[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

说明书

本发明提供了一种基于局部点云位置关系的点云特征提取方法，使用公开三维点云数据集作为数据来源，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；对排序后的数据采用位置信息编码方式提取并保存点云在Zorder序列中的位置信息从而进行进一步地数据增强；构建网络模型，基于Pointnet++网络结构构建一个迭代的特征提取网络模型；在网络模型中应用局部区域的注意力机制，以突出关注重要区域的重要特征；将特征提取网络得到的点云特征分别应用于点云分类、分割任务中，进行模型训练并对结果进行对比与展示。本发明的有益效果是：有效的提高网络的可靠性与鲁棒性，能够为更高层的应用如分类分割等提供更精确的结果。

技术领域

本发明涉及三维点云数据处理领域，尤其涉及一种基于局部点云位置关系的点云特征提取方法。

背景技术

三维点云数据相比于二维图像数据而言包含的信息更为丰富、完整，所表示物体或场景更加直观友好，更利于让计算机理解，伴随着科技的发展，三维点云数据在各个领域如自动驾驶、机器人、高精度地图的广泛应用，越来越受到工业界和学术界的重视与青睐。传统三维点云数据处理的方法已经难以满足实际生活与应用中对精度与复杂度的要求。因运用深度学习的方法提取三维点云数据更具代表性的特征愈发显得迫切。

与二维图像规则排列的信息不同，三维点云存在着不规则性、无序性等特点，这对于提取点云的特征信息构成了一定的难度。近些年关于三维点云数据处理方法的研究已取得了很大的进展，涌现出了大量丰硕的成果。特别是随着人工智能技术的发展，基于深度学习的方法相较于传统的算法，在点云各项任务的精度上都有很大的提升。但目前不论是传统点云数据处理方法还是已有的深度学习处理点云的方法均存在一些缺陷：1)点云数据的输入以点云原始数据作为输入，是杂乱无章的，并没有能够利用点云位置之间的关系；2)对点云局部区域的特征信息的不能做到充分地利用，导致特征提取缺乏代表性。并且由于用深度学习方法来进行点云数据处理的研究近几年才开始，还处于探索阶段，目前的理论基础还不够坚实。

发明内容

针对点云数据局部结构信息无法得到充分、有效利用的问题，引入了空间填充曲线、位置信息编码以及局部区域的注意力机制，旨在获得更具代表性和区分度的点云特征。本发明提供了一种基于局部点云位置关系的点云特征提取方法，主要包括以下步骤：

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。

进一步地，步骤S1具体为：

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。

进一步地，步骤S2具体为：