[发明专利]一种基于图结构的点云聚类GPU优化方法及装置

权利要求书

1.一种基于图结构的点云聚类GPU优化方法，其特征在于，包括：

获取点云数据，基于GPU构建基于空间网格的点云mask图，以及空间网格对应点云数据的搜索范围结构图，以得到点云结构图；

搜索当前点的邻域点，确定当前点的邻域节点表；

基于所述点云图结构和所述邻域节点表进行点云搜索聚类，将聚类后的点云由GPU下载至CPU。

2.根据权利要求1所述的基于图结构的点云聚类GPU优化方法，其特征在于，获取点云数据，基于GPU将所述点云数据投射到空间网格中的一维坐标并存储，以构点云图结构，具体包括：

构建点云数据投射到空间网格中的一维坐标并存储；

构建基于空间网格的点云mask图，以表示所述空间网格中是否存在点云数据；

构建所述空间网格对应点云数据的搜索范围结构图；

基于所述一维坐标、所述搜索范围结构图构建点云数据一维存储的连续索引表。

3.根据权利要求1所述的基于图结构的点云聚类GPU优化方法，其特征在于，搜索当前点的邻域点，具体包括：

基于当前点的参数确定当前点所在的当前空间网格，根据当前空间网格查找邻域空间网格；

遍历邻域空间网格的连续索引表，以计算邻域空间网格中各点与当前点的距离，以判断是否属于当前点的邻域点。

4.根据权利要求3所述的基于图结构的点云聚类GPU优化方法，其特征在于，还包括：

构建二维节点表，所述二维节点表中每个节点的第一维用于存储当前节点的邻域点个数，第二维用于存储对应边结构中的起始位置索引；

构建边结构表，所述边结构表用于存放每个节点邻域的点索引。

5.根据权利要求1所述的基于图结构的点云聚类GPU优化方法，其特征在于，所述点云搜索聚类采用的方法为广度优先搜索方法。

6.根据权利要求4所述的基于图结构的点云聚类GPU优化方法，其特征在于，构建二维节点表，具体包括：

基于CUDA shuffle指令访问线程间寄存器数据，以构建二维节点表，并根据所述二维节点表构建变结构表。

7.一种基于图结构的点云聚类GPU优化装置，其特征在于，包括：

结构图构建模块，获取点云数据，基于GPU构建基于空间网格的点云mask图，以及空间网格对应点云数据的搜索范围结构图，以得到点云结构图；

邻域搜索模块，搜索当前点的邻域点，确定当前点的邻域节点表；

聚类模块，基于所述点云图结构和所述邻域节点表进行点云搜索聚类，将聚类后的点云由GPU下载至CPU。

8.根据权利要求7所述的基于图结构的点云聚类GPU优化装置，其特征在于，所述结构图构建模块具体用于构建点云数据投射到空间网格中的一维坐标并存储；

构建基于空间网格的点云mask图，以表示所述空间网格中是否存在点云数据；

构建所述空间网格对应点云数据的搜索范围结构图；

基于所述一维坐标、所述搜索范围结构图构建点云数据一维存储的连续索引表。

9.一种电子设备，其特征在于，包括：

存储器，用于存储计算机软件程序；

处理器，用于读取并执行所述计算机软件程序，进而实现权利要求1-6任一项所述的基于图结构的点云聚类GPU优化方法方法。

10.一种非暂态计算机可读存储介质，其特征在于，所述存储介质中存储有用于实现权利要求1-6任一项所述的基于图结构的点云聚类GPU优化方法的计算机软件程序。