【技术实现步骤摘要】
基于深度网络的三维点云面片分割方法
[0001]本专利技术服务于计算机算法、人工智能、智慧农业、无人系统等
,尤其涉及基于深度网络的三维点云面片分割方法。
技术介绍
[0002]对三维点云进行算法分割与分析是国民经济的一个重要研发方向,能够服务于无人车、智慧城市、农作物自动表型与育种、智能机械制造与加工等领域。三维点云中包含着大量的三维空间中的坐标点(可同时具有色彩和法向量等其他特征)。传统的点云分割算法往往直接在点级别进行计算和操作,容易受到三维传感器噪声点的影响,在复杂的三维物体表面难以获得令人满意的语义分割或者实例分割结果。本专利技术考虑使用中尺度的结构进行点云分割,构建一个深度学习网络把点云预先处理成一个个小面片形成面片集合,后续再针对这些面片进行分割能够避免点级别噪声的影响,且后续操作计算量更小。本文也在所提出的网络生成的面片集合的基础上进一步提出了两种应用方向,分别为基于该网络生成的面片进行抽象的点云降采样方式与基于网络输出的面片进行聚类的点云分割方法。
[0003]自二十世纪九十年代以来,点云面片分割或面片化划分任务大多以无监督聚类算法为主,通过修改聚类算法内的阈值参数能够得到不同的面片分割粒度。Achanta等人提出了一种新的点云迭代聚类算法SLIC(Simple Linear Iterative Clustering),它使用局部k均值方法不断迭代更新聚类中心实现面片划分。Papon等人提出了基于体素的聚类方法VCCS(Voxel Cloud Connectivity Segmenta ...
【技术保护点】
【技术特征摘要】
1.一种基于深度网络的三维点云面片分割方法,其特征在于,包括如下步骤:步骤S1、数据准备:准备好带语义标签、实例标签、无监督面片划分标签的点云数据集,并将B
×
N
×
F维度大小的点云数据输入深度网络当中,其中B为训练批量大小,N为输入的每个点云中点的数量,F为每个点所包含的特征维度;步骤S2、网络构架与训练方式:用于在点云上生成固定数量面片的深度神经元网络使用带有残差前馈的类PointNet特征提取器作为网络前端提取特征,网络后端在训练时为可微SLIC,在测试时为SPSLIC;步骤S3、网络测试阶段:根据步骤S2已训练好且后端为SPSLIC的网络输出固定数量面片集合,对每一个面片使用其面片中心点最近的真实点来替代该面片,每一个点代表一个面片从而实现基于网络生成的面片进行抽象的点云降采样;步骤S4:根据步骤S2已训练好且后端为SPSLIC的网络输出固定数量面片集合,对面片集合进行面片生长从而实现点云分割。2.根据权利要求1所述的基于深度网络的三维点云面片分割方法,其特征在于,上述步骤S1中得到点云数据集的具体步骤包括:步骤S1.1:对数据集中带有实例标签与语义标签的点数不固定的原始点云使用任意无监督降采样算法降采样到点数固定为N的点云;步骤S1.2:对步骤S1.1获得的数据集使用无监督算法SLIC进行初步面片分割形成面片标签,并在原始点云基础上获得新的带面片标签的点云数据集,该面片标签数据能在训练中提高网络输出面片的规整性;步骤S1.3:将带有语义标签、实例标签、面片标签的点云数据集分为训练集与测试集两个部分,并输入网络进行训练。3.根据权利要求2所述的基于深度网络的三维点云面片分割方法,其特征在于,上述步骤S2中网络训练的具体步骤包括:步骤S2.1:以类似PointNet网络结构为主体并带有残差结构的网络组成特征提取器,使用残差结构将点云浅层信息与高维特征进行拼接,并使用一个MLP层对拼接的特征进行信息整合与维度调整;步骤S2.2:原始的SLIC聚类涉及到不可微分的最近邻操作,可微SLIC将不可微分操作转化为可微分操作,将可微SLIC集成进训练框架后形成端到端训练的神经网络;步骤S2.3:可微SLIC对每一个点云会输出维度为N
×
R的软关联矩阵Q,其中N为输入的每个点云中点的数量,R为要求生成的面片集合数量;软关联矩阵Q的列归一化形式在每一列上进行归一化计算,也就是将点云中所有点的特征对某个面片的贡献进行归一化,把所有点的高维信息映射到具体的面片上;软关联矩阵Q的行归一化形式在每一行上进行归一化计算,也就是将每个点对所有面片的贡献进行归一化,将点云中的某一真实标签先与列标准化矩阵相乘,获取所有点对某一个面片的“贡献值”,再与转置后的行标准化矩阵相乘获得输入点云的面片分割预测结果R
pred
;损失函数L的具体形式如下:L=L
rec
+aL
cpt
+βL
reg
其中,L
rec
是语义与实例约束损失,表示只计算面片中的语义/实例类和真实的语义/实
例标签的误差;L
cpt
约束面片中的点尽量与所在面片中心靠近;L
reg
则是为了约束网络生成如原始SLIC结果那样饱满规整的多边形面片群而设置的损失;和是权重,三种损失函数以及R
pred
的具体公式如下:L
rec
=L
entropy
(R
seg
,R
pred
)L
reg
=L
entropy
(R
facet
,R
pred
)其中R
seg
为具体的点云划分真实值展开成行,每一列是一个点的one
‑
hot标签;R
pred
反映了经过软关系矩阵Q约束后的网络面片分割预测标签,表示点i的空间坐标,而表示该点所属的面片中心的三维空间坐标,R
facet
为经...
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。