【技术实现步骤摘要】
基于点云
‑
体素的几何自适应点云分类和分割方法及装置
[0001]本专利技术涉及计算机视觉
，特别是指一种基于点云
‑
体素的几何自适应点云分类和分割方法及装置。
技术介绍
[0002]近年来，基于点云数据的分析和处理在三维理解领域变得越来越火热，吸引了学术界和工业界众多研究人员的注意。不同于像素规则排布的二维图像，点云由三维空间中散乱、不规则分布的点组成，使得人们无法将发展成熟的二维卷积网络直接应用于点云的分析和处理。同时，点云稀疏和无结构化的特性也对三维卷积网络的使用带来了阻碍和挑战。基于此，人们开始直接基于原始点云进行研究，并逐渐产生了很多具有代表性的工作。
[0003]在近几年的工作中，人们研究的重点是通过使用卷积、图和注意力等运算来设计精细化的局部聚合算子，用于提取点云中的局部几何信息。这些精细化的局部聚合算子虽然取得了不错的效果，但结构设计复杂，运算量大，对不同的点云没有自适应性。而且，近几年的工作表明，精细化设计的局部聚合算子对于点云分析网络的性能提升逐渐趋于饱和...
【技术保护点】
【技术特征摘要】
1.一种基于点云
‑
体素的几何自适应点云分类和分割方法，其特征在于，包括：构建基于体素的深度卷积算子和基于点的位置自适应池化算子；根据构建的深度卷积算子和位置自适应池化算子，构建基于点云
‑
体素的特征提取模块，自适应地提取和融合输入点云中不同尺度的特征；根据构建的特征提取模块，构建基于点云
‑
体素的几何自适应网络；输入点云分类数据集和点云部件分割数据集对构建的几何自适应网络进行训练，利用训练好的几何自适应网络实现点云的形状分类和部件分割任务。2.根据权利要求1所述的基于点云
‑
体素的几何自适应点云分类和分割方法，其特征在于，构建的基于体素的深度卷积算子，用于将点云离散化为体素，使用三维深度卷积对体素进行卷积运算，对计算得到的体素特征反体素化，得到点云中的粗粒度局部特征。3.根据权利要求2所述的基于点云
‑
体素的几何自适应点云分类和分割方法，其特征在于，所述将点云离散化为体素，使用三维深度卷积对体素进行卷积运算，对计算得到的体素特征反体素化，得到点云中的粗粒度局部特征包括：假设一输入点云其中，表示点云的坐标，表示点云的特征，表示实数集，N表示点云中点的数量，d表示每个点特征的维度，将所述点云转换到以质心为原点的局部坐标系，将所有点的坐标除以点到原点的最远距离，从而将所有点归一化到一个单位圆内，对所有点的坐标进行缩放和平移，使其处于[0,1]区间内；其中，归一化后的点云表示为将归一化后的点云离散划分为体素；其中，经过离散化操作，点云特征转化成了体素特征r表示体素的分辨率；使用三维深度卷积对体素特征进行特征提取，对提取得到的体素特征进行反体素化处理，得到点云中的粗粒度局部特征4.根据权利要求1所述的基于点云
‑
体素的几何自适应点云分类和分割方法，其特征在于，构建的基于点的位置自适应池化算子，用于将点云局部区域内邻域点和中心点的相对坐标和特征差值编码为权重，使用该权重对邻域点特征进行加权，将加权后的邻域点特征池化后作为中心点的特征，得到点云中的细粒度几何特征。5.根据权利要求4所述的基于点云
‑
体素的几何自适应点云分类和分割方法，其特征在于，所述将点云局部区域内邻域点和中心点的相对坐标和特征差值编码为权重，使用该权重对邻域点特征进行加权，将加权后的邻域点特征池化后作为中心点的特征，得到点云中的细粒度几何特征包括：A1，对于点云中的一个点p
i
，使用K最近邻算法寻找它的K个邻域点p
j
，将邻域点与中心点的坐标和特征分别作差，得到邻域点和中心点的相对坐标
△
p
ij
和特征差值
△
f
ij
；其中，p
i
为中心点，为中心点，表示中心点i的局部邻域；A2，将特征差值
△
f
ij
映射为和相对坐标
△
p
ij
相同维度的特征向量
△
p
′
ij
：
△
p
′
ij
＝γ(
△
f
ij
)其中，γ表示由两层多...
【专利技术属性】
技术研发人员：曾慧，赵天孟，李擎，刘红敏，樊彬，
申请(专利权)人：北京科技大学顺德创新学院，
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。