[发明专利]一种基于超点图的大规模点云语义分割方法

说明书

本发明提出了一种基于超点图的大规模点云语义分割方法，其主要内容包括：几何均匀分区、超点图形构建、嵌入超点、语义分割、训练和测试，其过程为，先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，接着在每个超点中选择固定大小的维度，通过嵌入向量计算出描述符，最后由于超点的图形比原始点云上建立的图形小，通过基于图卷积的深度学习算法，利用丰富的边缘特征来对其节点进行分类，超点根据超边缘传递的信息细化嵌入。本发明解决了大型三维点云上的语义分割问题，超点图在深度学习框架的基础上处理大规模数据，在保留微小细节的同时提高了分割效率。

技术领域

本发明涉及语义分割领域，尤其是涉及了一种基于超点图的大规模点云语义分割方法。

背景技术

语义分割就是机器自动分割并识别出图像中的内容，可以说是图像理解的基础性技术，在自动驾驶系统、无人机应用以及穿戴式设备应用中举足轻重。众所周知，图像是由许多像素组成，而“语义分割”顾名思义就是将像素按照图像中表达语义含义的不同进行分割，语义分割是人工智能领域中一个重要的分支，是机器视觉技术中关于图像理解的重要一环，在近年的自动驾驶技术中，在车载摄像头探查到行人、车辆或树木和电线杆等障碍图像后，后台计算机可以自动将图像分割归类，提示驾驶员采取相应避让措施。另外，语义分割可以逐像素处理医学影像，按一定语义分割医疗仪器拍摄到的图像，可以检测心脏病变、分割肿瘤、龋齿等，以辅助医生诊断病情。此外，还可以在无人机上安装摄像头，无人机通过拍摄周边环境，利用语义分割技术对环境中的建筑物、植物、道路等进行分割，从而判断着陆点。在机器人应用领域，机器人接收指令后，内置计算机开始调用摄像头拍摄周边物体并利用图像分割技术识别物体，可以有效绕开障碍物，到达指令所述的目的地完成任务，极大地方便了人们的生活。虽然在点云语义分割方面的研究颇多，但是可用的数据规模较小且结构模糊，这导致卷积神经网络在不规则数据上处理图像时效率低下，因此在大型三维点云上的语义分割依然存在挑战。

本发明提出了一种基于超点图的大规模点云语义分割方法，使用基于深度学习的框架来处理数百万点的大规模点云语义分割。首先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，接着在每个超点中选择固定大小的维度，通过嵌入向量计算出描述符，最后由于超点的图形比原始点云上建立的图形小，通过基于图卷积的深度学习算法，利用丰富的边缘特征来对其节点进行分类，超点根据超边缘传递的信息细化嵌入。本发明解决了大型三维点云上的语义分割问题，超点图在深度学习框架的基础上处理大规模数据，在保留微小细节的同时提高了分割效率。

发明内容

针对语义分割中数据规模较小且结构模糊的问题，本发明的目的在于提供一种基于超点图的大规模点云语义分割方法，使用基于深度学习的框架来处理数百万点的大规模点云语义分割。先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，接着在每个超点中选择固定大小的维度，通过嵌入向量计算出描述符，最后由于超点的图形比原始点云上建立的图形小，通过基于图卷积的深度学习算法，利用丰富的边缘特征来对其节点进行分类，超点根据超边缘传递的信息细化嵌入。

为解决上述问题，本发明提供一种基于超点图的大规模点云语义分割方法，其主要内容包括：

(一)几何均匀分区；

(二)超点图形构建；

(三)嵌入超点；

(四)语义分割；

(五)训练和测试。

其中，所述的几何均匀分区，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。