[發(fā)明專利]一種點云分類方法、分割方法及相關設備

有效

• 申請?zhí)枺?/td>: 202010018275.3
• 申請日: 2020-01-08
• 公開（公告）號: CN111242208B
• 公開（公告）日: 2023-05-02
• 發(fā)明（設計）人: 鄒文斌;彭文韜;田時舜;李霞;徐晨
• 申請（專利權）人: 深圳大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/26;G06V10/44;G06V10/82;G06N3/0464;G06N3/048
• 代理公司: 深圳市君勝知識產(chǎn)權代理事務所(普通合伙) 44268
• 代理人: 溫宏梅;王永文

本發(fā)明提供了一種點云分類方法、分割方法及相關設備，基于圖卷積網(wǎng)絡結構和通道注意力機制構建出點云分類模型和點云分割模型，并使用構建出的所述點云分類模型和點云分割模型對三維點云進行分類和分割，所述點云分類模型和點云分割模型均包括至少一個KNN圖卷積模塊和通道注意力模塊，通過所述KNN圖卷積模塊捕獲所述點云數(shù)據(jù)的局部特征，增加了特征空間中領域內(nèi)點云與點云之間的關聯(lián)，通過所述通道注意力模塊增加點云數(shù)據(jù)的通道注意力，增加了特征通道之間的相互依賴關系，加強點云的全局特征表示，從而提高了利用深度網(wǎng)絡進行三維點云的分類和/或分割的預測準確度。

技術領域

本發(fā)明涉及3D成像技術領域，尤其涉及的是一種點云分類方法、分割方法及相關設備。

背景技術

近年來，自從深度學習技術興起之后，研究者們開始探索怎樣利用深度神經(jīng)網(wǎng)絡來進行點云的特征學習，基于深度學習三維點云分類與分割也成為一個研究者們越來越重視的方向。

現(xiàn)有技術中對三維點云分類的典型處理方法為將點云數(shù)據(jù)轉換為體素表示，進而在三維深度學習模型上進行特征提取，并完成分類、分割等任務。三維體素表示形式可以完整、有效地保留了原始三維點云形狀信息，因此具有不錯的特征鑒別力。但是，這種方法對計算機內(nèi)存的開銷很大，計算速度較慢，導致在實際情況下無法使用高分辨率的體素網(wǎng)絡。

2017年由斯坦福大學的Qi等人所提出的PointNet點云深度網(wǎng)絡模型開創(chuàng)性地利用深度網(wǎng)絡直接處理不規(guī)則的三維點云原始數(shù)據(jù)，該模型以原始的三維點云作為輸入，可以同時進行分類和分割任務預測，并取得了比較好的預測效果。但是該網(wǎng)絡模型存在一個明顯的不足，即沒有考慮到點云的局部結構，不能構建鄰域內(nèi)點云與點云之間的關系，這也導致其預測的精度無法得到進一步的提高。

因此，現(xiàn)有技術有待于進一步的改進。

發(fā)明內(nèi)容

鑒于上述現(xiàn)有技術中的不足之處，本發(fā)明的目的在于為用戶提供一種點云分類方法、分割方法及相關設備，克服現(xiàn)有技術中三維點云的分類和分割任務預測由于未考慮到點云的局部結構，導致分類或預測精度無法進一步提高的缺陷。

本發(fā)明解決技術問題所采用的技術方案如下：

第一方面，本實施例提供了一種基于圖卷積和通道注意力機制的點云分類方法，其中，包括步驟：

將點云數(shù)據(jù)輸入預設點云分類模型，其中，所述點云分類模型包括：至少一個KNN圖卷積模塊和通道注意力模塊；

依次通過各個所述KNN圖卷積模塊提取所述點云數(shù)據(jù)中所含點云數(shù)據(jù)中每個頂點所有邊的特征聚合數(shù)據(jù)；

將所述特征聚合數(shù)據(jù)依次經(jīng)過多層感知器和池化處理后，得到第一全局點云特征；

將所述第一全局點云特征輸入所述通道注意力模塊，通過所述通道注意力模塊得到調(diào)整后的第二全局點云特征；

根據(jù)調(diào)整后的第二全局點云特征得到點云分類結果。

可選的，所述KNN圖卷積模塊包括邊特征提取單元和特征聚合單元；

所述依次通過各個所述KNN圖卷積模塊提取所述點云數(shù)據(jù)中所含點云數(shù)據(jù)中每個頂點所有邊的特征聚合數(shù)據(jù)的步驟包括：

將點云數(shù)據(jù)中各個點數(shù)據(jù)的中心節(jié)點特征、鄰域節(jié)點特征以及節(jié)點間的特征差值輸入所述特征提取單元，通過所述特征提取單元得到所述點云數(shù)據(jù)中點云之間所連接的邊特征；

將所述邊特征輸入特征聚合單元，通過所述特征聚合單元得到所述點云數(shù)據(jù)中各個頂點所有邊的特征聚合數(shù)據(jù)。

可選的，所述將所述第一全局點云特征輸入所述通道注意力模塊，通過所述通道注意力模塊得到調(diào)整后的第二全局點云特征的步驟包括：