一种基于深度学习特征聚合的点云数据处理和分割方法技术

一种基于深度学习特征融合的点云数据处理和分割方法，该方法首先将点云数据转换为直角坐标系，然后设计了一种自注意力层，通过考虑局部邻域点的相互依赖性来收集特征，并对特征进行不变性转换和向量化输出，进一步使用加法作为特征融合的方法，最后在计算过程中对损失函数进行纠正训练

【技术实现步骤摘要】
一种基于深度学习特征聚合的点云数据处理和分割方法


[0001]本专利技术属于点云数据处理领域，尤其是一种基于深度学习特征聚合的点云数据处理和分割方法
。

技术介绍

[0002]点云是由大量离散点构成的三维数据集合，具有丰富的几何和拓扑结构信息，因此在计算机视觉和三维场景理解领域具有重要应用
。
然而，在点云的分类任务上，由于其无序性和高维特性，点云数据的处理和分析还具有很大的挑战性
。
首先，点云数据的无序性使得传统的图像处理和深度学习方法不适用
。
表现在传统的图像处理和深度学习方法针对有序像素或网格数据进行设计，难以直接应用于无序的点云数据
。
点云中的点之间没有固定的排列顺序，而且点云的形状和密度可能会随着场景变化
。
[0003]传统深度学习方法通常依赖于规则的输入结构，如图像中的像素网格或三维数据中的体素网格，而点云数据的无序性使得这些方法难以适应
。
因此，需要一种新的改进方法来处理点云的无序性，以有效地提取特征和进行分析
。
其次，处理高维点云数据需要解决数据维度灾难和降低计算复杂度的问题，同时去除噪声和冗余信息，以提取准确的特征并实现高效的分析
。
因此需要考虑点云数据的特点，并设计相应的模型和算法来处理无序性
、
减少计算复杂度
、
提取关键特征，并通过去除噪声和冗余信息来提高数据的质量，有助于充分利用点云数据中的信息，并推动点云处理和分析技术的发展
。

技术实现思路

[0004]为了克服现有技术的不足，本专利技术提出了一种基于深度学习特征融合的点云数据处理和分割方法，该方法首先将点云数据转换为直角坐标系，然后设计了一种自注意力层，通过考虑局部邻域点的相互依赖性来收集特征，并对特征进行不变性转换和向量化输出，进一步使用加法作为特征融合的方法，最后在计算过程中对损失函数进行纠正训练
。
[0005]为了解决上述技术问题本专利技术提供如下的技术方案：
[0006]一种基于深度学习特征融合的点云数据处理和分割方法，包括以下步骤：
[0007]步骤一
:
为了将设备采集的点云文件转换成计算机可以处理的数据类型并对点云特征进行编码，首先将点云文件转换成直角坐标系的表现形式，进而，为了降低点云数据在处理过程中的计算量，设计了一种范围搜索算法简化点云，将简化之后的点云进行局部位置编码；
[0008]步骤二：为了将具有编码信息的局部邻域点进行特征聚合，设计了一种自注意力层，通过考虑局部邻域点的相互依赖性来收集特征，进而，使用一个特征
transformer
模型对特征进行不变性转换
。
最后使用
SoftMax
掩码对特征进行向量化输出，期间，通过重塑现有的标准交叉熵损失函数，有效地训练所提出的网络结构；
[0009]步骤三：为了在更大程度上保留邻域点的关键信息，对于在步骤二中输出的给定具有不同特征维度的特征向量
{F1，
F2，
F3，
F4}
，使用向量加法作为特征融合的方法；
[0010]步骤四：基于获取到的点云特征，进行对应的点云分割任务
。
[0011]进一步，所述步骤一的过程如下：
[0012]1.1
首先将点云数据文件，即三个平移参数
dx
，
dy
，
dz
，三个旋转参数
rx
，
ry
，
rz
与一个缩放比例
ppm
，通过布尔沙模型转换为空间直角坐标系的表现形式，布尔沙模型是一种现有的坐标转换模型，能利用坐标的公共点，求取未知转换参数，从而实现空间坐标之间的相互转换，模型中设点云数量大小为
N
；
1.2
为了降低点云数据的计算量，设计了一种范围搜索算法对点云进行简化
。
[0013]更进一步，所述
1.2
的过程如下：
[0014]1.2.1
通过使用估计函数对点云数据进行估计
。
估计函数的范围搜索程度由
u
定义，
u
为估计函数中的整数，与点云数量
N
的大小成比例，密度估计的定义是针对任意点云中的点
x
完成的
。N
与点
x
之间的距离如下：
[0015]R1(x)<
…
<R
i
‑1(x)<R
i
<
…
<R
N
(x)
[0016]其中，
R
i
中的
1,
…
N
是以升序排序的样本对象至
x
的距离
。
其三维位置信息可记为其三维位置信息可记为表示三维空间中的任意点；
[0017]1.2.2
设维度空间为
d
，在
d
维空间中，首先需要计算某个点与其他点的距离估计，所以需要选取一个点
x
，计算任意点
x
与其他点云之间对应维度的距离，并与最近范围内的点计算其平均度量
。
进而，在多维度情况下还需要在对应维度下取其平均度量，该过程在
d
维空间中的估计函数定义如下：
[0018][0019]其中，由于坐标系为三维，所以这里的
d
取3，
R
u
(x)
为
x
到第
u
个最近点的距离，其最近点距离是根据排序算法而计算的，
N
为步骤
1.1
中的点云数量
。
估计函数计算了平均点云与平均维度下的数值，因此取
N
‑1与
R
u
(x)
‑1。K[*]为高斯核公式，其表达式为：
[0020][0021]其中，
d
为对应点云维度，
exp
表示为自然常数
e
为底的指数函数，
λ
表示为通用变量，
T
表示转置形式；
[0022]1.2.3
进一步的，如步骤
1.2.2
所示，整合其计算内容，将对应的高斯核函数与估计函数进行代入得到：
[0023][0024]为半径为
R
k
(x)
的球形体积，设
V
k
(x)
为在
d
维中的点云球形体积
C
d
·
R本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习特征融合的点云数据处理和分割方法，其特征在于，所述方法包括以下步骤：步骤一：为了将设备采集的点云文件转换成计算机可以处理的数据类型并对点云特征进行编码，首先将点云文件转换成直角坐标系的表现形式，进而，为了降低点云数据在处理过程中的计算量，设计了一种范围搜索算法简化点云，将简化之后的点云进行局部位置编码；步骤二：为了将具有编码信息的局部邻域点进行特征聚合，设计了一种自注意力层，通过考虑局部邻域点的相互依赖性来收集特征，进而，使用一个特征
transformer
模型对特征进行不变性转换，最后使用
SoftMax
掩码对特征进行向量化输出，通过重塑现有的标准交叉熵损失函数，有效地训练所提出的网络结构；步骤三：为了在更大程度上保留邻域点的关键信息，对于在步骤二中输出的给定具有不同特征维度的特征向量
{F1，
F2，
F3，
F4}
，使用向量加法作为特征融合的方法；步骤四：基于获取到的点云特征，进行对应的点云分割任务
。2.
如权利要求1所述的一种基于深度学习特征融合的点云数据处理和分割方法，其特征在于，所述步骤一的过程如下：
1.1
首先将点云数据文件，即三个平移参数
dx
，
dy
，
dz
，三个旋转参数
rx
，
ry
，
rz
与一个缩放比例
ppm
，通过布尔沙模型转换为空间直角坐标系的表现形式，布尔沙模型是一种现有的坐标转换模型，能利用坐标的公共点，求取未知转换参数，从而实现空间坐标之间的相互转换，模型中设点云数量大小为
N
；
1.2
为了降低点云数据的计算量，设计了一种范围搜索算法对点云进行简化
。3.
如权利要求2所述的一种基于深度学习特征融合的点云数据处理和分割方法，其特征在于，所述
1.2
的过程如下：
1.2.1
通过使用估计函数对点云数据进行估计
。
估计函数的范围搜索程度由
u
定义，
u
为估计函数中的整数，与点云数量
N
的大小成比例，密度估计的定义是针对任意点云中的点
x
完成的
。N
与点
x
之间的距离如下：
R1(x)<
…
<R
i
‑1(x)<R
i
<
…
<R
N
(x)
其中，
R
i
中的
1,
…
N
是以升序排序的样本对象至
x
的距离，其三维位置信息可记为表示三维空间中的任意点；
1.2.2
设维度空间为
d
，在
d
维空间中，首先需要计算某个点与其他点的距离估计，所以需要选取一个点
x
，计算任意点
x
与其他点云之间对应维度的距离，并与最近范围内的点计算其平均度量，进而，在多维度情况下还需要在对应维度下取其平均度量，该过程在
d
维空间中的估计函数定义如下：其中，由于坐标系为三维，所以这里的
d
取3，
R
u
(x)
为
x
到第
u
个最近点的距离，其最近点距离是根据排序算法而计算的，
N
为步骤
1.1
中的点云数量
。
估计函数计算了平均点云与平均维度下的数值，因此取
N
‑1与
R
u
(x)
‑1。K[*]
为高斯核公式，其表达式为：
其中，
d
为对应点云维度，
exp
表示为自然常数
e
为底的指数函数，
λ
表示为通用变量，
T
表示转置形式；
1.2.3
如步骤
1.2.2
所示，整合其计算内容，将对应的高斯核函数与估计函数进行代入得到：得到：为半径为
R
k
(x)
的球形体积，设
V
k
(x)
为在
d
维中的点云球形体积
C
d
·
R
k
(x)
，
C
d
为
d
维点云在空间中所呈现的球形体积，其公式定义如下，其中
k
为固定系数：
1.2.4
生成一个局部邻域来进行位置编码，过程如下：对于任意点
x
，其任意一点
x
i
、x
j
均满足邻域使用以下公式来表示位置编码：其中，运算符为点云矩阵连接操作，
||
·
||
运算符为计算相邻点与中心点之间的欧式距离，自此，对应点云的位置即范围内的点云信息形成了聚合并具有编码信息
。4.
如权利要求1～3之一所述的一种基于深度学习特征融合的点云数据处理和分割方...

【专利技术属性】
技术研发人员：宋俊锋，王志鹏，胡斌帅，王国相，
申请(专利权)人：浙江点创信息科技有限公司，
类型：发明
国别省市：