一种基于自注意力机制的点云特征点提取方法及系统技术方案

本发明专利技术公开了一种基于自注意力机制的点云特征点提取方法及系统，该方法包括获取点云模型的点云切片；将所述点云切片输入至神经网络中，获得多通道的特征邻域；将所述多通道的特征邻域进行MLP计算，并将计算结果进行自注意力机制计算，获得全局特征；将全局特征依次进行最大池化计算、MLP计算及FNN计算，获取点云切片中心点为特征点的概率。本发明专利技术通过点云切片获取多通道的特征邻域，多通道的特征邻域除点云的空间位置信息外，还包括欧氏距离信息及中心点邻域信息，获得了更多的语义信息，结合自注意力机制计算并经过后处理，降低了输出的维度，减少了后续特征映射的计算量；可方便高效的获取特征点。高效的获取特征点。高效的获取特征点。

【技术实现步骤摘要】
一种基于自注意力机制的点云特征点提取方法及系统


[0001]本专利技术涉及点云特征点提取
，具体涉及一种基于自注意力机制的点云特征点提取方法及系统。

技术介绍

[0002]近年来，随着三维激光扫描仪广泛地应用在逆向工程、医疗可视化、航空测量、建筑模型构筑等多个领域当中。三维激光点云都起到了非常重要的作用，同时各行各业也对点云数据的几何处理方法提出了更高的要求。三维点云的特征提取技术是点云数据应用的关键技术之一，在简化、可视化、曲面重建、曲面平滑、点云配准等领域有重要的应用。
[0003]三维点云的特征点是指在三维点云中具有较高的稳定性和代表性的点。这些点可以将模型的各种几何形态和表面的凹凸特征表现出来出来的点集，并且在三维点云的处理中经常被用作特征提取的基础，可以用来对点云进行简化、分割、描述、匹配和跟踪等操作。
[0004]为提取三维点云中特征点，现有技术大多是先拟合散乱点云的局部平面，计算局部平面的曲率或法向量，设定法向量或曲率变化阈值，通过判断阈值的方式提取点云特征点。这种提取方法过程繁琐，而且计算量大，耗时时间多，效率低，三维点云的特征提取方法都具有较高的空间复杂度，导致其在许多生产生活领域的应用较少。
[0005]三维点云技术的发展逐步深入，对三维点云的特征提取算法也显示出愈来愈深刻的重要性和广泛的应用前景。特征点提取技术是三维点云的重要研究课题，从散乱点云中快速准确的提取特征点，对于实现几何模型外观和结构的精确重建和精准表达具有重要作用。

技术实现思路

[0006]本专利技术的目的在于提供一种基于自注意力机制的点云特征点提取方法及系统，以解决现有技术中点云特征点提取过程繁琐、效率低的问题。
[0007]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0008]第一方面，本专利技术公开了一种基于自注意力机制的点云特征点提取方法，包括：
[0009]获取点云模型的点云切片；
[0010]将所述点云切片输入至神经网络中，获得多通道的特征邻域；
[0011]将所述多通道的特征邻域进行MLP计算，并将计算结果进行自注意力机制计算，获得全局特征；
[0012]将全局特征依次进行最大池化计算、MLP计算及FNN计算，获取点云切片中心点为特征点的概率。
[0013]进一步地，所述获得多通道的特征邻域包括：
[0014]对所述点云切片进行最远点采样，选取邻域中心点，以邻域中心点为中心获得多个采样点邻域；
[0015]分别计算多个采样点邻域的中心点到点云切片的中心点的欧式距离，获取特征邻
域；
[0016]所述特征邻域和中心点邻域共同形成多通道的特征邻域；其中，所述中心点邻域包括包括采样点邻域和点云切片。
[0017]进一步地，还包括将点云切片中心点为特征点的概率进行特征映射，计算神经网络的损失函数，根据计算结果修正神经网络输出的多通道的特征邻域；
[0018]损失函数的计算公式为：
[0019][0020]其中，y
i
表示样本i的标签值，正类为1，负类为0，p
i
表示样本i预测为正类的概率，N表示输入点云的个数。
[0021]进一步地，所述点云切片的获取过程为：随机在点云模型中选取等比例特征点与非特征点，并以选取的特征点与非特征点为中心选取邻域数据，作为点云切片。
[0022]进一步地，所述特征点与非特征点的获取方法包括：
[0023]对点云模型建立KDTree，遍历模型中的每个特征点，获取邻域，得到特征点数据集合
[0024]在非特征点区域选取与特征点数等比例的非特征点，获取邻域，得到非特征点数据集合。
[0025]进一步地，特征点和非特征点的筛选方法为：对点云模型进行曲率计算，将点云模型中曲率变化大于设定阈值的点作为特征点；将点云模型中曲率变化不大于设定阈值的点作为非特征点。
[0026]进一步地，在对点云模型进行曲率计算之前还包括向点云模型中添加不同程度的高斯噪声。
[0027]进一步地，所述点云模型的选取过程为：在自由曲面模型和具有尖锐特征的模型中选取等比例的不同类别的点云模型。
[0028]第二方面，本专利技术公开了一种基于自注意力机制的点云特征点提取系统，包括处理器及存储介质；
[0029]所述存储介质用于存储指令；
[0030]所述处理器用于根据所述指令进行操作以执行第一方面任一项所述方法的步骤。
[0031]第三方面，本专利技术公开了计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现第一方面任一项所述方法的步骤。
[0032]根据上述技术方案，本专利技术的有益效果为：本专利技术通过点云切片获取多通道的特征邻域，多通道的特征邻域除点云的空间位置信息外，还包括欧氏距离信息及中心点邻域信息，获得了更多的语义信息，结合自注意力机制计算并经过后处理，降低了输出的维度，减少了后续特征映射的计算量；通过神经网络和自注意力机制的设置，可方便高效的获取特征点。
附图说明
[0033]图1为本专利技术特征点提取方法的整体流程图；
[0034]图2为本专利技术中多通道的特征邻域的获取流程图；
[0035]图3为本专利技术中点云切片的获取流程图；
[0036]图4为本专利技术特征点提取方法的整体网络示意图；
[0037]图5为本专利技术特征点提取方法的特征扩展机制说明图；
[0038]图6为本专利技术中自注意力机制的说明图；
[0039]图7为本专利技术中数据集制作过程说明图；
[0040]图8为本专利技术特征点提取方法的实验对比图。
具体实施方式
[0041]为使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本专利技术。
[0042]本专利技术公开了的思路为，提出了能够提取点云特征点的神经网络SA
‑
EFNet，对输入点云的每个点进行分类。具体的，为获取更多的点云特征语义信息，在现有中心点邻域三维空间位置信息之外，引入了临近点的位置信息和中心点与邻域点的欧式距离信息，通过混合中心点与邻域点的多维度特征关系和中心点特征与邻域特征的相对关系判断中心点为特征点的概率。另外，本专利技术还引入了自注意力机制来更多的提取网络输入的特征信息，并在自注意力机制的特征提取中引入了跳连残差结构skip
‑
connection。其中，为了加快网络的预测速度，精简了网络模型，减小了模型的计算参数量。本专利技术为点云数据处理提供了一个新的研究思路，能够在点云数据中准确地提取特征点，提取效果不易受噪声影响，鲁棒性好。
[0043]实施例1
[0044]下面通过具体的实施例对本申请进行说明。如图1至图8所示，本专利技术公开了一种基于自注意力机制的点云特征点提取方法，包括：步骤100、获取点云模型的点云切片；步骤200、将所述点云切片输入至神经网络中，获得多通道的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自注意力机制的点云特征点提取方法，其特征在于，包括：获取点云模型的点云切片；将所述点云切片输入至神经网络中，获得多通道的特征邻域；将所述多通道的特征邻域进行MLP计算，并将计算结果进行自注意力机制计算，获得全局特征；将全局特征依次进行最大池化计算、MLP计算及FNN计算，获取点云切片中心点为特征点的概率。2.根据权利要求1所述的基于自注意力机制的点云特征点提取方法，其特征在于，所述获得多通道的特征邻域包括：对所述点云切片进行最远点采样，选取邻域中心点，以邻域中心点为中心获得多个采样点邻域；分别计算多个采样点邻域的中心点到点云切片的中心点的欧式距离，获取特征邻域；所述特征邻域和中心点邻域共同形成多通道的特征邻域；其中，所述中心点邻域包括包括采样点邻域和点云切片。3.根据权利要求1所述的基于自注意力机制的点云特征点提取方法，其特征在于，还包括将点云切片中心点为特征点的概率进行特征映射，计算神经网络的损失函数，根据计算结果修正神经网络输出的多通道的特征邻域；损失函数的计算公式为：其中，y
i
表示样本i的标签值，正类为1，负类为0，p
i
表示样本i预测为正类的概率，N表示输入点云的个数。4.根据权利要求1所述的基于自注意力机制的点云特征点提取方法，其特征在于，所述点云切片的获取过程为：随机在点云模型中选取等比例特征点与非特征点，...

【专利技术属性】
技术研发人员：聂建辉，刘升，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：