[发明专利]基于双重注意力机制特征提取的深度高斯混合模型颅骨配准方法

权利要求书

1.基于双重注意力机制特征提取的深度高斯混合模型颅骨配准方法，其特征在于，包括以下步骤：

步骤1，通过三维扫描仪获取三维点云颅骨模型；

步骤2，将三维点云模型处理为只含顶点信息的1700个点的颅骨模型；

步骤3，将点云模型输入到卷积神经网络PointNet中，编码与解码阶段采用残差块+双重注意力机制通过对输入点云赋予不同权重提取关键特征，减少模型存储与计算开销；

残差网络由多个残差块串联构成，直接将输入信息跳跃连接到输出，注意力机制沿通道与空间两个方向分解，组合成双重注意力机制；

通道注意力机制采用平均池化和最大池化融合部分特征信息，生成平均池化特征和最大池化特征

通过式(1)将两特征传播到只有一个隐藏层的多层感知机生成通道特征映射M_c∈R^C×1×1，最后，使用逐元素求和得到融合后的特征：

式(1)中σ是sigmoid激活函数，W₀和W₁代表多层感知机权重，W₀∈R^C/r×C，W₁∈R^C×C/r，r代表减速率；

空间注意力机制沿通道轴应用平均池化和最大池化操作，融合上层输出的通道映射，生成平均池化特征和最大池化特征

利用标准卷积层卷积以上两个特征，通过式(2)利用sigmoid激活函数生成有效特征描述符M_s(F)∈R^H×W：

式(2)中，σ是sigmoid激活函数，f^7×7代表核大小为7x7的卷积核；

步骤4，计算特征与高斯混合模型参数之间的对应关系矩阵得到匹配参数，通过式(3)，(4)，(5)计算高斯混合模型参数，包括权重、均值、方差；

式(3)中，α_j代表第j个高斯混合模型的权重标量，N代表点总数，r_i，j表示第i个点与高斯混合模型中第J个组成部分的关联性；

式(4)中，μ_j是一个3×1大小的均值向量，p_i表示第i个点属于指定高斯组成部分的概率；

式(5)中，是一个3×3大小的协方差矩阵；

步骤5，通过式(6)从匹配的参数中恢复最优变换：

2.如权利要求1所述的基于双重注意力机制特征提取的深度高斯混合模型颅骨配准方法，其特征在于，步骤2中所述的对每个三维颅骨点云模型处理为只含顶点信息的1700个点。