哈希ram单元的实时存储余量等于或小于预设阈值,判定所述稀疏卷积处理单元已达到处理上限,执行预设中止操作,其中,所述预设中止操作包括停止从所述ddr单元读取原始点云数据并进行体素化处理。

34、第三方面,本技术实施例提供了一种计算机设备,所述计算机设备包括处理设备和存储器,所述处理设备上加载有第一方面中任一项所述的点云处理系统,所述存储器存储有计算机程序,所述计算机程序在所述处理器上执行时实现第二方面中任一项实施例所述的点云处理方法。

35、第四方面,本技术实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序在处理设备上执行时实现第二方面中任一项实施例所述的点云处理方法。

36、相对于现有技术而言,本技术具有以下有益效果:

37、本技术提供的点云处理系统,应用于第一卷积层为子流型的稀疏卷积神经网络,该系统包括体素化单元、ddr单元、哈希ram单元和稀疏卷积处理单元,体素化单元和稀疏卷积处理单元为串行结构。本技术在体素化单元内完成第一坐标-哈希索引表的构建,以使稀疏卷积处理单元可以直接根据哈希ram中存储的第一坐标-哈希索引表构建输入输出关联,加速了整体卷积处理进程,同时依据时间上的串行特性,由体素化单元和稀疏卷积处理单元共享哈希ram,节约了片上缓存资源。

本文地址:https://www.jishuxx.com/zhuanli/20240730/195618.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。