【技术实现步骤摘要】
一种基于3D点云信息的物体分类与物体分割方法
[0001]本专利技术涉及3D点云处理领域，尤其涉及无序点云难处理、点云特征难提取领域，提出一种基于3D点云信息的物体分类与物体分割方法。
技术介绍
[0002]3D点云技术在目前智能驾驶，虚拟现实、机器人领域都有应用。主要目的是从3D点云中提取有效特征去描述点云的类别或者分割部分。处理3D点云主要需要注意：点云的顺序无序性和点云的置换无序性。顺序无序性是：点云在容器中可以有N种表征形式，但无论那种表征方式依旧描述同一个物体。置换无序性是点云在度量空间中经过旋转平移的简单操作，在标准坐标系下，表征点云的容器值随之改变，但依旧表示同一个目标物体。在上述两种情况下，容器的多种表征依旧可以提取类似或者相同的特征来表征点云，是点云处理的难点。目前现有技术只是针对点云整体特征提取，对于涉及高效的端对端神经网络依旧困难。与现有的神经网络相比，在物体分类、物体分割任务中准确率均有显著提升。
技术实现思路
[0003]为克服现有技术的不足，本专利技术提供一种基于3D点云信息的物体...
【技术保护点】
【技术特征摘要】
1.一种基于3D点云信息的物体分类与物体分割方法，包含以下步骤：步骤一、对于输入点云信息增加位置编码对于输入点云信息，增加输入相对位置信息，相对位置信息增加在第一次输入层中，以及注意力函数中，经过大量实验可以证明相对位置编码的加入可以提升网络性能，提高最后输出准确率；步骤二、数据降采样算法对于输入使用降采样算法，降低整体网络的复杂度，加快网络训练速度，抑制过拟合，以一种基于注意力机制的降采样算法代替最远点距离算法；步骤三，相对位置信息融合对的多头注意力机制作为网络中提取特征的主要层，使用相对位置信息融合对的多头注意力层代替卷积层，经过实验的表面多头注意力层增加网络性能，提高最后输出准确率；步骤四，点云编码器结构设计设计的点云编码器结构用于将输入点云数据提取出高维特征向量，该特征向量包括点云全局特征信息，点云局部特征信息，并且在融合特征取得点云整体特征时，提供一种新式的特征融合机制代替对称函数；步骤五，点云解码器结构设计针对不同的点云处理任务设计不同的解码器结构，相似不相同；步骤六，设计Mix
‑
Net网络训练方法根据不同的点云处理任务，针对不同数据集，设计损失函数，设计优化器，以及设计多种训练参数指标。2.根据权利要求1所述的一种基于3D点云信息的物体分类与物体分割方法，其特征在于，步骤一所述位置编码的实现过程如下：由于输入点云的容器存在多种储存方法，点与点之间即同一输入不同元素之间很难在网络中直接获得相对位置信息，引入相对位置信息，来增加点与点之间的位置特征提取，位置编码公式如下：其中，P
i
是输入数据或者特征，是输入数据或者特征的平均值，MLP是常用的多层感知机，在多次实验发现，位置信息的加入在第一层输入与注意力机制模块中对整体网络性能有明显的提升。3.根据权利要求1所述的一种基于3D点云信息的物体分类与物体分割方法，其特征在于，步骤二所述数据降采样算法的实现过程如下：(1)使用多头注意力机制为基础的算法来代替传统的最远点采样算法将卷积输出的特征通过多头注意力机制得出注意力得分，通过选取前k个最大注意力得分值达到与最远点采集k个值相似的效果，通过实验证明本发明使用的降采样算法更适合点云，针对多种不同顺顺序输入可以取得相似特征输出，可以解决点云无序性问题；(2)根据取得的k个最大值，在原点云输入中匹配确定的序列点，将这些序列点表示为关键点，所述关键点表示点云最关键部分，由关键点可视化可以容易看出，关键点是点云的骨架信息；(3)根据选取的关键点，使用k
‑
means算法选取每个关键点周边的特征点，取得所有符
合k
‑
means算法的特征点进行特征提取，使用多尺度特征融合方式将多层特征进行融合，输出降采样后的高维特征。4.根据权利要求1所述的一种基于3D点云信息的物体分类与物体分割方法，其特征在于，步骤三所述相对位置信息融合对的多头注意力机制的实现过程如下：(1)在输入断使用相对距离可以增加网络的整体性能，经过大量实验可以看出，在注意力函数中增加相对距离ρ依旧可以增加整体网络性能，将相对距离增加至注意力函...
【专利技术属性】
技术研发人员：刘振泽，陈金炎，董迪锴，吴闯，何井全，张渝敏，周亚仑，
申请(专利权)人：吉林大学，
类型：发明
国别省市：
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。