[发明专利]一种基于几何解缠的三维点云处理方法、装置及设备

说明书

本发明公开了一种基于几何解缠的三维点云处理方法、装置及设备。该方法包括：获取物体的点云数据并进行处理；对点云数据进行几何解缠，以根据几何变化程度划分为几何变化大的点和几何变化小的点；将点云数据输入到经训练的卷积神经网络进行特征提取和分类分割，其中所述神经网络模型用于提取点云数据的局部特征和全局特征，并利用几何注意力模块学习所述几何变化大的点和几何变化小的点之间的相互补充信息。利用本发明能够提高点云数据分类任务的准确度以及分割任务的交叉合并率。

技术领域

本发明涉及三维数据处理技术领域，更具体地，涉及一种基于几何解缠的三维点云处理方法、装置及设备。

背景技术

卷积神经网络(CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，由一个或多个卷积层(对应传统图像处理的滤波器)、全连接层和池化层等组成，卷积神经网络具有表征学习的能力。它的人工神经元可以响应一部分覆盖范围内的周围单元，低层的网络可以提取低级图像特征如边缘、线条和角等分层，高层的网络能够丛低级特征中迭代提取更复杂的特征。卷积神经网络的参数可以由反向传播优化算法求出。由于卷积神经网络使用参数较少，在大规模图像处理相关任务上有出色表现。

点云(Point Cloud)是在逆向工程中通过测量仪器得到的产品外观表面的点数据集合，点云数据除了具有几何位置以外，还可能有颜色信息。颜色信息通常是通过相机获取彩色影像，然后将对应位置的像素的颜色信息(RGB)赋予点云中对应的点。强度信息的获取是激光扫描仪接收装置采集到的回波强度，该强度信息与目标的表面材质、粗糙度、入射角方向，以及仪器的发射能量，激光波长有关。

然而，在使用卷积神经网络处理点云数据时，需要将点云数据转换为其他数据格式，例如将三维点云投影到二维图像作为卷积的输入神经网络，或将点云转换为体素表示，然后通过三维卷积神经网络提取特征。由于需要对点云进行数据转换，因此会导致大量内存消耗，占用较多计算机资源，并且容易丢失空间几何信息。

经分析，处理三维点云数据的现有方案存在的主要问题是：

1)三维点云数据与二维图片不同，三维点云数据是无规则结构的，多视图投影技术将非标准化的三维点云投影为二维图像，然后对二维图像进行处理。但是由于遮挡，投影过程本身将引起一些数据丢失，并且数据转换过程需要大量的计算。

2)体素变换方法将非标准化点云数据转换为空间体素数据，该过程可以减轻数据丢失的问题。但是，变换后的体素数据是高度冗余的，并且具有大量数据。

3)一维卷积神经网络可以直接操作并处理非标准化点云数据，其基本思想是学习每个点的空间编码，然后将所有单个点特征聚合为一个整体表示。但是这种设计不能完全捕捉点之间的关系。

4)点云卷积的增强版本可以根据基础空间的距离测量将点云划分为重叠的局部区域，并使用二维卷积来提取捕获精细几何图形的局部特征邻域结构。但是，它仍然仅考虑每个点的局部区域，而不能将点云上的相似局部特征相关联。

5)动态图卷积可以在保持置换不变性的同时捕获点云的局部几何形状，并使用每个图层生成的特征。然而在这种方式下，所有点或局部点云被同时缠绕在一起处理，存在大量的冗余信息，使得神经网络无法捕捉到最重要的几何信息。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种基于几何解缠的三维点云处理方法、装置及设备。

根据本发明的第一方面，提供一种基于几何解缠的三维点云处理方法。该方法包括以下步骤：

获取物体的点云数据并进行处理；

对点云数据进行几何解缠，以根据几何变化程度划分为几何变化大的点和几何变化小的点；