[发明专利]大规模点云语义分割方法及系统

权利要求书

1.一种大规模点云语义分割方法，其特征在于，所述语义分割方法包括：

提取待识别点云的逐点特征，所述待识别点云由多个待识别点构成；

基于各待识别点的点云空间信息，将各逐点特征逐步编码，得到对应的点云特征：

对各待识别点进行点云降采样处理，得到多个降采样点；

从各逐点特征中筛选出所述降采样点对应的特征，筛选出的特征为已学得特征；

针对每个降采样点，根据所述降采样点的点云空间信息及对应的已学得特征，确定对应的局部空间特征；

根据所述降采样点的点云空间信息，确定对应的全局空间上下文特征；

根据所述降采样点的局部空间特征及全局空间上下文特征，确定对应的空间上下文特征，所述降采样点的空间上下文特征为点云特征；

所述根据所述降采样点的点云空间信息及对应的已学得特征，确定对应的局部空间特征，具体包括：

根据所述降采样点的点云空间信息及对应的已学得特征，进行局部空间上下文特征学习，得到局部空间上下文特征；

根据已学得特征，基于共享参数的多层感知器MLP，得到特征图；

根据所述局部空间上下文特征及特征图，得到所述降采样点的局部空间特征；

所述根据所述降采样点的点云空间信息及对应的已学得特征，进行局部空间上下文特征学习，得到局部空间上下文特征，具体包括：

根据所述降采样点的点云空间信息及，确定所述降采样点的极坐标及几何距离，所述降采样点的极坐标表示所述降采样点的局部空间上下文信息；

根据极坐标、几何距离及已学得特征，基于双距离的邻域点特征自适应融合方法，得到局部空间上下文特征；

将各点云特征逐步解码，得到对应的解码特征；

根据各解码特征，基于语义分割网络模型，确定所述待识别3D点云的语义分割预测结果。

2.根据权利要求1所述的大规模点云语义分割方法，其特征在于，所述根据所述降采样点的点云空间信息，确定所述降采样点的极坐标，具体包括：

根据以下公式，得到降采样点的初始化极坐标

其中，利用基于欧氏距离的K近邻KNN方法得到降采样点p_i的K近邻，所述K近邻包括K个近邻点为降采样点p_i的第k个近邻点在空间直角坐标系中的相对位置坐标，i表示降采样点p_i的序号，k表示近邻点的序号，k＝1，2，...，K，K表示近邻点的数量；

根据局部空间方向，确定局部空间方向的极坐标角α_i和β_i；所述局部空间方向为由降采样点p_i指向K近邻的邻域质心

根据以下公式，更新所述降采样点的极坐标更新后的极坐标表示具有局部旋转不变性：

3.根据权利要求1所述的大规模点云语义分割方法，其特征在于，所述根据极坐标、几何距离及已学得特征，基于双距离的邻域点特征自适应融合方法，得到局部空间上下文特征，具体包括：

根据所述降采样点的极坐标及已学得特征，确定特征距离及几何特征；

根据以下公式，确定加权融合参数

其中，softmax()表示归一化指数函数，MLP()表示多层感知器函数，表示连接特征，表示双距离特征，表示连接运算符；为近邻点的几何距离；为近邻点的平均L1特征距离，根据已学得特征g_i和g_k确定；λ为调整特征距离项的权重，mean()表示求均值函数；表示近邻点特征，根据几何特征和已学得特征确定；

将各邻域点特征与所述加权融合参数融合，得到局部空间上下文特征f_iL：

其中，·表示点积运算符，i表示降采样点p_i的序号，k表示近邻点的序号，k＝1，2，...，K，K表示近邻点的数量。