[发明专利]基于多视角图结构特征注意力卷积的点云语义分割方法

说明书

基于多视角图结构特征注意力卷积的点云语义分割方法，解决了如何高精度的点云语义分割的问题，属于语义分割技术领域。本发明的编码器网络以邻域图的形式表示点云，通过图结构特征注意力分支，动态调整卷积核的权重和形状，动态适应点云不规则、无序的、分布不均匀的结构，有选择地聚焦在邻域最相关的部分，通过多视角空间特征分支，在邻域内产生更准确的空间特征描述。图结构特征注意力分支和多视角空间特征分支构成多视角图结构特征注意力卷积。再通过解码器解码，根据解码的特征向量，获得点云数据中每个点的最终语义标签。本发明可以直接处理无结构的三维点云，精确获取点云的结构特征，实现高精度的点云语义分割。

技术领域

本发明涉及一种基于多视角图结构特征注意力卷积的点云语义分割方法，属于语义分割技术领域。

背景技术

星载、机载、车载和地面激光雷达探测技术可以快速高效地进行对地观测，主动、实时、直接地获取大范围地表及地物的三维信息，生成大范围的LiDAR点云数据。LiDAR点云数据已经广泛应用在测绘生产、地物三维重建、数字地面模型建立、地表覆盖分类、变化检测、电力巡线、森林资源调查、城市规划、自动驾驶、机器人系统、增强/虚拟现实、智慧城市等领域。尽管点云应用广泛，但当面对复杂的地物结构以及大规模、不规则的地物分布时，点云的语义分割精度仍然较低，严重制约点云应用的发展。

在早期阶段，通过传统的机器学习方法，实现点云语义分割。首先，这些方法需要利用特定的专家知识，设计人工特征，包括几何特征、辐射测量特征、拓扑特征、回波特征和全波形特征等，然后，利用支持向量机、随机森林、条件随机场和马尔可夫随机场等作为分类器。这些方法无法提取原始点云的有效特征，无法应用于大规模的复杂环境中，其分类精度受到人工特征质量和分类器性能的限制。

近年来，深度学习模型已成功应用于自然语言处理、语音识别和图像分类等领域。目前，研究人员已经将深度学习中最流行的模型卷积神经网络(CNN)应用到点云语义分割。但由于卷积神经网络(CNN)仅能接收规则的数据输入，所以，许多研究人员主要关注将不规则、无序的点云转换为规则的输入，比如点云体素划分、点云不同视角投影、点云特征图集合转换等。这些点云转换处理方法不可避免导致点云原始信息的丢失，影响点云语义分割的精度。为了避免点云转换带来的信息损失，研究人员提出Pointnet、Pointnet++等点云直接处理方法，不对点云进行转换，直接处理原始点云数据，这类方法可以更好地利用点云的几何结构信息，比点云转换处理方法具有更高的识别精度。

点云转换处理方法和点云直接处理方法等所有上述方法的卷积核均具有固定的感受野，卷积核的形状和权重均是固定的，忽略了点云对象的潜在几何结构信息，缺乏灵活性，不能适应点云不规则、无序的、分布不均匀的结构，导致部分点云对象分割效果不佳。

发明内容

针对如何高精度的点云语义分割的问题，本发明提供一种基于多视角图结构特征注意力卷积的点云语义分割方法。

本发明基于多视角图结构特征注意力卷积的点云语义分割方法，包括：

S1、获取点云数据；

S2、将点云数据输入编码器网络，提取点云数据的多尺度特征，编码器网络包括五个依次连接的编码器层，每个编码器层包括采样层和多视角图结构特征注意力卷积层；

采样层对点云进行采样，将采样点作为参考点，获取参考点的邻域点，构建参考点的邻域图；

多视角图结构特征注意力卷积层包括图结构特征注意力分支和多视角空间特征分支；

将参考点及其邻域点同时输入至图结构特征注意力分支和多视角空间特征分支；