[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

说明书

本发明涉及一种基于自适应选择邻域的点云分类和分割方法及系统，其方法包括：S1：获取物体的点云三维坐标，将点云三维坐标输入自适应选择邻域模块，利用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；S2：将中心点和邻居点经过两个局部特征学习模块，得到中心点的第一层和第二层局部特征；S3：将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，使得中心点与其他点进行全局信息交互，输出中心点全局特征；S4：将中心点第一层局部特征、中心点第二层局部特征和中心点全局特征进行连接，经过卷积、池化和全连接层，输出点云的分类和分割结果。本发明提供的方法选取出最合适的邻域点，丢弃冗余的邻域点，降低算法复杂度。

技术领域

本发明涉及人工智能与点云分类分割技术领域，具体涉及一种基于自适应选择邻域的点云分类和分割方法及系统。

背景技术

近年来随着自动驾驶技术和机器人领域的不断发展，3D点云受到越来越多的关注。点云是无序点的集合，点云中的点主要由三维坐标表示，有时也会包括颜色信息和强度信息。点云相较于2D图像的优势在于提供了丰富的三维空间结构信息，对于自动驾驶等技术的发展很重要，因此对于3D点云的研究是十分必要的。目前点云在3D物体识别、分割、目标检测等领域进行了大量的研究，但由于点云自身的无序性和数据结构不规则，使得点云的分类和分割等任务面临着很大的挑战。

当前对于点云的处理主要有三种方法：三维体素法、多视图法、基于点的深度学习的方法。三维体素法将点云转换为三维体素网格，然后使用三维卷积神经网络进行处理，但是这种数据格式的转换会造成大量的冗余数据，要求很高的分辨率，使得计算量大大增加，同时，如果追求计算效率，采用低分辨率的体素网格，局部结构信息又会丢失。多视图法将点云转换成多个视角的二维图片，然后使用二维卷积神经网络处理，这种方法是以二维图像的形式来处理点云，这不可避免地会丢失三维结构信息，同时对于点云的分割任务，这种很难取得理想的效果。基于点的深度学习的方法相较于前两种方法的优势很明显，这种方法直接以点云作为输入，不经过预处理，计算量相对较小，因此成为当前的主流方向。斯坦福大学提出的PointNet是这一方向的开创性工作，它直接以点云作为输入，使用共享的多层感知机(MLP)和对称的Max Pooling函数解决了点云的无序性和排列不变性。在点云的分类分割任务上取得了较为理想的效果。但PointNet只是独立地处理点云中的各个点，点与点之间的联系没有考虑，因此缺失了捕捉局部结构信息的能力。后续的PointNet++虽然能够提取出局部特征，但是在局部区域内使用了Max Pooling得到局部特征，并没有考虑局部区域内点间的交互。DGCNN通过考虑中心点和邻居点的联系，提出了边缘卷积的方法；RSCNN通过中心点和邻居点间的几何位置关系学习相应点的权值系数，更好地学习到点云的几何形状；PointWeb是通过考虑局部区域内任意两点间的相互影响去更好地改善局部特征；GAC通过结合点间坐标差信息和特征差信息为不同的邻居点赋予不同的权重系数；这些方法都是先使用K-nearest neighbor(KNN)算法或球查询算法得到固定的邻域，然后专注于如何通过点间的关系来有效地提取局部特征，但是这些方法没有选取出最合适的邻域点并丢弃冗余的邻域点。因此，如何选取出最合适、最具代表性的邻域成为一个亟待解决的问题。

发明内容

为了解决上述技术问题，本发明提供一种基于自适应选择邻域的点云分类和分割方法及系统。

本发明技术解决方案为：一种基于自适应选择邻域的点云分类和分割方法，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；