基于增强点云旋转不变性的三维点云分类和分割方法及网络技术

本发明专利技术涉及三维点云分类和分割技术领域，公开了基于增强点云旋转不变性的三维点云分类和分割方法及网络，包括以下步骤：S1、选择基线网络，在基线网络设置若干层旋转不变增强层；S2、获取点云数据中每个点的邻域点集；构建局部球面坐标系；S3、在所述的局部球面坐标系中，基于中心点的邻域点集，计算得到具有旋转不变性的几何描述符SGD；S4、SGD表达点云数据的点之间的边；S5、通过球面特征传递机制提取点云几何特征；整合为点云网络模型；S6、对整合后的点云网络模型进行训练；S7、通过训练好的点云网络模型完成对三维点云的分类和分割。本发明专利技术解决了现有技术无法通用地处理旋转扰动的问题，且具有灵活普适的特点。且具有灵活普适的特点。且具有灵活普适的特点。

【技术实现步骤摘要】
基于增强点云旋转不变性的三维点云分类和分割方法及网络


[0001]本专利技术涉及三维点云分类和分割
，更具体的，涉及基于增强点云旋转不变性的三维点云分类和分割方法及网络。

技术介绍

[0002]点云数据是由激光雷达传感器获取的三维点集；点云数据可用于描述车辆周围环境的几何形状和空间位置。激光雷达传感器捕捉现实世界中的点云数据，帮助车辆完成对障碍物的定位，从而实现自动驾驶。点云数据的分析分类和分割方法包括基于点的配准方法、基于点特征的方法以及基于点数据的深度学习方法，其中深度学习方法被认为是当前最具潜力的方法。然而，实际获得的点云数据往往存在旋转和缺失等问题，导致现有方法在自动驾驶应用中受限。
[0003]点云的旋转不变性是指对一个点云集进行旋转操作，集合内所有点的坐标都变了，但表示的还是同一个物体。如何充分提取点云数据的旋转不变特征，进而更好地理解和感知三维场景，对三维视觉领域有着重要意义，是未来人工智能技术更好服务人类生活的重要基石。早期实现点云识别与分类和分割的方法是使用手工提取特征，应用经典的机器学习的算法构建模型来实现相应本文档来自技高网...

【技术保护点】

【技术特征摘要】
其中p
j
‑
p
i
表示为邻域点与中心点之间的相对坐标向量；S3.2、计算p
j
‑
p
i
与p
i
之间的夹角θ
j
：其中b是为了防止分母为零的常数；S3.3、引入向u
j
，表示p
j
‑
p
i
在对应相对平面中的投影向量：S3.4、在得到对应的投影向量集合后，计算每两个相邻投影向量的夹角S3.4、在得到对应的投影向量集合后，计算每两个相邻投影向量的夹角其中，
±
1表示以顺时针或逆时针计算。6.根据权利要求5所述的基于增强点云旋转不变性的三维点云分类和分割方法，其特征在于：对于夹角考虑自环，当i＝j时候有d
j
＝0，7.根据权利要求5所述的基于增强点云旋转不变性的三维点云分类和分割方法，其特征在于：所述的步骤S4中，通过SGD表达点云数据的点云几何特征，具体为：S4.1：将点云数据中的点云P表示为G(V,ε)，其中V＝{p1，
…
，
N
}，ε是在V中通过k
‑
NN构建的数量为n
×
k的边的集合；S4.2:通过SGD表达点云数据中的点p
i
和p
j
之间的边:其中，e
j
为SGD表达点云数据的点之间的边，[，]为连接函数。8.根据权利要求5所述的基于增强点云旋转不变性的三维点云分类和分割方法，其特征在于：所述的步骤S5中，将SGD表达点云数据的点之间的边输入基于图结构的神经网络，通过基于图的球面特征传递机制提取点云数据的点云几何特征；将点云几何特征与该基于图结构的神经网络级联到基线网络中，整合为点云网络模型；具体为：S5.1：将SGD表达点云数据的点之间的边输入基于图结构的网络，得到点云
′
几何特征e
j
′
：e
j
′
＝h
θ
(
j
)其中h
θ
:是一个由MLP与可学习的参数实现的非线性函数；S5.2：通过基于图的球面特征传递机制，将点云几何特征e
j
′<...

【专利技术属性】
技术研发人员：朱鉴，严键荣，黄杰彬，陈炳丰，蔡瑞初，胡钦太，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：