[发明专利]一种基于数据扩容与相似性度量的残缺点云分类方法

权利要求书

1.一种基于数据扩容与相似性度量的残缺点云分类方法，其特征是：包括以下步骤：

S1：对原始点云进行预处理；

该步骤首先对未规范化的数据进行规范化，使得数据范围始终保持在[-1,1]中，以便于后续任务；

S2：提出了一种面向三维点云的数据扩容方式——随机区域擦除；

该步骤能够兼顾学习完整点云及残缺点云的语义信息，针对完整点云随机去除部分区域的点云，剥离掉局部信息；这一过程模拟了实际采集点云过程中出现的遮挡、缺失问题，且增加了数据的复杂性和丰富度，增强了网络的鲁棒性与泛化性能；其具体步骤如下：

S21：在训练过程中，原始点云数据输入网络后复制本身获得与之相同的“复本”作为随机区域擦除模块的输入数据；

S22：随机区域擦除的方法会在“复本”点集中随机选择一个点作为擦除的区域中心；

S23：随机区域擦除模块设置了一个擦除的范围，并随机选定范围内的任意一大小作为擦除半径以形成一个可供擦除的球域；

S24：将擦除球域内的点云数据清除，与此同时模块需要判断经过擦除的点云所保留的点数是否满足后续分类网络的要求下限，分类网络的输入点数为1024，故当擦除后剩余点数不满1024时，网络则放弃对该点云数据实行随机区域擦除；

S3：设计一个点相似性度量模块，引入注意力机制，完成辅助损失函数的设计；

该步骤中的相似性度量模块以S2输出的完整点云和残缺点云共同作为输入，设定评价指标判断二者之间的相似性；对完整点云应用注意力机制获得不同点之间的权重值，该权重值作为参数参与构建相似性度量损失；相似性损失函数以辅助损失的形式引入总体损失函数，在网络模型的训练过程中引入并在网络的测试环节去除；其具体步骤如下：

S31：将数据量不同的完整点云与残缺点云共同降采样，降采样的方法为最远点采样，经过最远点采样的完整点云与残缺点云各保留1024个采样点；

S32：对下采样后的完整点云应用注意力机制，以此获得各个点之间的权重，获取注意力的公式为：

A＝g(Q_i,W)

其中Q_i＝{q_j|1≤j≤i}代表了完整点云，W是共享多层感知机的可学习权重；

S33：利用点云补全中的评价指标评估残缺点云与完整点云的关系，该部分主要包括如下步骤：

S331：采用点云补全中的倒角距离CD来评估完整点云Q与残缺点云P之间的关系，CD表示一个点云中每一个点到另一个点云中与之最近的邻居点之间的平均距离，由此构成CD损失，其具体公式为：

S332：采用点云补全中的地球移动距离EMD来评估完整点云Q与残缺点云P之间的关系，EMD距离表示的是一个点云“移动”成另一个点云的最优规划路径下的最小消耗，由此构成EMD损失，其具体公式为：

其中φ是一个可以使对应点之间的平均距离最小的双射，且和的大小必须相同；

S333：将CD损失与EMD损失相结合，CD计算效率高时间复杂度低，EMD对单个点云的个性特征及局部细节有更好的区分度，将二者结合起来共同构建相似性度量损失，该损失函数公式为：

S34：将完整点云经过注意力模块获得的权重作为参数，引入完整点云与残缺点云之间距离d_ij的计算中，d_ij是相似性度量损失的核心部分，其公式如下：

d_ij＝A·||Q-P||

S4：对完整点云和残缺点云进行分类；

该步骤利用S2得到的扩容后的数据作为分类网络的输入，分类网络部分延续了PointNet++的encoder-decoder分类结构；多层次的特征提取结构捕获了局部及全局特征，分类损失与相似性度量损失以特定比例结合构成网络的整体损失函数；其具体步骤如下所示：

S41：将扩容后的完整点云与残缺点云共同输入分类网络实现残缺点云分类；具体包括步骤如下：

S411：利用PointNet++的编码部分中的SA层实现特征提取，SA层具体包括Sampling，Grouping，PointNet三个模块，具体步骤如下：

S4111：SA层中的Sampling模块首先对输入模块的点云进行下采样，采样方式是最远点采样，采样点数为1024个点；

S4112：SA层中的Grouping模块以所选取点为质心，通过邻域算法选取固定区域内合适数目的点构成局部点集，每个邻域内选取的点数为32个；

S4113：SA层的PointNet部分则使用最大池化max-pooling作为对称函数实现点云的排列不变性，使用MLP模块提取局部特征，该过程的公式如下：

f({x₁,...,x_n})≈g(h(x₁),...,h(x_n))

在该过程中，h代表MLP，g代表max-pooling函数，max-pooling函数表示特征中最大值且满足置换不变性，该公式为：

max(x₁,x₂,x₃,...)≡max(x_α1,x_α2,x_α3,...),x_i∈R^D

S412：重复两次S411的过程，逐步获得不同层次的局部特征及全局特征；

S413：解码部分将编码部分所得降采样得到的全局特征作为输入引入全连接网络，并通过Softmax完成分类；

S42：将分类网络得到的损失函数与S3得到的相似性度量损失相结合组成IPC-Net的损失函数，分类网络部分的损失函数L_CLS为NLLLoss；相似性度量损失由S333所得，并以辅助函数的形式应用于模型的训练过程，在测试环节去除；超参数alpha用于均衡两种损失，alpha值经由实验确定为0.05，IPC-Net的损失函数为：

L_CON＝0.95L_CLS+0.05L_SM。