【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种基于区域生长的点云分割方法及系统。
技术介绍
1、随着信息化时代的不断发展，区域生长算法也得到了较为广泛的应用，如用于进行点云分割等。通过选择种子点或种子单元，基于每个点的曲率、邻域点法线和种子点法线之间的夹角等，对点云中的点进行聚类，以完成区域生长，最终实现点云分割。
2、然而，现有技术中区域生长需要逐点生长，运行速度较慢，复杂程度较高，不能较好地满足大规模点云数据的快速分割需求。并且，现有技术中需要手动设置种子点和相似性度量参数等，不同的参数设置可能导致不同的分割结果，这就导致点云分割的准确性较低，需要进行多次试验才能确定最终参数。此外，现有技术中基于区域生长的点云分割方法可能存在某些区域未被完全分割或分割结果重叠的情况，影响分割结果的准确性。
技术实现思路
1、本专利技术提供一种基于区域生长的点云分割方法及系统，用以解决现有技术中区域生长的运行速度较慢，以及点云分割的准确性较低的问题。
2、本专利技术提供一种基于区域生长的点云分割方法，包括：
3、获取待分割点云数据；
4、将所述待分割点云数据输入预设的神经网络模型，以从所述神经网络模型中得到一个或多个种子点、以及用于为区域生长提供判定标准的相似性度量阈值参数，每个种子点均对应一个点云区域；
5、基于所述种子点和所述相似性度量阈值参数，进行各点云区域的生长，得到与所述种子点一一对应的区域生长聚类，完成点云分割。
6、可选
7、利用所述神经网络模型，对所述待分割点云数据进行特征提取，得到点云特征；
8、利用所述神经网络模型，基于所述点云特征，进行种子点预测，得到一个或多个所述种子点；
9、利用所述神经网络模型，基于所述点云特征和所述种子点，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数。
10、可选地，利用所述神经网络模型，对所述待分割点云数据进行特征提取，得到点云特征的步骤包括：
11、利用所述神经网络模型的采样层，对所述待分割点云数据进行均匀采样，获得采样点集，所述采样点集包括多个采样点；
12、基于所述神经网络模型的多层感知机，对所述采样点进行特征提取，得到每个采样点的局部特征；通过搜索每个采样点的邻域点，建立每个采样点对应的局部邻域；
13、利用所述神经网络模型中的特征学习结构，学习每个采样点的局部邻域内的全部局部特征，得到每个局部邻域内点云的全局特征；通过对全部局部邻域内点云的全局特征进行聚合，得到所述点云特征。
14、可选地，利用所述神经网络模型，基于所述点云特征，进行种子点预测，得到一个或多个所述种子点的步骤包括：
15、利用所述神经网络模型中的第一注意力机制结构，对所述点云特征进行加权处理，获取第一加权特征；
16、利用所述神经网络模型中的第一全连接层，将所述第一加权特征映射到预设的种子点预测的概率空间中，得到待分割点云数据中每个点属于种子点的预测概率；基于待分割点云数据中每个点属于种子点的预测概率，得到一个或多个所述种子点。
17、可选地，利用所述神经网络模型，基于所述点云特征和所述种子点，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数的步骤包括：
18、利用所述神经网络模型中的第二注意力机制结构，对所述点云特征进行解码，获取解码特征向量；将所述种子点转换为第一预设维度的种子点向量；将所述解码特征向量与种子点向量进行组合，得到第一组合特征向量；对所述第一组合特征向量进行加权处理，得到第二加权特征；
19、利用所述神经网络模型中的第二全连接层，联合所述第二加权特征和预先获取的待分割点云数据的点云密度，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数。
20、可选地，利用所述神经网络模型中的第二全连接层，联合所述第二加权特征和预先获取的待分割点云数据的点云密度，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数的步骤包括：
21、利用所述第二全连接层，将所述点云密度转换为第二预设维度的密度向量；对所述第二加权特征和所述密度向量进行组合，得到第二组合特征向量；基于所述第二组合特征向量，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数。
22、可选地，基于所述种子点和所述相似性度量阈值参数，进行各点云区域的生长，得到与所述种子点一一对应的区域生长聚类，完成点云分割的步骤包括：
23、基于所述种子点，逐点判断种子点的各邻域点的相似性度量参数是否符合预设的约束条件，得到判断结果，所述约束条件基于所述相似性度量阈值参数设置；所述相似性度量参数与所述相似性度量阈值参数相对应；
24、基于所述判断结果，对多个点云区域同时或逐个进行区域生长，得到与所述种子点一一对应的区域生长聚类，完成点云分割。
25、可选地，所述神经网络模型的训练步骤包括：
26、获取区域生长聚类样本，所述区域生长聚类样本是基于种子点样本和相似性度量阈值参数样本进行区域生长得到的，所述种子点样本和所述相似性度量阈值参数样本为初始神经网络模型在训练过程中的输出量，所述初始神经网络模型的输入量为预设的点云样本，所述区域生长聚类样本与所述种子点样本一一对应；
27、基于所述区域生长聚类样本，得到点云分割样本；基于所述点云分割样本和预设的真实分割结果之间的差距，对所述初始神经网络模型进行迭代训练，得到训练好的所述神经网络模型。
28、本专利技术还提供一种基于区域生长的点云分割系统，包括：
29、点云数据获取模块，用于获取待分割点云数据；
30、预测模块，用于将所述待分割点云数据输入预设的神经网络模型，以从所述神经网络模型中得到一个或多个种子点、以及用于为区域生长提供判定标准的相似性度量阈值参数，每个种子点均对应一个点云区域；
31、区域生长模块，用于基于所述种子点和所述相似性度量阈值参数，进行各点云区域的生长，得到与所述种子点一一对应的区域生长聚类，完成点云分割。
32、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于区域生长的点云分割方法。
33、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于区域生长的点云分割方法。
34、本专利技术的有益效果：本专利技术提供的基于区域生长的点云分割方法及系统，通过获取待分割点云数据；将待分割点云数据输入预设的神经网络模型，以从所述神经网络模型中得到一个或多个种子点、以及用于为区域生长提供判定标准的相似性度量阈本文档来自技高网...
【技术保护点】
1.一种基于区域生长的点云分割方法，其特征在于，包括：
2.根据权利要求1所述的基于区域生长的点云分割方法，其特征在于，将所述待分割点云数据输入预设的神经网络模型，以从所述神经网络模型中得到一个或多个种子点、以及用于为区域生长提供判定标准的相似性度量阈值参数的步骤包括：
3.根据权利要求2所述的基于区域生长的点云分割方法，其特征在于，利用所述神经网络模型，对所述待分割点云数据进行特征提取，得到点云特征的步骤包括：
4.根据权利要求2所述的基于区域生长的点云分割方法，其特征在于，利用所述神经网络模型，基于所述点云特征，进行种子点预测，得到一个或多个所述种子点的步骤包括：
5.根据权利要求2所述的基于区域生长的点云分割方法，其特征在于，利用所述神经网络模型，基于所述点云特征和所述种子点，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数的步骤包括：
6.根据权利要求5所述的基于区域生长的点云分割方法，其特征在于，利用所述神经网络模型中的第二全连接层，联合所述第二加权特征和预先获取的待分割点云数据的点云密度，进行相似性度量
7.根据权利要求1所述的基于区域生长的点云分割方法，其特征在于，基于所述种子点和所述相似性度量阈值参数，进行各点云区域的生长，得到与所述种子点一一对应的区域生长聚类，完成点云分割的步骤包括：
8.根据权利要求1所述的基于区域生长的点云分割方法，其特征在于，所述神经网络模型的训练步骤包括：
9.一种基于区域生长的点云分割系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于区域生长的点云分割方法，其特征在于，包括：
2.根据权利要求1所述的基于区域生长的点云分割方法，其特征在于，将所述待分割点云数据输入预设的神经网络模型，以从所述神经网络模型中得到一个或多个种子点、以及用于为区域生长提供判定标准的相似性度量阈值参数的步骤包括：
3.根据权利要求2所述的基于区域生长的点云分割方法，其特征在于，利用所述神经网络模型，对所述待分割点云数据进行特征提取，得到点云特征的步骤包括：
4.根据权利要求2所述的基于区域生长的点云分割方法，其特征在于，利用所述神经网络模型，基于所述点云特征，进行种子点预测，得到一个或多个所述种子点的步骤包括：
5.根据权利要求2所述的基于区域生长的点云分割方法，其特征在于，利用所述神经网络模型，基于...
【专利技术属性】
技术研发人员：徐开明，姜裕标，张林，陈洪，高大鹏，冯国涛，杨升科，许可，何宇，陈强，
申请(专利权)人：中国空气动力研究与发展中心低速空气动力研究所，
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。