[发明专利]一种点云分割方法、装置及计算机可读存储介质

说明书

本发明提供一种点云分割方法、装置及计算机可读存储介质，所述方法包括：获取目标点云，所述目标点云包括多个目标点；将所述目标点云输入预先训练的深度网络模型，得到每个所述目标点归属于每个特定区域或每个分类的预测概率值，其中，所述深度网络模型至少包括用于提取所述目标点云局部特征的Inception网络层；根据每个所述目标点归属于每个特定区域或每个分类的预测概率值对所述目标点云进行分割。该方法、装置及计算机可读存储介质能够解决现有的点云分割方法在点云输入到网络模型之前，需要先将点云转换为中间数据进行表示，计算资源消耗较大，以及无法捕获细粒度的点云细节的问题。

技术领域

本发明涉及点云分割技术领域，尤其涉及一种点云分割方法、装置及计算机可读存储介质。

背景技术

点云是对象表面几何形状的一种无序化表示，可通过3D机器视觉技术获取，3D机器视觉相当于为机器赋予了一双眼睛，与人类视觉机理不同，教会机器如何智能化地分析3D对象的各个部分是一项极具挑战的任务，即3D点云分割是十分重要且极具挑战的工作。3D点云分割可应用在机械臂定位抓取、3D建模、3D场景理解等领域。

然而，现有的点云分割方法在点云输入到网络模型之前，需要先将点云转换为中间数据进行表示，计算资源消耗较大，此外，现有的点云分割方法无法捕获细粒度的点云细节。

发明内容

本发明所要解决的技术问题是针对现有技术的上述不足，提供一种点云分割方法、装置及计算机可读存储介质，用以解决现有的点云分割方法在点云输入到网络模型之前，需要先将点云转换为中间数据进行表示，计算资源消耗较大，以及无法捕获细粒度的点云细节的问题。

第一方面，本发明提供一种点云分割方法，包括：

获取目标点云，所述目标点云包括多个目标点；

将所述目标点云输入预先训练的深度网络模型，得到每个所述目标点归属于每个特定区域或每个分类的预测概率值，其中，所述深度网络模型至少包括用于提取所述目标点云局部特征的Inception网络层；

根据每个所述目标点归属于每个特定区域或每个分类的预测概率值对所述目标点云进行分割。

优选地，所述深度网络模型具体包括依次连接的输入变换层、所述Inception网络层、特征变换层、全局平均池化层和卷积层，所述将所述目标点云输入预先训练的深度网络模型，得到每个所述目标点归属于每个特定区域或每个分类的预测概率值，具体包括：

通过所述输入变换层对所述目标点云进行对称变换，得到对称变换后的目标点云；

通过所述Inception网络层对所述对称变换后的目标点云进行局部特征提取，得到提取的局部特征；

通过所述特征变换层对所述提取的局部特征进行特征对齐，得到对齐后的局部特征；

通过所述全局平均池化层聚合所述对齐后的局部特征以得到全局特征；

将所述对齐后的局部特征和所述全局特征相连接，得到连接后的特征；

通过所述卷积层对所述连接后的特征进行卷积运算，得到每个所述目标点归属于每个特定区域或每个分类的预测概率值。

优选地，所述Inception网络层包括多个Inception网络，每个所述Inception网络包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和最大池化层；

所述第一卷积层的输出分别与所述第二卷积层、所述第三卷积层以及所述最大池化层的输入连接；

所述最大池化层的输出与所述第四卷积层的输入连接；

所述第二卷积层的输出分别与所述第三卷积层和所述第四卷积层的输出连接；