[发明专利]应用于点云分析模型的局部中心最近点采样方法及装置

说明书

本申请公开了一种应用于点云分析模型的局部中心最近点采样方法及装置，利用在Set abstract层中采用最近点采样法来代替Query‑ball采样法来生成合适的局部空间特征，为神经网络的学习提供更优的特征输入，便于提高模型的鲁棒性和应用精度，降低每个局部特征的重叠性，提高计算资源利用率的同时提升采样的效率，解决了现有技术中Query‑ball采样法的鲁棒性较弱，难以应对点云分布不均匀的情况，对超参数调参的依赖极大，K最近邻算法需要对采样点较少的局部进行填充，不利于神经网络的学习的技术问题。

技术领域

本申请涉及点云技术领域，尤其涉及一种应用于点云分析模型的局部中心最近点采样方法及装置。

背景技术

局部空间点采样在点云深度学习任务中起到至关重要的作用，现如今的采样方法鲁棒性难以满足实际应用的需求，以及受超参数的影响较大。而对于三维视觉中的点云局部空间采样而言，现在最主流的方法只有一种：Query-ball采样方法。

该方法能够采样固定半径球区域的点，在零件分割应用中效果好，广泛运用在各种3D模型，例如PointNet++及一系列的衍生模型。但是这种采样方法鲁棒性较弱，难以应对点云分布不均匀的情况，以及对超参数调参的依赖极大，需用使用多尺度采样来解决这些问题，这种办法极大增加了模型的运行时间。在实际应用中，超参数并不是一直都适用，而且点云的密度是按需进行，这些缺点影响了模型的表现。因此，一个不太依赖最佳超参数和受点云分布影响较小的局部空间采样方法是必需的。

在局部空间采样算法上最相近的方案是K最近邻算法，这种采样方法是计算每一个待采样点与中心点的距离，取出最近的K个，将这个待分类点分给在K个中占比最大的那一类。但是这种分类方法会导致某些局部有大量的采样点，而其他局部却很少甚至没有，并且一个待分类点只能分给一类。与此同时神经网络处理局部空间特征需要相同的矩阵大小输入，所以这种算法需要对采样点较少的局部进行填充，而且无法确定每个局部采样点的数量，这对神经网络的学习来说是非常不利的。

发明内容

本申请提供了一种应用于点云分析模型的局部中心最近点采样方法及装置，解决了现有技术中Query-ball采样法的鲁棒性较弱，难以应对点云分布不均匀的情况，对超参数调参的依赖极大，K最近邻算法需要对采样点较少的局部进行填充，不利于神经网络的学习的技术问题。

有鉴于此，本申请第一方面提供了一种应用于点云分析模型的局部中心最近点采样方法，所述方法包括：

在Set abstract层对输入点云矩阵采用最远点采样法生成多个局部区域的中心点；

通过最近点采样法生成所述输入点云矩阵的局部空间并计算所述局部空间中的每个局部点以及中心点的相关性特征；

将所述相关性特征与所述输入点云矩阵的局部特征进行通道上的融合，得到点云局部空间特征矩阵；

将所述点云局部空间特征矩阵作为多层感知器的输入，进行局部Max Pooling得到全局特征；

在最后一层Set abstract层将上一层Set abstract层的点云矩阵作为多层感知器的输入，进行全局Max Pooling得到输出特征矩阵。

可选地，所述相关性特征包括：欧氏距离、坐标差、局部点坐标以及中心点坐标。

本申请第二方面提供了一种基于点云分析模型的分类方法，所述方法包括：

通过最远点采样法对待分类物体的点云矩阵进行降采样；

对降采样后的点云矩阵进行预处理；

将预处理后的点云矩阵作为点云分析模型的输入点云矩阵，得到输出特征矩阵，将所述输出特征矩阵展平输入至全连接层，得到所述待分类物体的类别概率；