[发明专利]一种点云动态区域图卷积方法、分类方法及分割方法

说明书

本发明公开了一种点云动态区域图卷积方法，以及使用这种点云动态区域图卷积方法的一种点云动态区域图分类方法和一种点云动态区域图分割方法。本发明采用了一种针对点云的新的卷积运算形式，根据构建点云图结构，通过一种非线性方法聚合多个不同邻域的点特征信息，使得神经元能够自适应的选取区域大小。与PointNet等现有的在单个点上进行分析的技术方案相比，本发明构建了多个不同的局部邻域图结构，让每个神经元都能够自适应的选取适合的邻域感受野大小，然后利用每个点与邻域点之间的联系进行类似的卷积运算获取局部特征，能够更好的结合周围邻域信息，更加有效的提取到局部几何信息，最终提高对点云数据的分类或分割的准确率。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种点云动态区域图卷积方法、分类方法及分割方法。

背景技术

点云数据包含了丰富的语义信息，具有高密度、高精度等特点，但是由于点云数据的不规则性和无序性，使得基于点云数据的语义分析仍是一项困难的挑战。早期的一些方法使用带有复杂规则的特征来进行手工提取解决此类问题。近年来随着深度学习和机器学习技术的火热增长，深度学习的方法也被引入用于点云数据的分析与处理。深度网络需要处理的数据为规则形状，点云数据从根本上说是不规则的，并且点云数据的空间分布不受点云的排列方式的影响，所以使用深度学习模型处理点云数据的常用方法是将原始点云数据转换成网格、体素、树形等数据结构形式。一些先进的深度学习网络如PointNet和PointNet++是专门为了处理点云的不规则性而设计，它可以直接处理原始点云数据，不需要把点云数据转换成规则形状再进行处理。但PointNet和PointNet++都不支持卷积操作，且不能有效的提取到局部几何信息。

目前很多工作都集中于利用卷积操作处理点云数据。2DCNN直接拓展到3D领域，将3D空间看作体积网格，使用3D卷积进行操作。虽然3D卷积在点云分类和分割任务上取得了不错的效果，但是它们对于存储性能的高要求以及所需的高计算成本使得它们在大规模数据集和大型场景上仍然存在精度不足的问题。

综上所述，如何提高对点云数据的分类或分割的准确率成为了本领域技术人员急需解决的问题。

发明内容

针对现有技术中存在的上述不足，本发明实际解决的问题是：提高对点云数据的分类或分割的准确率。

为解决上述技术问题，本发明采用了如下的技术方案：

一种点云动态区域图卷积方法，包括：

S1、获取三维点云数据X，X＝{α₁,α₂,α₃,…,α_i,…,α_n}，α_i表示第i个点的数据，n表示所述三维点云数据中点的个数，α_i＝{x_i,y_i,z_i}，xⁱ、y_i和z_i表示αⁱ的三维坐标；

S2、对三维点云数据X进行两次独立的k近邻运算，得到两个局部特征图y和z，所述两次独立的k近邻运算的k值不同；

S3、将两个局部特征图y和z融合得到融合信息T，T＝Sum(y,z)；

S4、对融合信息T进行池化操作得到特征通信信息s₁，s₁＝MAX(T)；

S5、使用全连接层对特征通信信息s₁进行紧凑降维得到紧凑特征s₂，s₂＝FC(s₁)；