[发明专利]一种基于深度特征表达的三维点云语义分割方法

说明书

本发明公开了一种基于深度特征表达的三维点云语义分割方法。包括步骤1：搜集三维点云相关的数据集进行处理，用于模型的训练；步骤2：在模型训练过程中，对数据进行预处理；步骤3：建立深度网络模型，将点云数据输入到边缘特征模块获得边缘特征输入到U‑Inception模块得到的特征张量输入到注意力权重模块；如上操作重复多次，每次得到的结果整合后输入到语义分割模块，得到最终的语义标签赋予结果；步骤4：将步骤2处理后得到的数据送入步骤3建立的网络的参数进行训练；步骤5：模型进行测试。本发明实现了对点云中隐含信息的充分提取，解决了三维点云特征处理过程中的局部信息丢失问题，减少了所需参数量，精度高，速度快。

技术领域

本发明涉及一种基于深度特征表达的三维点云语义分割方法，属于计算机视觉技术领域。

背景技术

三维点云语义分割是计算机视觉领域的一种基础技术，具有广泛的应用背景，例如自动驾驶、机器人路径规划、自主导航等。随着硬件水平和软件技术的高速发展，3D点云数据的规模正在迅速增大，使得数据的处理与分析工作量显著增长，如何从海量数据中提取有用的信息来解决具有场景特异性的问题，是当前三维视觉领域重要的研究方向。传统的三维点云分割得到的只是物体边界分割，而语义分割则是在边界分割的基础上，赋予每个物体特定的标签，使其具有特定的含义，成为了场景理解的关键技术。传统方法处理三维数据后，还需要人工对分割完的数据进行标注，这也一定程度上增大了工作量，影响了工作效率。为此，我们更加迫切需要一种基于数据驱动的方法来解决语义分割问题。随着深度学习在视觉领域的广泛应用，直接在三维点云上进行深度学习受到更多关注。由于点云具有无序性和非结构性，一些传统方法无法直接应用到三维点云上，必须将点云数据经过一些预处理，而这些预处理又会造成一定原始信息的损失。

针对现有的点云语义分割方法，存在以下问题：(1)三维点云数据量远远大于二维数据表达方式。(2)三维点云具有无序性，相比于图像这样的规整网格格式较难处理。(3)三维点云缺少图像的纹理信息，加大了语义分割的难度。(4)点云运用范围较广，涉及的算法多种多样，如何从大量算法中选择合适的进行创新。(5)三维空间内点云的稀疏性使得大多数空间算子效率低下，如何设计适合的空间算子。(6)由于三维点云具有的无序性和非结构性，点与点间隐含的关系难以表示。

发明内容

为了解决以上问题，本发明设计了一种基于深度特征表达的三维点云语义分割方法，该方法重点优化网络在领域搜索和边缘特征处理方面的工作，以获得良好的语义分割性能。

为达到上述目的，本发明提供如下技术方案：

步骤1：搜集三维点云相关的数据集，将数据集中的点云进行处理，用于模型的训练；

步骤2：在模型训练过程中，对数据进行预处理；

步骤3：建立深度网络模型，所述深度网络模型由5个模块组成，包括边缘特征模块、U-Inception模块、注意力权重模块、语义分割模块；将点云数据输入到边缘特征模块，该模块获得的边缘特征输入到U-Inception模块进一步进行特征提取，U-Inception模块得到的特征张量输入到注意力权重模块；如上操作重复多次，每次重复得到的结果整合后输入到语义分割模块，得到最终的语义标签赋予结果；

步骤4：将步骤2处理后得到的数据送入网络，对步骤3建立的网络的参数进行训练；

步骤5：对于步骤4中的模型进行测试。

进一步地，步骤3中特征提取模块具体实现为：将输入的大小为B×N×C的原始点云数据通过KNN(K-最近邻搜索)获取每个点的K个邻点，B代表点云数量，N代表点的特征向量维数，C代表每个点云中采样点的个数，并按照点在点云中的排列顺序将所有邻点排列在大小为B×N×C×K的邻点张量中，将原始点云复制K次作为大小为B×N×C×K的点云张量，将邻点张量和点云张量相减，得到边缘特征张量，输出大小为B×N×C×K的边缘特征张量和B×N×C×K的点云张量；