[发明专利]基于深度图卷积网络的点云目标提取方法及装置在审
| 申请号： | 201911114195.1 | 申请日： | 2019-11-14 |
| 公开（公告）号： | CN110827302A | 公开（公告）日： | 2020-02-21 |
| 发明（设计）人： | 刘启亮;杨柳;邓敏;刘文凯 | 申请（专利权）人： | 中南大学 |
| 主分类号： | G06T7/11 | 分类号： | G06T7/11;G06T7/521;G06T17/05;G06N3/04;G06N3/08 |
| 代理公司： | 长沙轩荣专利代理有限公司 43235 | 代理人： | 李喆 |
| 地址： | 410000 湖南*** | 国省代码： | 湖南;43 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 基于 深度 图卷 网络 目标 提取 方法 装置 | ||
1.一种基于深度图卷积网络的点云目标提取方法，其特征在于，包括：
将城市场景点云数据划分为多个超点；
获取所述多个超点中每个超点的局部特征；
根据所述多个超点之间的拓扑连接关系，构建空间拓扑图；
基于所述空间拓扑图，构建深度图卷积网络；
根据所述深度图卷积网络和所述多个超点中每个超点的局部特征，得到每个超点内各点的标签。
2.根据权利要求1所述的方法，其特征在于，所述多个超点中每个超点的局部特征包括：该超点的法向量、该超点的主方向、该超点的高度、该超点的特征值属性以及该超点的几何形状属性。
3.根据权利要求1所述的方法，其特征在于，所述多个超点与所述空间拓扑图中的多个节点一一对应。
4.根据权利要求3所述的方法，其特征在于，
所述基于所述空间拓扑图，构建深度图卷积网络的步骤，包括：
通过公式Hl+1＝Hl+GCN(Hl)构建深度图卷积网络；其中，Hl+1表示深度图卷积网络第l+1层的输出，Hl表示深度图卷积网络第l层的输出，GCN()表示半监督的图卷积。
5.根据权利要求1所述的方法，其特征在于，所述根据所述深度图卷积网络和所述多个超点中每个超点的局部特征，得到每个超点内各点的标签的步骤，包括：
分别针对所述多个超点中每个超点，通过将该超点的局部特征作为所述深度图卷积网络的输入特征，得到该超点内各点的标签。
6.一种基于深度图卷积网络的点云目标提取装置，其特征在于，包括：
划分模块，用于将城市场景点云数据划分为多个超点；
获取模块，用于获取所述多个超点中每个超点的局部特征；
第一构建模块，用于根据所述多个超点之间的拓扑连接关系，构建空间拓扑图；
第二构建模块，用于基于所述空间拓扑图，构建深度图卷积网络；
提取模块，用于根据所述深度图卷积网络和所述多个超点中每个超点的局部特征，得到每个超点内各点的标签。
7.根据权利要求6所述的装置，其特征在于，
所述第二构建模块，具体用于通过公式Hl+1＝Hl+GCN(Hl)构建深度图卷积网络；其中，Hl+1表示深度图卷积网络第l+1层的输出，Hl表示深度图卷积网络第l层的输出，GCN()表示半监督的图卷积。
8.根据权利要求6所述的装置，其特征在于，
所述提取模块，具体用于分别针对所述多个超点中每个超点，通过将该超点的局部特征作为所述深度图卷积网络的输入特征，得到该超点内各点的标签。
9.一种基于深度图卷积网络的点云目标提取设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的基于深度图卷积网络的点云目标提取方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于深度图卷积网络的点云目标提取方法的步骤。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中南大学，未经中南大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201911114195.1/1.html，转载请声明来源钻瓜专利网。
