[发明专利]三维点云分割方法、装置及服务器

说明书

本发明提供了一种三维点云分割方法、装置及服务器，包括：获取目标场景的三维点云数据；通过预先训练得到的点云分割网络提取所述三维点云数据的目标复值特征，并基于所述目标复值特征确定所述目标场景的分割结果；其中，所述点云分割网络包括复值Pointnet++子网络，所述复值Pointnet++子网络用于提取所述三维点云数据的目标复值特征。本发明可以有效提高三维点云分割结果的准确度，显著改善三维点云分割效果。

技术领域

本发明涉及点云分割技术领域，尤其是涉及一种三维点云分割方法、装置及服务器。

背景技术

3D(3-dimension，三维)点云中的对象检测技术对于AR(增强现实，AugmentedReality)、MR(混合现实，Mixed Reality)以及机器人的应用至关重要，该技术需要确定三维包围盒的位置，并对稀疏和不规则分布的3D点云进行分类处理和添加类别标签。目前，基于深度学习的三维点云目标检测方法大致可以分为两类：基于Voxel(体素)的三维点云目标检测方法和基于点的三维点云目标检测方法。对于基于Voxel的三维点云目标检测方法，该方法需要将不规则的点云数据转换为规则大小的体素，然后应用二维卷积神经网络或三维卷积神经网络提取特征，然而体素化在量化过程中不可避免地会导致信息丢失，此外，由于体素网格的分辨率以立方增长，导致在高分辨率需求的场景下难以利用该方法得到较好的目标检测效果；对于基于点的三维点云目标检测方法，该方法提出了一种新的无序属性涉及来直接处理不规则点云数据，虽然该方法在基准上达到最优的性能状态，但是在三维点云目标检测过程中丢弃了相位信息，导致三维点云目标检测效果较差。

发明内容

有鉴于此，本发明的目的在于提供一种三维点云分割方法、装置及服务器，可以有效提高三维点云分割结果的准确度，显著改善三维点云分割效果。

第一方面，本发明实施例提供了一种三维点云分割方法，包括：获取目标场景的三维点云数据；通过预先训练得到的点云分割网络提取所述三维点云数据的目标复值特征，并基于所述目标复值特征确定所述目标场景的分割结果；其中，所述点云分割网络包括复值Pointnet++子网络，所述复值Pointnet++子网络用于提取所述三维点云数据的目标复值特征。

在一种实施方式中，所述点云分割网络还包括聚类子网络和提案子网络；所述通过预先训练得到的点云分割网络提取所述三维点云数据的目标复值特征，并基于所述目标复值特征确定所述目标场景的分割结果的步骤，包括：通过所述复值Pointnet++子网络提取所述三维点云数据的目标复值特征；其中，所述复值Pointnet++子网络包括复值点集抽取层和复值特征传播层；通过所述聚类子网络对所述目标复值特征进行聚类处理，将所述目标复值特征划分为多个聚类簇；通过所述提案子网络根据各个所述聚类簇对应的目标复值特征，确定所述目标场景的分割结果。

在一种实施方式中，所述通过所述复值Pointnet++子网络提取所述三维点云数据的目标复值特征的步骤，包括：通过所述复值点集抽取层对所述三维点云数据进行下采样处理得到初始复值特征，并利用复值算子对所述初始复值特征进行处理得到中间复值特征；其中，所述复值点集抽取层包括实部点集抽取分支和虚部点集抽取分支，所述初始复值特征包括初始实部特征和初始虚部特征；通过所述复值特征传播层基于所述中间复值特征确定所述三维点云数据的目标复值特征；其中，所述复值特征传播层包括实部特征传播分支、虚部特征传播分支和复值全连接层，所述中间复值特征包括中间实部特征和中间虚部特征。

在一种实施方式中，所述利用复值算子对所述初始复值特征进行处理得到中间复值特征的步骤，包括：通过所述实部点集抽取分支利用复值算子对所述初始实部特征进行处理得到中间实部特征，以及，通过所述虚部点集抽取分支利用所述复值算子对所述初始虚部特征进行处理得到中间虚部特征。

在一种实施方式中，所述复值算子包括复值卷积算子、复值激活算子、复值池化算子、复值归一化算子中的一种或多种。