[发明专利]一种基于超点图的大规模点云语义分割方法

权利要求书

1.一种基于超点图的大规模点云语义分割方法，其特征在于，主要包括几何均匀分区(一)；超点图形构建(二)；嵌入超点(三)；语义分割(四)；训练和测试(五)。

2.基于权利要求书1所述的几何均匀分区(一)，其特征在于，将点云划分成几何形状，称为超点，利用这个无监督的步骤将整个点云作为输入，在几何分区计算超点图(SPG)，SPG的每个节点对应几何上简单对象的一小部分点云，其预期在语义上是均匀的，参数通过小点云下采样至数百个点来表示。

3.基于权利要求书2所述的分区，其特征在于，通用能量模型可以分割并适应局部几何复杂性，故利用通用能量模型来计算效率，把输入点云C看作一组n个三维点组成的点，由每个点i∈C定义其3D位置p_i，并把颜色或强度等其他观察值定义为o_i，对于每个点，计算几何特征d_g，用来表征其局部邻域的形状，通过自适应邻域来补偿可变采样密度，利用线性度、平面度和散射三个维度值，并引入垂直度，计算每个点的高程，用来表示归一化后p_i在整个输入云上的z轴坐标，几何均匀分区是优化问题和解的恒定连接组件，通过下式给定：

其中[·≠0]是的函数，当时，[·≠0]等于0，其他情况下等于1，系数μ为正则化强度，并用来决定所得分区的粗糙度，恒定连通分量S＝{S₁,…,S_k}是等式(1)的解决方案，用于定义几何上简单的元素。

4.基于权利要求书1所述的超点图形构建(二)，其特征在于，SPG是点云的结构化表示，定义一个定向属性图其节点是超点S的集合，超点之间的邻接关系用超边缘ε表示，用一组d_f特征注释超边缘：包含超点之间的邻接关系，将G_vor＝(C,E_vor)定义为完整输入点云对称的Voronoi邻接图，如果E_vor中有一个边缘，则S和T是相邻的两个超点，且S和T分别位于两端：

E_vor连接两个超点，从这两个超点的边缘偏移量δ(S,T)中得到超边缘(S,T)的重要相关特征：

δ(S,T)＝{(p_i-p_j)|(i,j)∈E_vor∩(S×T)} (3)

通过比较相邻超点的形状和大小来导出超边缘特征，用|S|表示超点S中包含的点的数目，λ₁,λ₂,λ₃表示每个超点所包含点的位置协方差，通过协方差导出形状的特征长度(S)＝λ₁、表面(S)＝λ₁λ₂以及体积(S)＝λ₁λ₂λ₃，按递减顺序排序。

5.基于权利要求书1所述的嵌入超点(三)，其特征在于，在每个超点S_i中，选择固定大小的维度d_z，通过嵌入向量z_i计算出描述符，每个超点都是独立嵌入的；选择一个深度学习的点网络，在网络中，输入点首先由空间变换网络进行对齐，然后由多层感知器独立处理，最后汇总以表示输入形状，其中输入形状是一个简单的几何对象，利用少量的点表示输入形状，并通过一个紧凑的点网络执行嵌入，将超点快速取样为n_p＝128，以便维持有效的批量计算并促进数据增加，替换小于n_p的超点进行采样，原则上来看这并不影响点网络最大池化的评估，然而通过实验表明：小于或等于n_minp＝40的超点在训练中会损害网络的整体表现，故将超点的嵌入设置为零，使其分类完全依赖于语义信息，为了使点网络学习不同形状的空间分布，每个超点在嵌入之前被缩放到单位球面，采用它们的归一化位置p′_i、观测值o_i和几何特征f_i来表示点，为了协调形状大小，超点的原始度量直径作为点网络最大池化之后的附加特征。