【技术实现步骤摘要】
一种基于自适应选择邻域的点云分类和分割方法及系统
[0001]本专利技术涉及人工智能与点云分类分割
,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。
技术介绍
[0002]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。
[0003]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 ...
【技术保护点】
【技术特征摘要】
1.一种基于自适应选择邻域的点云分类和分割方法,其特征在于,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;步骤S3:将所述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,使得所述中心点与所述点云中其他点进行全局信息交互,输出中心点全局特征;步骤S4:将所述中心点第一层局部特征、中心点第二层局部特征和所述中心点全局特征进行连接,经过卷积、池化和全连接层,输出所述点云的分类和分割结果。2.根据权利要求1所述的基于自适应选择邻域的点云分类和分割方法,其特征在于,所述步骤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,具体包括:步骤S11:根据公式(1)获得所述中心点和邻居点特征:f
i
=δ{bn{MLP(p
i
)}},f
j
=δ{bn{MLP(p
j
)}}f
i
,f
j
∈R
C
ꢀꢀꢀ
(1)其中,将点云中的每个点作为中心点i,其初始的邻居点j是通过K
‑
nearest neighbor(KNN)算法获得的,p
i
,p
j
分别是所述中心点和所述邻居点的原始三维坐标,所述中心点特征f
i
和所述邻居点特征f
j
由其原始三维坐标通过MLP转换所得,f
i
和f
j
是实数域R的长度为C的特征向量,MLP为多层感知机;δ是激活函数,bn是BatchNorm函数;步骤S12:根据公式(2)计算所述邻居点的权重:w
ij(a)
=MLP{(p
j
‑
p
i
),(f
j
‑
f
i
)}
ꢀꢀ
(2)其中,w
ij(a)
∈R
C
是邻居点j的权重向量;f
j
‑
f
i
是所述邻居点和所述中心点的特征差;{,}表示特征维度上进行拼接;步骤S13:将w
ij(a)
值从大到小排序,取前K个点作为所述中心点的自适应邻居点,该K个自适应邻居点作为所述中心点的最终邻居点输入到后续的网络中;步骤S14:根据公式(3)聚合所述邻居点特征,得到所述中心点的特征:f
iout
=A(w
ij(a)
·
f
j
),f
iout
∈R
C
ꢀꢀꢀ
(3)其中,.是向量对应元素相乘;A是聚合函数,用于将所述中心点的邻居点的特征聚合成中心点的特征,输出f
iout
是所有点云中所有点的特征,即i=1,2,3...N,N是点云中点的数目。3.根据权利要求1所述的基于自适应选择邻域的点云分类和分割方法,其特征在于,所述步骤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,具体包括:步骤S21:根据下述公式(4),计算所述中心点和所述邻居点间的位置关系:
p
ij
=(dist
3D
,p
j
‑
p
i
,p
i
,p
j
)
ꢀꢀꢀ
(4)其中,dist
3D
是两点间的几何距离;步骤S22:所述第一局部特征学习模块中权重系数以及所述邻居点加权特征的计算公式(5)~(6)如下所示;w
ij(c1)
=MLP{(p
ij
)} (5)其中,所述第一层局部特征学习模块的输入特征f
1j
是所述自适应选择邻域模块中相应点的输出特征,即对点j,f
1j
=f
jout
,j=1,2,3,...N,为区分模块的层数,记特征维度数C=c1;w
ij(c1)
∈R
c1
,f
1j
∈R
c1
为邻居点第一层特征;为邻居点第一层加权特征;步骤S23:利用聚合函数对进行聚合,得到中心点特征f
1i
′
,利用下述公式(7)计算中心点i第一层局部特征f
iout1
:f
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。