【技术实现步骤摘要】
本专利技术涉及点云分割，具体涉及一种融合双邻域特征和全局空间感知的点云场景分割方法。
技术介绍
1、空间场景理解是地球科学和遥感的前沿领域，随着三维传感器技术的快速发展和普及，点云数据已成为获取三维场景的主要来源，点云语义分割作为三维场景理解和环境感知的关键技术，旨在识别点云场景中每个点的语义标签，在自动驾驶、高精地图、智慧城市建设、遥感测绘和计算机视觉等领域发挥着至关重要的作用。
2、早期语义分割方法采用机器学习分类器和手工设定进行语义分割，如支持向量机、随机森林和决策树，这些方法通常需要手工设定特征，局限于其在三维场景中的表达，近年来，由于深度学习在图像语义分割方面实现了非常好的性能，致使相关研究逐步扩展到三维点云分割领域。与具有结构化的二维图像等不同，三维点云具有无序性、不均匀性和非结构化等特点，不能使用传统卷积神经网络(convolutional neural network,cnn)来处理三维点云数据，因此，如何将深度学习应用到三维点云语义分割领域已成为当前的研究重点。
3、基于深度学习的三维点云语义分割方法主要分为三类：基于投影的方法、基于体素的方法和基于点的方法。基于投影方法核心是将点云三维坐标投影到二维平面上，获得点云的二维视图，然后利用2d cnn进行处理；基于体素方法是将不规则的点云转换为规则的体素网格，然后利用3d cnn进行分析和处理；然而，这些方法在数据转换或投影过程中会造成离散化伪影和信息丢失，从而影响分割性能；基于点的方法是直接作用于不规则点云实现分割，pointnet使用共
技术实现思路
1、为了解决现有技术中存在的问题，本专利技术提供一种融合双邻域特征和全局空间感知的点云场景分割方法，该方案包括：建立基于点云双邻域特征和全局空间感知的网络模型，包括双邻域特征互补模块和全局空间感知模块；双邻域特征互补模块包括局部结构信息编码模块和语义信息引导模块；对点云空间坐标进行编码，获取局部邻域中点云的空间信息；对局部邻域中的点云进行聚类；捕获点云数据局部结构之间的长程依赖关系；将大规模场景点云数据作为所述网络模型的输入，利用网络模型对点云数据进行分割。本专利技术建立的网络模型从双领域构造角度桥接几何结构特征和语义特征，同时嵌入全局空间感知模块来挖掘点云场景中的长程依赖关系，能够有效提升分割精度。
2、本专利技术采用如下技术方案，一种融合双邻域特征和全局空间感知的点云场景分割方法，包括：
3、建立基于点云双邻域特征和全局空间感知的网络模型；所述网络模型包括双邻域特征互补模块和全局空间感知模块；
4、所述双邻域特征互补模块包括局部结构信息编码模块和语义信息引导模块，具体为：
5、所述局部结构信息编码模块用于对点云空间坐标进行编码，获取局部邻域中点云的空间信息；然后对点云的方向特征进行编码，获取局部邻域中点云的方向信息；
6、所述语义信息引导模块用于对局部邻域中的点云进行聚类；
7、所述全局空间感知模块用于捕获点云数据局部结构之间的长程依赖关系；
8、将大规模场景点云数据作为所述网络模型的输入，利用所述网络模型对点云数据进行分割。
9、进一步的，所述局部结构信息编码模块用于对点云空间坐标进行编码，获取局部邻域中点云的空间信息，具体包括：
10、对点云的空间坐标进行编码：给定点云利用欧氏距离获取中心点pi的k近邻点将中心点坐标pi和邻近点之间的相对距离和绝对距离作为空间信息；
11、根据所述空间信息设计空间位置编码块，表示为：
12、
13、其中，表示特征连接，‖ ‖表示中心点和近邻点之间的欧氏距离，mlps由两个relu激活函数组成。
14、进一步的，获取局部邻域中点云的空间信息之后，还包括：
15、采用堆叠八邻域搜索算法获取中心点pi八邻域信息，并根据方向编码卷积算法沿x、y和z轴依次对中心点pi对应的2×2×2的立方体做卷积操作，得到特征向量。
16、进一步的，所述语义信息引导模块用于对局部邻域中的点云进行聚类，具体包括：
17、利用二值函数将邻域点云分为相似点云和不相似点云；所述二值函数包括共享mlp和s形激活函数；
18、利用整体特征将局部邻域中具有相同特征的点云进行增强处理；
19、利用差分特征将局部邻域中不同特征的点云进行聚合处理；
20、采用自适应融合机制提取局部邻域中的语义特征，包括：
21、利用逐元素求和操作获取特征，并将特征压缩成权重向量ωi，表示为：
22、
23、式中，ψ(·)表示变换函数，由s形函数的两个fc层实现；
24、根据所述权重向量获取语义特征，表示为：
25、进一步的，所述全局空间感知模块用于捕获点云数据局部结构之间的长程依赖关系，具体包括：
26、给定点集的输入特征图其中n表示点数，c表示特征通道数；
27、将特征图f分别映射至三个不同的特征空间中，得到
28、在fk和fq的转置之间执行矩阵乘法，通过softmax函数计算得到邻接矩阵
29、将注意力图a与fv进行矩阵相乘，应用比例参数μ增加长程依赖性的权重，输出增强特征fout，表示为：fout＝μ(a·fv)；
30、设计门控单元将增强特征fout通过s形函数输出，通过特征权重更新得到新的特征ffinal，表示为：
31、
32、
33、其中，σ表示s形函数，gi代表s形函数的输出，其值介于0到1之间，和代表特征权重，bi表示偏置。
34、进一步的，将特征图f分别映射至三个不同的特征空间中，得到具体为：
35、fq＝αs(f)
36、fk＝βs(f)
37、fv＝γs(f)
38、其中，αs，βs，γs是通过不同的全连接(fc)层实现的转换函数。
39、进一步的，所述网络模型使用随机采样对点云进行下采样，按照的顺序逐渐稀疏点云(其中n为点的个数)，同时，按(16→32→128→256→512)的顺序增加每个点的特征维度。
40、进一步的，所述网络模型还包括：
41、每个编码层由双邻域特征互补模块和下采样操作组成，带有门控单元的全局空间感知模块位于第四本文档来自技高网...
【技术保护点】
1.一种融合双邻域特征和全局空间感知的点云场景分割方法，其特征在于，包括：
2.根据权利要求1所述的一种融合双邻域特征和全局空间感知的点云场景分割方法，其特征在于：所述局部结构信息编码模块用于对点云空间坐标进行编码，获取局部邻域中点云的空间信息，具体包括：
3.根据权利要求2所述的一种融合双邻域特征和全局空间感知的点云场景分割方法，其特征在于：获取局部邻域中点云的空间信息之后，还包括：
4.根据权利要求1所述的一种融合双邻域特征和全局空间感知的点云场景分割方法，其特征在于：所述语义信息引导模块用于对局部邻域中的点云进行聚类，具体包括：
5.根据权利要求1所述的一种融合双邻域特征和全局空间感知的点云场景分割方法，其特征在于：所述全局空间感知模块用于捕获点云数据局部结构之间的长程依赖关系，具体包括：
6.根据权利要求5所述的一种融合双邻域特征和全局空间感知的点云场景分割方法，其特征在于：将特征图F分别映射至三个不同的特征空间中，得到具体为：
7.根据权利要求1所述的一种融合双邻域特征和全局空间感知的点云场景分割方
8.根据权利要求1所述的一种融合双邻域特征和全局空间感知的点云场景分割方法，其特征在于：所述网络模型还包括：
...【技术特征摘要】
1.一种融合双邻域特征和全局空间感知的点云场景分割方法，其特征在于，包括：
2.根据权利要求1所述的一种融合双邻域特征和全局空间感知的点云场景分割方法，其特征在于：所述局部结构信息编码模块用于对点云空间坐标进行编码，获取局部邻域中点云的空间信息，具体包括：
3.根据权利要求2所述的一种融合双邻域特征和全局空间感知的点云场景分割方法，其特征在于：获取局部邻域中点云的空间信息之后，还包括：
4.根据权利要求1所述的一种融合双邻域特征和全局空间感知的点云场景分割方法，其特征在于：所述语义信息引导模块用于对局部邻域中的点云进行聚类，具体包括：
5.根据权利要求1所述的一种融合双邻域特征和全局空间感知...
【专利技术属性】
技术研发人员：刘涛，刘双童，马天恩，杜萍，王文宁，李德辉，程星智，
申请(专利权)人：兰州交通大学，
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。