一种动态局部自注意力卷积网络点云分析系统及方法技术方案

本发明专利技术提出了一种动态局部自注意力卷积网络点云分析系统及方法。本发明专利技术包括动态局部自注意力卷积网络点云分析系统。本发明专利技术方法引入多组原始三维点云数据，通过数据预处理得到每组预处理后三维点云数据并人工标记真实标签类别；构建动态局部自注意力卷积网络，将预处理后三维点云数据输入至动态局部自注意力卷积网络并得到预测标签类别，结合损失函数和SGD算法进行网络优化；上位机通过激光雷达实时采集室内三维点云数据，并通过数据预处理得到实时预处理后室内三维点云数据，然后通过优化后的动态局部自注意力卷积网络预测得到点云数据的预测标签类别；本发明专利技术克服噪声、空间形变等不确定性问题，提高了3D点云形状识别的正确率。正确率。正确率。

【技术实现步骤摘要】
一种动态局部自注意力卷积网络点云分析系统及方法


[0001]本专利技术属于机器视觉
，尤其涉及一种动态局部自注意力卷积网络点云分析系统及方法。

技术介绍

[0002]点云是CAX应用程序中常见的一种3D数据格式，其应用跨越了各种工程和学科。近来，现实世界中的点云采集设备和软件工具不断发展，使点云采集更快、更便宜、规模更大。点云以其丰富的几何语义信息和简单的数据格式，正在成为土木工程、建筑建模、交通运输工程等工程领域的通用数据表示，受到越来越多的关注。但由于点云的几何语义信息复杂，数据结构离散，尤其是点云数据规模数量不断增加，并伴随着复杂的应用场景，使得点云的处理难度大，难以应用于CAX工程领域。
[0003]在早期工程应用中，点云经常被用于逆向工程。点云通常由三维坐标测量设备获取并初步处理，每个点云目标中点的数量非常少。为了在不同的应用领域所应用，人们通常需要为不同的点云数据构建不同的算法以更好地处理点云。逐渐地，以往的方法已经无法处理规模不断增长的点云数据，因而人们考虑使用基于深度学习的方法，并设计了各种类型的基于深度学习的解决本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种动态局部自注意力卷积网络点云分析系统，其特征在于，包括：三维激光雷达、上位机；所述三维激光雷达与所述上位机连接；所述三维激光雷达用于实时采集室内三维点云数据，将实时采集的室内三维点云数据传输至所述上位机；所述上位机通过动态局部自注意力卷积网络点云分析方法处理得到实时采集的室内三维点云数据的预测标签类别。2.一种利用权利要求1所述的动态局部自注意力卷积网络点云分析系统进行动态局部自注意力卷积网络点云分析方法，其特征在于，包括以下步骤：步骤1：引入多组原始三维点云数据，将每组原始三维点云数据通过数据预处理得到每组预处理后三维点云数据，人工标记每组预处理后三维点云数据的真实标签类别；步骤2：构建动态局部自注意力卷积网络，将每组预处理后三维点云数据输入至动态局部自注意力卷积网络进行预测得到每组预处理后三维点云数据的预测标签类别，结合每组预处理后三维点云数据的真实标签类别构建损失函数模型，通过SGD算法优化训练得到优化后动态局部自注意力卷积网络；步骤3：上位机通过三维激光雷达实时采集室内三维点云数据，将实时采集的室内三维点云数据通过步骤1所述数据预处理得到实时预处理后室内三维点云数据，将实时预处理后室内三维点云数据通过优化后动态局部自注意力卷积网络预测得到实时预处理后室内三维点云数据的预测标签类别。3.根据权利要求2所述的动态局部自注意力卷积网络点云分析方法，其特征在于：步骤2所述动态局部自注意力卷积网络包括：第一动态局部自注意学习模块，第二动态局部自注意学习模块、第三动态局部自注意学习模块、第四动态局部自注意学习模块、聚合模块、池化模块、SofMax分类器；步骤2所述的第一动态局部自注意学习模块，第二动态局部自注意学习模块、第三动态局部自注意学习模块、第四动态局部自注意学习模块依次级联连接；所述的第一动态局部自注意学习模块、第二动态局部自注意学习模块、第三动态局部自注意学习模块、第四动态局部自注意学习模块分别与所述聚合模块连接；所述聚合模块与所述池化模块连接；所述池化模块与所述SofMax分类器连接。4.根据权利要求3所述的动态局部自注意力卷积网络点云分析方法，其特征在于：所述第一个动态局部自注意学习模块以每组预处理后三维点云数据作为第一动态局部自注意学习模块的输入特征，对所述第一个动态局部自注意学习模块的输入特征中所有三维点经过动态局部自注意力学习，得到所述第一动态局部自注意学习模块的输出特征；所述第二个动态局部自注意学习模块以所述第一动态局部自注意学习模块的输出特征作为所述第二个动态局部自注意学习模块的输入特征，对所述第二个动态局部自注意学习模块的输入特征中所有三维点经过动态局部自注意力学习，得到所述第二动态局部自注意学习模块的输出特征；所述第三个动态局部自注意学习模块以所述第二动态局部自注意学习模块的输出特征作为所述第三个动态局部自注意学习模块的输入特征，对点云所有点经过动态局部自注
意力学习，得到所述第三动态局部自注意学习模块的输出特征；第四个动态局部自注意学习模块以所述第三动态局部自注意学习模块的输出特征作为所述第四个动态局部自注意学习模块的输入特征，对点云所有点经过动态局部自注意力学习，得到所述第四动态局部自注意学习模块的输出特征。5.根据权利要求4所述的动态局部自注意力卷积网络点云分析方法，其特征在于：所述的动态局部自注意力学习，具体计算过程如下：在第T个动态局部自注意学习模块中，将第T个动态局部自注意学习模块的输入特征通过使用K近邻算法得到第T个动态局部自注意学习模块的输入特征中每个三维点的局部邻域，具体定义如下：其中，表示第T个动态局部自注意学习模块的输入特征中第i个三维点的局部邻域，x
T，i，j
表示第T个动态局部自注意学习模块的输入特征中第i个三维点的局部邻域中第j个局部邻域点，M表示第T个动态局部自注意学习模块的输入特征中三维点的数量，N表示第T个动态局部自注意学习模块的输入特征中第i个三维点的局部邻域中局部邻域点的数量，j∈[1,N]；根据构建第T个动态局部自注意学习模块的输入特征中第i个三维点的局部邻域的有向图，具体定义如下：G
T，l
＝(V
T，l
，E
T，l
)T∈[1,4]i∈[1,M]其中，G
T，l
表示第T个动态局部自注意学习模块的输入特征中第i个三维点的局部邻域的有向图，V
T，l
表示第T个动态局部自注意学习模块的输入特征中第i个三维点的局部邻域的有向图中顶点的集合，即第T个动态局部自注意学习模块的输入特征中第i个三维点的局部邻域N个邻域点，E<...

【专利技术属性】
技术研发人员：何发智，宋宇鹏，郭庆，戴季成，鄢小虎，
申请(专利权)人：武汉大学，
类型：发明
国别省市：