[发明专利]一种基于自适应选择邻域的点云分类和分割方法及系统

权利要求书

1.一种基于自适应选择邻域的点云分类和分割方法，其特征在于，包括：

步骤S1：获取物体的点云三维坐标，将所述点云三维坐标输入自适应选择邻域模块，利用所述点云间的位置信息和特征信息自适应地选取中心点的邻居点；

步骤S2：将所述中心点和所述邻居点经过两个局部特征学习模块，得到具有局部特征的中心点特征；其中，第一局部特征学习模块根据所述中心点和所述邻居点的相对位置关系计算所述邻居点的权重，将加权后的邻居点特征聚合后，输出中心点第一层局部特征；将所述中心点第一层局部特征输入第二局部特征学习模块，并根据所述中心点和所述邻居点的相对位置与所述邻居点的特征信息计算权重，最后输出中心点第二层局部特征；

步骤S3：将所述中心点第二层局部特征输入全局信息交互模块，通过自注意力机制，使得所述中心点与所述点云中其他点进行全局信息交互，输出中心点全局特征；

步骤S4：将所述中心点第一层局部特征、中心点第二层局部特征和所述中心点全局特征进行连接，经过卷积、池化和全连接层，输出所述点云的分类和分割结果。

2.根据权利要求1所述的基于自适应选择邻域的点云分类和分割方法，其特征在于，所述步骤S1：获取物体的点云三维坐标，将所述点云三维坐标输入自适应选择邻域模块，利用所述点云间的位置信息和特征信息自适应地选取中心点的邻居点，具体包括：

步骤S11：根据公式(1)获得所述中心点和邻居点特征：

f_i＝δ{bn{MLP(p_i)}}，f_j＝δ{bn{MLP(p_j)}}f_i，f_j∈R^C (1)

其中，将点云中的每个点作为中心点i，其初始的邻居点j是通过K-nearest neighbor(KNN)算法获得的，p_i，p_j分别是所述中心点和所述邻居点的原始三维坐标，所述中心点特征f_i和所述邻居点特征f_j由其原始三维坐标通过MLP转换所得，f_i和f_j是实数域R的长度为C的特征向量，MLP为多层感知机；δ是激活函数，bn是BatchNorm函数；

步骤S12：根据公式(2)计算所述邻居点的权重：

w_ij^(a)＝MLP{(p_j-p_i)，(f_j-f_i)} (2)

其中，w_ij^(a)∈R^C是邻居点j的权重向量；f_j-f_i是所述邻居点和所述中心点的特征差；{，}表示特征维度上进行拼接；

步骤S13：将w_ij^(a)值从大到小排序，取前K个点作为所述中心点的自适应邻居点，该K个自适应邻居点作为所述中心点的最终邻居点输入到后续的网络中；

步骤S14：根据公式(3)聚合所述邻居点特征，得到所述中心点的特征：

f_iout＝A(w_ij^(a)·f_j)，f_iout∈R^C (3)

其中，.是向量对应元素相乘；A是聚合函数，用于将所述中心点的邻居点的特征聚合成中心点的特征，输出f_iout是所有点云中所有点的特征，即i＝1，2，3...N，N是点云中点的数目。