CN119087392B 激光雷达数据处理方法及系统 （重庆科技大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN119087392B(45)授权公告日2025.07.04

(21)申请号202411022022.8

(22)申请日2024.07.29

(65)同一申请的已公布的文献号申请公布号CN119087392A

(43)申请公布日2024.12.06

(73)专利权人重庆科技大学

地址401331重庆市沙坪坝区大学城东路

20号

(72)发明人利节马可张倩刘怡君万桉伶汪楠

(74)专利代理机构重庆敏创专利代理事务所(普通合伙)50253

专利代理师黄梅

(51)Int.CI.

G01S7/48(2006.01)

GO6F18/10(2023.01)

GO6F18/25(2023.01)

GO6N3/0455(2023.01)

GO6N3/0464(2023.01)

(56)对比文件

CN111524084A,2020.08.11

CN116817891A,2023.09.29审查员康军

权利要求书4页说明书12页附图2页

(54)发明名称

激光雷达数据处理方法及系统

(57)摘要

CN119087392B本发明涉及计算机视觉技术领域，具体公开了一种激光雷达数据处理方法及系统，采用双边滤波和高斯滤波为多峰提取和特征提取提供更为准确和稳定的基础；采用多峰提取有效提高了信号的鲁棒性，减少了噪声干扰；采用3DCNN提取局部空间特征，捕捉细节和局部结构信息；采用Transformer网络提取全局特征，捕捉长距离依赖关系；采用多峰分析对神经网络提取的峰值进行分类和分析，进一步优化数据质量；将神经网络输出的特征和多峰分析的特征进行融合，实现局部和全局特征的互补，提高特征提取的鲁棒性和精确度；对融合特征使用中值滤波处理，进一步去除孤立噪声点，提升数据质量；对中值滤

CN119087392B

CN119087392B权利要求书1/4页

2

1.激光雷达数据处理方法，其特征在于，包括步骤：

S1、使用高斯滤波和双边滤波分别对激光雷达的原始直方图数据进行降噪处理；

S2、通过多峰提取技术，分别将高斯滤波和双边滤波后的直方图数据分为多个相邻区域，并在每个区域内提取局部最大值及其对应的bin号，得到对应的两组特征组数据；

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全局特征的提取；

S4、通过多峰分析技术，对3DCNN和Transformer网络提取的特征向量进行多峰分析，提取各自的峰分类概率、飞行时间值、距离、概率密度函数四类特征，得到对应的多峰分析特征向量；

S5、将3DCNN和Transformer网络提取的特征向量与多峰分析特征向量进行融合，得到融合特征；

S6、对融合特征进行中值滤波；

S7、对滤波后的融合特征进行直方图数据重构，生成与原始直方图数据维度一致的优化直方图数据。

2.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，所述步骤S5具体包括步

骤：

S51、将3DCNN和Transformer网络提取的特征向量进行特征级联，得到级联特征；

S52、对两组多峰分析特征向量进行加权求和，得到多峰分析融合特征；

S53、将级联特征和多峰分析融合特征再进行级联，得到最后的融合特征。

3.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：3DCNN包括从输入至输出依次设置的扩展维度层、第一卷积层、第一三维最大池化层、第二卷积层、第二三维最大池化层、第一展平层和第一全连接层；扩展维度层用于对高斯滤波所对应的特征组数据进行升维，得到适配3DCNN输入的三维数组；第一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；第二卷积层用于进一步提取局部空间特征；第二三维最大池化层用于进行最大池化以进一步减少数据维度；第一展平层用于使用展平操作将三维特征展平为一维特征向量；第一全连接层用于将展平后的特征向量转换为输出向量。

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：Transformer网络包括顺序连接的编码器模块、解码器模块、第二展平层、第二全连接层；编码器模块包括多个顺序连接的编码器，解码器模块包括多个顺序连接的解码器，前一个解码器的输出为后一个解