[发明专利]一种基于局部点云位置关系的点云特征提取方法

权利要求书

1.一种基于局部点云位置关系的点云特征提取方法，其特征在于：包括以下步骤：

S1：从公开的三维点云数据集中得到原始点云数据，对原始三维点云数据依据空间填充曲线—Z曲线的编码规则进行编码并排序；

S2：采用正余弦函数的位置信息编码技术对排序后的原始点云数据进行编码，编码完成后的数据与原始点云数据进行融合，得到数据增强后的点云数据；

S3：基于Pointnet++网络结构，对点云数据进行分组采样，然后在每个分组上迭代地使用采样层和多层感知机层这样的网络结构来提取特征，以此构建一个迭代的特征提取网络模型；

S4：结合注意力机制，在所述特征提取网络模型中对关键点的局部邻域内的点云数据进行点云特征提取，得到局部邻域的点云特征向量；

S5：将步骤S1-S4的点云特征向量提取方法分别应用于点云分类、分割任务中，用于得到具体的点云分类结果，并对结果进行对比与展示。

2.如权利要求1所述的一种基于局部点云位置关系的点云特征提取方法，其特征在于：步骤S1的具体步骤如下：

S11：所述公开的三维点云数据集包括标准数据集modelnet40、shapenet、S3DIS，作为原始点云数据的来源；

S12：对所有原始点云数据依据空间填充曲线—Zorder曲线的编码规则进行编码，得到Zorder值；

S13：对所述Zorder值按照从大到小的顺序进行排序，得到这些点云数据在Z曲线中的序列编号，也即位置信息。

3.如权利要求1所述的一种基于局部点云位置关系的点云特征提取方法，其特征在于：步骤S2具体为：

S21：对按照Zorder值大小排序后的点云数据，采用正余弦函数的位置信息编码技术进行编码，使用的正余弦函数位置信息编码技术如公式1和公式2所示：

上式中d_model表示编码的维度，pos表示编码顺序，PE(pos；2i)和PE(pos；2i+1)表示编码的偶数维度和奇数维度值分别用正弦函数和余弦函数计算；

S22：对每个原始点云数据使用Zorder曲线序列的位置信息编码技术编码完成后，将所得到的数据与原始点云数据相融合，形成增强后的点云数据。

4.如权利要求1所述的一种基于局部点云位置关系的点云特征提取方法，其特征在于：步骤S3具体为：

S31：基于Pointnet++网络结构，采用平均采样方式进行关键点的采样；

关键点采样流程如下：假设根据Zorder值排序后得到的点云数据集合为其中上标{1,2,…,N}表示点云数据经过Zorder曲线编码排序后的序列，即点与点之间的逻辑距离，若随机选取xⁿ为关键点，则下一个关键点为x^(n+d)％N，d＝N/M，N为点云数据的总量，M为采样的关键点数量；

S32：采样得到关键点后，使用球邻域法，通过分组构建每个关键点的局部邻域，即以每个关键点为原点，r为半径所形成的球邻域所有点归为一组局部邻域点，得到分组层；分组层输入大小为M×(3+C)的点集，其中M为关键点数目，3表示点云的坐标维度，C表示关键点的特征维度，分组层的输出大小为M×K×(3+C)，K表示每个关键点的相邻点数量；

S33：为了提取每个关键点的局部邻域特征，对每个关键点先进行坐标转换，转换为以关键点为原点的三维局部坐标系，然后对局部区域内的每个点使用一个PointNet多层感知机进行特征提取，就是对局部区域内的K个点输入至PointNet多层感知机中，得到K个大小为1×(3+C′)的特征，C′是得到的新的特征维度，最后使用最大池化方法将K个点的特征进行聚合，最终得到大小为1×(3+C′)的点云特征，该特征即代表关键点的局部邻域特征；

S34：交替使用采样层与PointNet多层感知机层，堆叠形成基于一个迭代的特征提取网络模型。