[發(fā)明專利]三維點云分割的方法、裝置、設備和存儲介質

在審

• 申請?zhí)枺?/td>: 202310257967.7
• 申請日: 2023-03-10
• 公開（公告）號: CN116385451A
• 公開（公告）日: 2023-07-04
• 發(fā)明（設計）人: 董秋雷;李嘉楠
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06V10/26;G06V10/764;G06V10/774;G06V10/80;G06F30/20;G06F111/04
• 代理公司: 北京路浩知識產(chǎn)權代理有限公司 11002
• 代理人: 龔利波

1.一種三維點云分割的方法，其特征在于，包括：

將三維點云輸入特征提取模型，獲得所述三維點云對應的所有第一點特征向量，作為第一點特征序列；所述第一點特征向量用于表征所述三維點云對應的屬于已知類別的任一點特征；

基于點特征映射模型，確定所述第一點特征序列映射至新特征空間的結果，作為第二點特征序列；

按照第一分類準則以及原型集，確定第二點特征向量對應的類別；所述原型集包括所有屬于已知類別的原型向量；所述第二點特征向量為所述第二點特征序列中任一個向量；

基于所述第二點特征向量對應的類別，確定所述第一點特征向量對應的類別，并對所述三維點云按照所述第一點特征向量對應的類別進行開集分割；

所述點特征映射模型是基于樣本三維點云對應的點特征，以及生成對抗網(wǎng)絡訓練得到的，所述生成對抗網(wǎng)絡用于在訓練過程中引入屬于未知類別的點特征對所述三維點云的點特征分布進行優(yōu)化。

2.根據(jù)權利要求1所述的三維點云分割的方法，其特征在于，所述生成對抗網(wǎng)絡由特征生成模型和特征判別模型構成；所述特征生成模型是基于屬于未知類別的點特征的分布先驗訓練得到的；所述特征判別模型用于區(qū)分輸入的點特征為真特征或者假特征。

3.根據(jù)權利要求2所述的三維點云分割的方法，其特征在于，所述點特征映射模型是基于樣本三維點云對應的點特征，以及生成對抗網(wǎng)絡訓練得到的，所述訓練方法包括：

基于第一噪聲集，生成與所述第一點特征向量對應的合成點特征向量，且每個所述合成點特征向量均屬于未知類別；

基于所述合成點特征向量以及屬于未知類別的點特征的分布先驗，確定所述特征生成模型的第一目標函數(shù)；所述第一目標函數(shù)用于表征所述特征生成模型生成的所述合成點特征與第一點特征的相似度；

基于所述第一點特征向量，以及所述第一點特征向量對應的所述合成點特征向量，確定所述特征判別模型的第二目標函數(shù)；所述第二目標函數(shù)用于表征所述特征判別模型區(qū)分所述合成點特征和所述第一點特征的能力；

基于原型約束模塊的第一損失函數(shù)和所述未知類別點特征的分布先驗，確定所述點特征映射模型的第三目標函數(shù)；所述第三目標函數(shù)用于表征點特征和原型向量之間的差別；

在所述第一目標函數(shù)、所述第二目標函數(shù)和所述第三目標函數(shù)滿足預設條件的情況下，完成所述點特征映射模型的訓練。

4.根據(jù)權利要求3所述的三維點云分割的方法，其特征在于，所述基于所述合成點特征向量以及屬于未知類別的點特征的分布先驗，確定所述特征生成模型的第一目標函數(shù)之前，包括：

篩選出第一概率小于預設篩選閾值的所述合成點特征向量，作為目標合成點特征向量；所述第一概率為所述合成點特征向量被判定為真特征的概率；

基于所述目標合成點特征向量和初始化后的所述原型集對應歸一化結果，確定所述屬于未知類別的點特征的分布先驗。

5.根據(jù)權利要求1所述的三維點云分割的方法，其特征在于，所述基于點特征映射模型，確定所述第一點特征序列映射至新特征空間的結果，包括：

基于點特征映射模型的非線性層，確定所述第一點特征向量映射至新特征空間的等維映射結果，作為第二點特征向量；

基于所有所述第二點特征向量，確定所述第二點特征序列。

6.根據(jù)權利要求5所述的三維點云分割的方法，其特征在于，所述按照第一分類準則以及原型集，確定第二點特征向量對應的類別之前，包括：

基于所述第二點特征序列中屬于目標已知類別的所述第二點特征向量的特征融合結果，確定屬于所述目標已知類別的原型向量；所述目標已知類別為所述第二點特征序列所屬的所有已知類別中的任一個；

基于屬于所述目標已知類別的原型向量，更新所述原型集。