本发明专利技术公开了一种基于多维特征融合注意力池化网络的点云分类方法及系统，本发明专利技术方法包括利用多维特征融合注意力池化网络来对通过激光雷达采集的电力走廊的点云进行目标分类，包括：将点云的三维坐标矩阵映射为二维坐标矩阵再和三维坐标矩阵进行编码提取得到局部特征δ′<subgt;f</subgt;以及局部特征δ<subgt;f</subgt;；将包含不同语义之间的边界信息的局部特征δ′<subgt;f</subgt;以及保留点云局部空间结构信息的局部特征δ<subgt;f</subgt;进行融合并获取目标的语义信息。本发明专利技术旨在解决目前对激光雷达产生的电力走廊的三维点云进行精细分类时仍存在诸多问题，尤其是边界模糊、语义信息提取能力不强等问题，提升电力走廊的目标检测精确度。
【技术实现步骤摘要】
本专利技术涉及电力走廊的地物分类检测，具体涉及一种基于多维特征融合注意力池化网络的点云分类方法及系统。
技术介绍
1、激光雷达是利用激光束对目标进行扫描和测量，可以获取目标的距离、速度、方向等信息，在地形测绘、电力巡检、自动驾驶、机器人导航、精准农业、林业调绘、城市管理等领域都体现了重要的应用价值。随着激光雷达设备和技术的进步，对大规模场景下激光雷达产生三维点云数据的高效精确语义分割的需求也越来越高。由于3d点云具有无序性、旋转不变性、非结构化的数据、密度分布不均、环境噪声、几何结构多样、场景复杂等特点，使得精确3d点云分类仍面临较大挑战。近年来，随着深度学习技术的飞速发展，不少研究人员也构建了3d点云分割网络，并取得了不少成果。
2、点云语义分割作为三维场景理解的关键步骤，在各个领域有广泛应用。深度学习的点云分割方法可以根据三维点云数据处理方式大致分为两种：规则表示的点云分类方法和原始点云的分类方法。(1)基于规则表示的点云分类方法将三维点云做多视角投影，在点云分割和分类任务中取得了良好的效果，但仍有着明显的不足之处。首先，在对3d点云投影之前，必须人为提前设定视图和角度，并生成若干个2d图像，所以不同的视图和角度导致三维分类的效果有比较大的区别。其次，每一次3d投影仅得到物体其中一个面的信息，破环了原有的几何结构信息，同时空间上下文，如景深和物体间的距离等信息丢失，不适用于大规模场景的点云分类和分割。(2)近年来，针对原始点云数据分类和分割，许多学者展开了研究。为了降低计算复杂度，充分利用三维点云数据自身特点，pointnet网络(qi c r,su h,mo k,et al.pointnet:deep learning on point sets for 3d classification andsegmentation[c]//proceedings of the ieee conference on computer vision andpattern recognition.2017:652-660.)直接对这种非结构化点云数据处理，使用共享mlp来学习每个点特征，并使用最大池层来聚合全局特征。它解决了点云无序、位移不变性和旋转不变性问题，成本低，效果好。pointnet及其它同期网络pointnet++(qi c r,yi l,su h,et al.pointnet++:deep hierarchical feature learning on point sets in a metricspace[j].advances in neural information processing systems,2017,30.)、pointsift(jiang m,wu y,zhao t,et al.pointsift:a sift-like network module for3d point cloud semantic segmentation[j].arxiv preprint arxiv:1807.00652,2018.)虽然在小尺度点云分割或分类上取得了较大的成功，但在大规模点云应用场景中仍效果不佳。对此，2020年randla-net(hu q,yang b,xie l,et al.randla-net:efficientsemantic segmentation of large-scale point clouds[c]//proceedings of theieee/cvf conference on computer vision and pattern recognition.2020:11108-11117.)首次打破了现有网络无法作用于大尺度点云场景的技术壁垒。它采用一种轻量化网络，设计了局部特征聚合模块，通过将点云输入到局部空间位置编码模块，保留3d点云数据的局部几何结构和空间上下文信息，再使用注意力机制将位置编码信息聚合，再将此模块堆叠，使得每个点的感受野扩大。同时，为使得网络轻量化，randla-net采用了随机采样的方案来降低点云密度，相对最远点采样(li y,bu r,sun m,et al.pointcnn:convolution on x-transformed points[j].advances in neural informationprocessing systems,2018,31.和wu w,qi z,fuxin l.pointconv:deep convolutionalnetworks on 3d point clouds[c]//proceedings of the ieee/cvf conference oncomputer vision and pattern recognition.2019:9621-9630.)、逆密度重要性抽样(groh f,wieschollek p,lensch h p a.flex-convolution:million-scale point-cloudlearning beyond grid-worlds[c]//computer vision-accv 2018:14th asianconference on computer vision,perth,australia,december 2-6,2018,revisedselected papers,part i 14.springer international publishing,2019:105-122.)和发生器抽样(dovrat o,lang i,avidan s.learning to sample[c]//proceedings of theieee/cvf conference on computer vision and pattern recognition.2019:2760-2769.)使得网络的算法简单且迅速，再结合局部特征聚合模块，保证信息不丢失的同时提高了计算和信息存储的效率。而baaf-net(qiu s,anwar s,barnes n.semanticsegmentation for real point cloud scenes via bilateral augmentation andadaptive fusion[c]//proceedings of the ieee/cvf conference on computer visionand pattern recognition.2021:1757-1767.)利用双边结构中的几何信息和语义特征来增强局部上下文信息，消除了模型多次结合相似特征带来的信息冗余。然而，上述网络在城市背景下的电力走廊点云数据应用中，存在一些共同的问题：1)城市中地建筑物类型结构复杂，网络不能很好地捕捉周围环境的上下文信息，建筑物类别分割效果差，边界比较模糊；2)大型建筑或地面是构成城市点云数据的主要部分；3)电力走廊内电力线或电塔数据较少，特征不能有效提取，边界模糊问题严重，分类较差。因此，在城市电力走廊的点云数据本文档来自技高网...
【技术保护点】
1.一种基于多维特征融合注意力池化网络的点云分类方法，其特征在于，包括利用多维特征融合注意力池化网络来对通过激光雷达采集的电力走廊的点云进行目标分类，所述多维特征融合注意力池化网络对通过激光雷达采集的电力走廊的点云进行目标分类包括：
2.根据权利要求1所述的基于多维特征融合注意力池化网络的点云分类方法，其特征在于，步骤S101中将点云的三维坐标矩阵映射为二维坐标矩阵包括：首先将包含n个点的点云的大小为n×3的三维坐标矩阵[px,py,pz]中的Z坐标数据删除并替换为一列0向量，得到大小为n×3的二维坐标矩阵[px,py,0]。
3.根据权利要求2所述的基于多维特征融合注意力池化网络的点云分类方法，其特征在于，步骤S101中将二维坐标矩阵和三维坐标矩阵进行编码提取特征包括：
4.根据权利要求3所述的基于多维特征融合注意力池化网络的点云分类方法，其特征在于，步骤S201中预设的编码函数δ的函数表达式为：
5.根据权利要求3所述的基于多维特征融合注意力池化网络的点云分类方法，其特征在于，步骤S102中进行融合并获取目标的语义信息包括：p>
6.根据权利要求5所述的基于多维特征融合注意力池化网络的点云分类方法，其特征在于，步骤S302中的三组注意力特征和的计算函数表达式为：
7.根据权利要求5所述的基于多维特征融合注意力池化网络的点云分类方法，其特征在于，步骤S302中的三组信息特征向量Fii、Fjj和Fji的计算函数表达式为：
8.根据权利要求1所述的基于多维特征融合注意力池化网络的点云分类方法，其特征在于，所述利用多维特征融合注意力池化网络来对通过激光雷达采集的电力走廊的点云进行目标分类之前，还包括训练多维特征融合注意力池化网络，且训练多维特征融合注意力池化网络时所采用的损失函数的函数表达式为：
9.一种基于多维特征融合注意力池化网络的点云分类系统，包括相互连接的微处理器和存储器，其特征在于，所述微处理器被编程或配置以执行权利要求1～8中任意一项所述基于多维特征融合注意力池化网络的点云分类方法。
10.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其特征在于，所述计算机程序用于被微处理器编程或配置以执行权利要求1～8中任意一项所述基于多维特征融合注意力池化网络的点云分类方法。
...
【技术特征摘要】
1.一种基于多维特征融合注意力池化网络的点云分类方法，其特征在于，包括利用多维特征融合注意力池化网络来对通过激光雷达采集的电力走廊的点云进行目标分类，所述多维特征融合注意力池化网络对通过激光雷达采集的电力走廊的点云进行目标分类包括：
2.根据权利要求1所述的基于多维特征融合注意力池化网络的点云分类方法，其特征在于，步骤s101中将点云的三维坐标矩阵映射为二维坐标矩阵包括：首先将包含n个点的点云的大小为n×3的三维坐标矩阵[px,py,pz]中的z坐标数据删除并替换为一列0向量，得到大小为n×3的二维坐标矩阵[px,py,0]。
3.根据权利要求2所述的基于多维特征融合注意力池化网络的点云分类方法，其特征在于，步骤s101中将二维坐标矩阵和三维坐标矩阵进行编码提取特征包括：
4.根据权利要求3所述的基于多维特征融合注意力池化网络的点云分类方法，其特征在于，步骤s201中预设的编码函数δ的函数表达式为：
5.根据权利要求3所述的基于多维特征融合注意力池化网络的点云分类方法，其特征在于，步骤s102中进行融合并获取目标的语义信息包括：
6.根据权...
【专利技术属性】
技术研发人员：陈立福，刘亚武，汪丙南，向茂生，林祥国，陈昊达，
申请(专利权)人：长沙理工大学，
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。