[发明专利]基于几何特征提取和边缘感知编码的三维点云分割方法

说明书

本发明涉及一种基于几何特征提取和边缘感知编码的三维点云分割方法，该方法包括如下步骤：构建并训练边缘预测网络以及分割网络；边缘预测网络输入为三维点云中各个点所在邻域内的原始特征方差，输出为三维点云中各个点是否为边缘点；分割网络采用编码器解码器的结构，每一层执行以下操作：几何特征提取；几何特征与已有输入特征进行拼接；对拼接特征进行边缘感知特征提取作为下一层的输入特征；将对应分辨率下编码器的特征与解码器的特征融合得到原始分辨率的特征，使用激活函数对原始分辨率的特征进行归一化，得到每个点属于不同类别的概率。与现有技术相比，本发明提升了网络的几何特征感知能力，从而提高了点云特别是点云边缘部分的分割效果。

技术领域

本发明涉及一种三维点云分割方法，尤其是涉及一种基于几何特征提取和边缘感知编码的三维点云分割方法。

背景技术

点云是三维空间中一堆点的集合，可以用来表示三维的场景和物体。点云通常是由激光雷达、深度相机采集得到或着通过对三维mesh模型采样得到。作为三维数据的常用表征形式，点云也可以与体素以及网格等常用的三维数据表征形式相互转换。而基于点云的识别和理解技术发展缓慢。

随着深度学习的不断发展，于2017年，深度学习技术开始被应用于点云的识别和理解中。基于深度学习的点云识别和理解技术在之后的几年时间里快速发展。点云的语义分割是点云场景理解里面重要的环节，可以为后续的虚拟增强现实技术、机器人技术以及自动驾驶技术等提供强有力的支持。

现有的基于深度学习的点云语义分割方法缺乏对点云独有的几何信息的利用，有很少人工设计出来的几何特征，但是这些几何特征缺乏对输入点云的适应能力。此外现有点云特征提取过程中对所有的点不做区分，使得不同类别点的特征混合在一起，导致边缘的分割效果很差。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于几何特征提取和边缘感知编码的三维点云分割方法。

本发明的目的可以通过以下技术方案来实现：

一种基于几何特征提取和边缘感知编码的三维点云分割方法，该方法包括如下步骤：

构建并训练用于三维点云边缘预测的边缘预测网络以及用于对三维点云中各点进行分割预测的分割网络；

所述的边缘预测网络输入为三维点云中各个点所在邻域内的原始特征方差，输出为三维点云中各个点是否为边缘点；

所述的分割网络采用编码器解码器的结构，包括多层依次级联的且呈对称结构的编码器和解码器，三维点云的原始特征作为分割网络第一层的输入，同时边缘预测网络预测的边缘预测结果会在不同的尺度下进行使用，在点云进行采样的过程中，边缘预测结果随着一起下采样并与通常的下采样共享下采样的采样点，分割网络中的每一层执行以下操作：

首先，对当前采样尺度下的点云进行几何特征提取得到几何特征；

然后，将几何特征与当前层已有输入特征进行拼接得到拼接特征；

接着，基于边缘预测结果对拼接特征进行边缘感知特征提取更具有表征能力的特征并输出作为下一层的输入特征；

最后，利用跳跃链接将对应分辨率下编码器的特征与解码器的特征融合在一起，得到原始分辨率的特征，使用激活函数对原始分辨率的特征进行归一化，得到每个点属于不同类别的概率，完成点云分割。

优选地，三维点云的原始特征包括颜色、坐标、反射强度、法向量方向中的一种或多种的组合。

优选地，所述的边缘预测网络的进行边缘预测的过程包括：

对于三维点云中的每个点收集其原始特征，所述的原始特征包括多个维度；

对于每一个点的每一维特征，计算这一维特征周围邻域K个点的特征对应的方差，并将不同特征的方差作为新的输入特征送入边缘预测网络；