[发明专利]基于高次项参考曲面学习的点云特征提取方法、分类方法和分割方法

说明书

本发明公开了一种基于高次项参考曲面学习的点云特征提取方法、分类方法和分割方法，属于计算机视觉领域。本发明将点云坐标转化为点云与全局参考曲面的相对位置关系，这种关系同时隐含了局部和全局信息。即，若参考曲面所对应的函数值均为零，则表示该三维表面在这些局部点云附近是实际三维物体的一个组成部分，表征了点云数据的局部信息；若参考曲面所对应的函数值不等于零，则函数值与点到曲面的距离相关，其表征了点相对于全局三维曲面的信息，即全局特征。进而可以有效聚合三维点云数据的局部和全局信息，从而有利于三维物体的语义特征提取。进而基于所提取的特征完成对待分类的点云数据的三维物体分类和三维物体语义分割处理。

技术领域

本发明属于计算机视觉领域的三维点云数据处理技术领域，具体涉及一种基于高次项参考曲面学习的点云特征提取方法、分类方法和分割方法。

背景技术

随着传感技术的发展，三维点云数据(如利用3D激光雷达扫描仪采集的物体的外表面形状信息)的获取变得越来越方便，且得到广泛关注和应用。基于三维数据的应用场景也从传统的底层视觉任务逐渐向着更加智能化的高层语义感知方向迈进。这种应用场景的转变，使得传统的手工设计的特征表达能力无法满足当前的智能化要求。近年来，由于深度学习技术更容易学习和提取视觉信息中的语义特征，因此得到广泛关注和研究。起初，基于二维卷积的深度学习技术常用于图像理解，相比传统方法，性能上取得了显著的提升。但由于点云数据形式上具有非结构化和无序的特点，因此基于点云数据的深度学习技术一直受点云数据形式的限制，发展缓慢。

近年来，也有学者提出了多种三维表达形式用于三维数据的深度学习，例如将点云投影成图像的表达方法、基于深度图像的二维表达方法、基于规则体素的表达方法、基于网格信息的表达方法以及直接基于点云坐标的三维表达方法。其中，基于二维图像的表达方法采用的是比较成熟的二维卷积深度学习技术。但该方法将三维信息映射为二维信息的过程造成了维度的降低和有效信息的损失。基于深度图像的方法一般同样采用二维深度卷积的方式进行特征提取，但这类方法一般只是将深度信息作为图像处理的辅助通道，并未有效提取空间三维特征。基于体素的三维表达方法实现了三维空间的特征提取，但该方法精度受体素分辨率限制，而体素分辨率又与算法效率相互矛盾，因此该方法在效率和精度方面很难平衡。另一种网格三维表达当前研究相对较少，这主要是因为网格数据的获取需要额外的计算开销，且网格信息同样存在散乱无序的特点。大部分的三维模型点会更加稀疏，所以很难基于这类表达形式进行有效的几何特征提取。最近直接基于点云数据的特征提取得到广泛关注，主要因为点云数据的获取更加方便直接，且不需要特殊的数据预处理，使用更方便。但这类方法面临的主要挑战是点云数据的散乱性和无序性使得传统的基于卷积方式的深度学习技术无法直接用于特征提取。为此，学者们提出了基于对称函数和多层感知机的解决方案。随后，更多的学者基于此提出多级近邻局部特征提取方法和图卷积法等。但这些方法均基于点坐标直接进行特征提取，而基于点坐标的多层感知机运算可等效为平面拟合的过程，这对三维物体的描述必然是欠拟合的，这说明了直接应用点云坐标的表达方法仍然存在明显的缺陷。因此，如何基于点云数据构造一种有利于特征提取的三维表达方式是当前急需解决的问题。

发明内容

本发明提供了一种基于高次项参考曲面学习的点云特征提取方法、分类方法和分割方法，可用于提升点云数据的特征表达的丰富性，进而提升点云数据的相关视觉任务，如点云数据的分类处理和分割处理。

一方面，本发明提供了一种基于高次项参考曲面学习的点云特征提取方法，包括下列步骤：

步骤S1：配置点云数据的三维参考曲面函数：

确定所述三维参考曲面函数对应的高次项的最高次项M，基于所述高次项包括的所有单次项的表达式得到点云数据的每个点的高次项表示X；

为特征向量X中的每个单次项设置一个单次项系数，并按列构成编号向量π；

生成三维参考曲面函数的映射关系f(x,y,z)＝π^T·X+c，其中，(x,y,z)表示点云数据的每个点的坐标，c表示偏置项；