[發明專利]一種基于圖卷積和形狀描述子的三維點云分類方法

在審

• 申請號: 202111202916.1
• 申請日: 2021-10-15
• 公開（公告）號: CN113936176A
• 公開（公告）日: 2022-01-14
• 發明（設計）人: 苑慶賢;劉睿;王明磊
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提出了一種基于圖卷積和形狀描述子的三維點云分類方法，將形狀描述子加入到圖卷積神經網絡中。該方法首先按照圖卷積的一般流程將點云中點與點之間的關系用鄰接矩陣表示出來，然后利用形狀描述子描繪點的鄰域空間的特征，作為三維點云的局部特征加入到圖卷積中去，在一定程度上彌補了譜域圖卷積對于局部特征處理的不足。然后將原本的特征與形狀描述子結合到一起，使用圖卷積神經網絡進行聚合，最終得到最后的分類結果。本發明將形狀描述子與圖卷積結合到一起，使得圖卷積操作能夠有效聚合局部特征，從而獲得更加全面的信息表示，能夠更好的提高三維點云的分類結果。

技術領域：

本發明涉及一種基于圖卷積和三維形狀描述子的分類方法，該方法在點云處理領域或者三維模型處理領域中有著很好的應用。

背景技術：

目前，隨著深度學習的不斷發展，用來處理歐氏空間數據的傳統卷積神經網絡在某些領域陷入了瓶頸，而用來處理非歐氏空間數據的圖卷積神經網絡開始逐漸興起，并且有著良好的發展勢頭，在各大領域比如交通預測、自然語言處理、計算機視覺等領域都有著十分廣泛的應用。過去，針對點云的無序性和旋轉性，往往使用PointNet系列神經網絡來執行點云分類以及分割任務，而使用圖卷積神經網絡也可以很好規避掉由于點云無序性和旋轉性所帶來的問題來執行點云分類，但是與PointNet系列神經網絡相比，圖卷積神經網絡本質上是在不斷地聚合節點信息來獲得最終的全局特征，這導致圖卷積神經網絡在一定程度上忽略了局部特征的提取，因此單純的使用圖卷積來對點云進行分類任務的方法還存在著提升空間。

發明內容：

為了更好的對三維點云執行分類任務，本發明公開了一種基于圖卷積神經網絡和形狀描述子的三維點云分類方法。

為此，本發明提供了如下技術方案：

1.基于圖卷積神經網絡和形狀描述子的三維點云分類方法，其特征在于，該方法包括以下步驟：

步驟1：讀取點云格式的三維模型數據，并對讀取后的點云數據進行采樣。

步驟2：對采樣后的點云數據，對每個目標點使用KNN算法獲得鄰接關系，從而構建圖卷積操作所需要的鄰接矩陣，進而計算得出拉普拉斯算子。

步驟3：在進行步驟2的同時，可以獲得目標點與鄰居點構成的局部區域，在每個局部區域中，計算出該區域的質心點坐標。

步驟4：在每個目標點的局部區域中，計算這個區域的形狀描述子，形狀描述子包括D1、D2、D3、A3，其中，D1是指區域中的點與區域質心的歐式距離，D2是指區域中的任意兩點之間的歐氏距離，D3是指區域中的任意三點所構成的三角形的面積，A3是指三角形中某一角的角度；并在計算出的數據中各選取一個合適的數據，作為除了目標點坐標信息之外的局部特征信息以待補充；依次對每個目標點做如上的計算。

步驟5：對步驟4獲得的形狀描述子，將其拼接到對應的點的坐標信息之后，形成新的數據表示，然后將其投入到設計好的圖卷積神經網絡中去，最終得到分類的結果。

2.根據權利要求1所述的基于圖卷積神經網絡和形狀描述子的三維點云分類方法，所述步驟1中，具體步驟為：

步驟1-1程序中讀入點云格式的三維模型數據。

步驟1-2設置采樣點數，并按照順序采樣的方式對點云進行采樣操作。

3.根據權利要求1所述的基于圖卷積神經網絡和形狀描述子的三維點云分類方法，所述步驟2中，要獲取目標點的鄰居點與拉普拉斯矩陣，具體步驟為：

步驟2-1利用KNN算法選擇每個目標點的最近K個鄰居點。

步驟2-2計算每個鄰居點和目標點之間的歐式距離。

步驟2-3將所有目標點與該目標點相關的各個鄰居點之間的歐式距離計算完成后，把數據添加進鄰接矩陣中。