[发明专利]一种基于特征融合的三维点云的分类和分割方法

说明书

本发明提供了一种基于特征融合的三维点云的分类和分割方法。该方法包括：将三维点云划分为多个局部区域，对每个局部区域内通过KNN算法建立多尺度区域，通过图注意力卷积层提取尺度区域的细粒度尺度特征，为局部区域的每个尺度特征分配注意力权重，对局部区域的各个尺度特征按照注意力权重进行加权融合，得到包含细粒度几何信息的点云的局部区域特征；通过双向长短期记忆网络获取不同局部区域特征之间的上下文信息，将各个局部区域特征进行融合，得到点云的全局语义特征，对三维点云进行分类与分割。本发明挖掘不同局部区域的细粒度多尺度信息，结合不同尺度区域之间的相关性捕获局部区域信息，提升了三维点云场景理解中分类与分割任务的精确度。

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种基于特征融合的三维点云的分类和分割方法。

背景技术

三维点云场景理解的典型任务包括目标检测、形状分类和目标分割等，其中分类与分割任务已成为测绘地理、导航定位、自动驾驶等领域的研究重点，在现实场景中得到了广泛的应用：根据分类与分割后的树木点云数据实现树木的建模，有助于掌握森林资源的信息，进行高效的森林资源管理与决策；通过点云分类与分割技术识别蔬菜大棚中的杂草，有利于保障农作物的品质；通过对医学点云数据进行分类与分割，可以更好地辅助医生进行更为准确的诊断和治疗；通过对残缺的历史文物进行分割与重建，有利于历史文物的研究与保护。在这些复杂的应用场景中，捕获点云的细粒度局部几何信息(如距离、方向等信息)和上下文信息(点对之间以及不同区域之间的关联关系)尤为关键。

表观相似目标不能有效区分是指相邻的两个或者多个目标，由于外观形状十分相似，导致目标之间不能正确分类和分割的现象。例如：横梁、房柱、墙这类物体，它们的外观形状十分相似，只有局部几何结构和上下文细节信息有所差异，如果不能充分挖掘这些细节信息，则容易导致目标分类和分割错误。

小目标误分割是指复杂环境下，由于目标尺寸有较大差异，导致体积较小且表观细节不明显的目标，在分割过程中被误分割的现象。

分割边缘粗糙是指紧挨或重叠的目标，由于忽略了相邻目标边缘点之间的结构关系，导致目标分割轮廓不清晰的现象。

三维点云场景理解的分类与分割技术的实际应用可以有效辅助不同领域的研究工作，但是由于复杂的真实环境中存在多种因素的制约，三维点云的分类与分割方法仍有很多值得深入研究的问题，具有重要的研究价值。如何充分捕获点云的细粒度局部几何信息和上下文信息，应对复杂场景中表观相似目标不能有效区分、小目标误分割、分割边缘粗糙等问题，是一个亟待解决的问题。

现有技术中的点云分类与分割方法大多通过手工提取的方式提取点云特征，然后通过构建相应的的判别模型实现点云的分类与分割。但这些传统方法在面对种类和数量越来越多的点云数据时，存在计算成本高、细节信息丢失、准确率低等问题。

现有技术中的第一种点云分类与分割方法包括：注意力机制(AttentionMechanism)能够让网络忽略无用信息而重点关注有用信息，为了捕获更多点云的重要信息，将注意力机制引入至点云的分类与分割算法中。基于注意力机制的方法能够捕获点云的不同层次特征之间的关联关系，聚集重要信息并剔除无用信息，相比于基于RNN的方法，在捕获特征间的长期依赖关系时不受输入序列的长度限制，并且参数量少，模型更简单。

注意力机制主要通过概率分布计算注意力权重，使网络忽略无关信息而关注重点信息。图1为现有技术中的一种注意力机制的通用形式示意图。注意力机制可以看成查询(Query)到键值对(Key-vaiue)的映射，注意力权重则是指Query和每个Key的相似度。图1中，K＝(k₁，k₂，...，k_N)表示键序列，V＝(v₁，v₂，...，v_N)表示值序列，Q＝(q₁，q₂，...，q_M)表示查询序列，计算过程可分为以下三步：