[发明专利]一种基于图卷积的融合方向和距离的三维点云分割方法

说明书

本发明公开了一种基于图卷积的融合方向和距离的三维点云分割方法，包括：提取出点云中所有点的坐标建立邻接矩阵；计算每个点之间的余弦相似度得到相似矩阵；选取相似度最高的前K个点构造邻域图；基于所述邻域图上点与点之间的特征进行动态图卷积，实现三维点云分割。本发明提出一种联合距离与方向的图卷积方法来进行三维点云分割，利用点与点之间的余弦相似度建立邻域图，基于邻域图上点与点之间的特征进行动态图卷积，从而更进一步获取点云的局部特征。

技术领域

本发明涉及三维点云分割的技术领域，尤其涉及一种基于图卷积的融合方向和距离的三维点云分割方法。

背景技术

目前在三维点云分割的专利下，有焦李成申请的基于分割网络和对抗网络的三维点云语义分割方法(申请号：CN202010230019.0)；冯建峰申请的一种三维点云联合语义和实例分割的方法(申请号：CN202010207999.2)；夏春秋申请的一种基于超点图的大规模点云语义分割方法(申请号：CN201810132821.9)等，没有涉及到图卷积网络。

相关论文主要有：(1)Qi C R,Su H,Mo K,et al.Pointnet:Deep learning onpoint sets for 3d classification and segmentation[C]//Proceedings of the IEEEconference on computer vision and pattern recognition.2017:652-660.首次直接将整个点云作为输入；(2)Qi C R,Yi L,Su H,et al.Pointnet++:Deep hierarchicalfeature learning on point sets in a metric space[C]//Advances in neuralinformation processing systems.2017:5099-5108.提出了层级点云特征学习的概念，改进了点云的局部划分和局部特征提取；(3)Li Y,Bu R,Sun M,et al.Pointcnn:Convolution on x-transformed points[J].Advances in neural informationprocessing systems,2018,31:820-830.提出了学习点云的X算子用来增强输入特征和点的联系，并将无序点云重新排列成隐含空间的有序点云；(4)Wang Y,Sun Y,Liu Z,etal.Dynamic graph cnn for learning on point clouds[J].Acm Transactions OnGraphics(tog),2019,38(5):1-12.构造了一个局部邻域图来学习点云的局部几何特征；(5)Te G,Hu W,Zheng A,et al.Rgcnn:Regularized graph cnn for point cloudsegmentation[C]//Proceedings of the 26th ACM international conference onMultimedia.2018:746-754.提出了正则化的卷积方法，通过切比雪夫多项式逼近来定义卷积。

以上这些研究普遍采用欧式距离来获取点与点之间的特征关系，从而获取点云的局部特征，但是在实际点云分割任务中，点与点之间的距离并不能完全代表其从属关系。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：现有技术方案普遍采用欧式距离来获取点与点之间的特征关系，从而获取点云的局部特征，但是在实际点云分割任务中，点与点之间的距离并不能完全代表其从属关系。