[發明專利]基于顯著點采樣的點云數據分類和分割方法

有效

• 申請號: 202011020289.5
• 申請日: 2020-09-25
• 公開（公告）號: CN112085123B
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 白靜;徐浩鈞
• 申請（專利權）人: 北方民族大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06K9/62;G06V10/46;G06V10/26;G06N3/04;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 馮炳輝

本發明公開了一種基于顯著點采樣的點云數據分類和分割方法，提出基于顯著點采樣的點云數據分類和分割網絡，兩個網絡主干部分由新的顯著點采樣算法(SPS)和多尺度局部顯著特征提取網絡(MS?LSFE)構成，SPS和MS?LSFE都可以靈活地插入到其它網絡中，以輔助采樣或特征提取。為了方便調用，本方法將SPS和MS?LSFE進行封裝，形成多尺度顯著特征提取模塊(MS?SFE)，實現了性能和參數量的平衡。本發明在標準公開數據集ModelNet40上進行分類試驗，確保參數數量只有0.3×10⁶的同時分類精度達到92.42％；在標準公開數據集ShapeNet、S3DIS和Semantic3D上進行分割實驗，分別可以達到85.1％、61.8％、65.8％的分割精度。上述分類分割結果在同類工作中處于領先或相當的水平，驗證了本方法可行性和有效性。

技術領域

本發明涉及計算機圖形學、計算機視覺與智能識別的技術領域，尤其是指一種基于顯著點采樣的點云數據分類和分割方法。

背景技術

隨著激光雷達、立體攝像機等三維點云采集設備的普及以及自主機器人、自主駕駛等相關領域的發展，為了避免代價高昂的網格重建，直接處理點云的需求越來越大。因此，3D點云的大型存儲庫開始出現，卷積神經網絡(CNNs)正成為極大提高點云處理能力的最重要技術之一。

點云模型的應用場景，如無人駕駛，多為需要實時獲取點云數據初步完成分割和識別并快速形成決策，同時要求網絡裝載在嵌入式設備中，這就要求網絡參數量小，占用資源較少。

早期對點云數據的使用一般停留在針對特定任務進行的手工提取特征，Bronstein等(Bronstein M M，Kokkinos I.Scale-invariant heat kernel signaturesfor non-rigid shape recognition[C]//Proceedings of The Twenty-Third IEEEConference on Computer Vision and Pattern Recognition，CVPR 2010，SanFrancisco，CA，USA，13-18June 2010.IEEE，2010.)提出提取點的某些統計特性，并且將其設計為針對某些變換(如距離等)該點特征不變。但是手工提取特征的方法不具有普適性且速度較慢，不能滿足日益增長的需求。

近年來，深度學習已成為人工智能領域中備受矚目的研究熱點。作為經典的深度學習數據，卷積神經網絡已成為許多先進的計算機視覺算法的基礎，例如圖像識別、對象分類和語義分割等。卷積神經網絡可以從海量數據中自動學習特征的表示，并且能夠針對新的應用從訓練數據中很快學習得到新的有效的特征表示。盡管經典的卷積神經網絡數據在二維圖像領域取得了巨大的成功，但在處理三維數據上仍存在著挑戰。

Qi等(C.R.Qi，H.Su，K.Mo，and L.J.Guibas.Pointnet:deep learning on pointsets for 3d classification and segmentation[C]//Proceedings of the IEEEConference on Computer Vision and Pattern Recognition，pages 652–660，2017.)針對點云數據的特性提出的PointNet網絡首次將深度學習應用于點云分類任務.PointNet利用T-Net實現數據及特征的有效對齊，利用Maxpooling對稱函數提取順序無關的全局特征，在ModelNet40上取得了89.20％的分類精度.但PointNet無法提取點云數據的局部特征，之后出現的一系列工作都針對如何有效提取點云的局部特征而設計。