[发明专利]基于图卷积的城市场景激光LiDAR点云语义分割方法

权利要求书

1.一种基于图卷积的城市场景激光LiDAR点云语义分割方法，其特征在于，包括：

步骤1：以DGCNN网络模型为基础模型，调整各个参数值，训练初步图卷积神经网络模型；

步骤2：采用图注意力卷积对DGCNN中边卷积EdgeConv进行优化：使用注意力权重区分无向连通图中每个点的K个邻节点的重要程度，设计图注意力边卷积块Att-EdgeConv；

步骤3：利用图注意力边卷积块Att-EdgeConv对城市场景三维地物目标进行建模，训练深度图注意力卷积神经网络模型，利用训练得到的模型对城市场景激光点云进行语义分割，得到城市场景点云语义初步分割结果；

步骤4：对NetVLAD算法进行改进，提出NetVLAD++算法，设计NetVLAD++模块；

步骤5：将NetVLAD++模块与Att-EdgeConv块融合为一个特征提取块，与所述深度图注意力卷积神经网络模型构成一个完整的模型，进行端到端的训练；

步骤6：利用训练得到的模型对城市场景激光点云进行语义分割，得到城市场景点云语义分割结果。

2.根据权利要求1所述的基于图卷积的城市场景激光LiDAR点云语义分割方法，其特征在于，所述步骤2中，按照以下方式得到无向连通图：

通过KNN算法计算城市场景激光点云中每个点与剩余所有点之间的距离，并按照升序的方式进行排序，选取前K个点作为每个点的K个最近邻，每个点与其K个邻节点构成边，从而形成无向连通图。

3.根据权利要求1所述的基于图卷积的城市场景激光LiDAR点云语义分割方法，其特征在于，所述图注意力边卷积块Att-EdgeConv具体用于：

将图注意力机制作用于DGCNN网络进行边卷积运算的过程中，计算城市场景激光点云中每个点的K个最近邻，采用注意力机制来确定K个邻节点对目标节点的重要性，为无向连通图中每个点的邻节点分配不同的注意力权重，提取出目标节点的局部结构信息，得到物体的轮廓边界特征。

4.根据权利要求3所述的基于图卷积的城市场景激光LiDAR点云语义分割方法，其特征在于，所述注意力权重是根据城市场景激光点云中每个点与其K个邻节点之间的相对位置和特征差分计算得到的，然后注意力权重与K个邻节点的特征相乘得到的特征向量作为中心点的新特征。

5.根据权利要求1所述的基于图卷积的城市场景激光LiDAR点云语义分割方法，其特征在于，采用S3DIS数据集进行初步图卷积神经网络模型及深度图注意力卷积神经网络模型的训练。

6.根据权利要求1所述的基于图卷积的城市场景激光LiDAR点云语义分割方法，其特征在于，通过所述NetVLAD算法将传统的局部聚合描述子向量结构嵌入到卷积神经网络中，得到一个NetVLAD层。

7.根据权利要求6所述的基于图卷积的城市场景激光LiDAR点云语义分割方法，其特征在于，所述步骤4包括：将NetVLAD层的输入特征和输出特征进行连接操作，将其作为NetVLAD++算法的输出特征向量，完成NetVLAD++模块设计。

8.根据权利要求1所述的基于图卷积的城市场景激光LiDAR点云语义分割方法，其特征在于，采用S3DIS数据集进行步骤5中最终构建模型端到端的训练。