[发明专利]基于点云局部结构的语义分割改进算法

权利要求书

1.基于点云局部结构的语义分割改进算法，其特征在于，所述的检测方法具体步骤如下：

(1)学习局部几何结构：在内核关联网络网络的前端，从基于内核相关性的点云注册中获取灵感，并将点的本地邻域视为源，并将一组可学习的点即内核，作为表征某些类型的参考局部几何结构/形状，通过允许参考通过向后传播自由调整其形状，即核点位置来修改原始核相关计算；

(2)学习局部特征结构：KCNet仅在网络前端执行内核关联以提取局部几何结构，为了计算KC，为了有效地存储点的本地邻域，通过将每个点视为顶点来构建K最近邻图，边缘仅连接附近的点；

(3)融合ORB-SLAM2系统：ORB-SLAM2是在单目ORB-SLAM的基础上提出的改进系统，它是首个基于单目、双目和RGB-D相机的开源SLAM方案，这个方案包括，回环检测，地图重用和重定位，基于RGB-D相机，该系统可以构建稀疏的点云地图。

2.根据权利要求1所述的基于点云局部结构的语义分割改进算法，其特征在于：所述步骤(1)中学习局部几何结构具体如下：在KCNet网络的前端，从基于内核相关性的点云注册中获取灵感，并将点的本地邻域视为源，并将一组可学习的点即内核，作为表征某些类型的参考局部几何结构/形状，通过允许参考通过向后传播自由调整其形状，即核点位置，来修改原始核相关计算，通过这种方式，一组可学习的内核点类似于卷积核，它仅激活到其关节相邻区域中的点，并捕获以该核函数及其内核宽度为特征的该感知域内的局部几何结构。

3.根据权利要求1所述的基于点云局部结构的语义分割改进算法，其特征在于：所述步骤(2)中学习局部特征结构具体如下：KCNet仅在网络前端执行KC以提取局部几何结构，为了计算KC，为了有效地存储点的本地邻域，通过将每个点视为顶点来构建KNNG，边缘仅连接附近的点，受卷积网局部聚合特征并通过多个池层逐渐增加接收场的能力的启发，算法使用递归特征传播和沿着KC的相同3D邻域图的边缘聚合，以利用当地特征结构顶层，该算法的主要观点是邻居点往往具有相似的几何结构，因此通过邻域图传播特征有助于学习更强大的本地模式。

4.根据权利要求1所述的基于点云局部结构的语义分割改进算法，其特征在于：所述步骤(3)中融合ORB-SLAM2系统具体如下：ORB-SLAM2是在单目ORB-SLAM的基础上提出的改进系统，是首个基于单目、双目和RGB-D相机的开源SLAM方案，这个方案包括，回环检测，地图重用和重定位，基于RGB-D相机，该系统可以构建稀疏的点云地图。

5.根据权利要求4所述的基于点云局部结构的语义分割改进算法，其特征在于：所述ORB-SLAM2系统的单目、近处双目和远处双目特征点如下：ORB-SLAM2作为一种基于特征提取的方法，在一些关键的位置上的提取进行预处理，系统的所有运行都是基于输入图像的特征展开，而不依赖于双目或者RGB-D的相机，ORB-SALM2系统处理单目或者双目的特征点，分成远处特征点和近处特征点两类。

6.根据权利要求4所述的基于点云局部结构的语义分割改进算法，其特征在于：所述ORB-SLAM2系统使用单目或者双目光束优化法，该系统采用光束法平差，优化在跟踪过程，即纯运动BA中相机的位姿，优化本地窗口的关键帧和局部地图的特征点即局部BA，并且在回环检测之后优化所有的关键帧和特征点即全局BA，算法在g2o当中使用Levenberg-Marquadt方法。

7.根据权利要求4所述的基于点云局部结构的语义分割改进算法，其特征在于：所述ORB-SLAM2系统中回环检测具体步骤如下：首先，一个回环信息被确定检测到，然后利用这个回环纠正和优化位姿图，相比于单目的ORB-SLAM中可能出现尺度漂移的地方，这个双目或者深度的信息将会使得尺度信息可观测，并且，几何校验和位姿图优化将不再需要处理尺度漂移，而且是基于刚体变换的，而不是基于相似性。

8.根据权利要求4所述的基于点云局部结构的语义分割改进算法，其特征在于：所述ORB-SLAM2系统中遵循在单目ORB-SLAM中提的法则，即经常插入关键帧并且剔除上一帧的冗余。