[发明专利]一种非等效三维点云分割方法

说明书

本发明提供了一种非等效三维点云分割方法，首先构建原始点云数据集并进行训练集与测试集的划分，其次对训练集数据进行预处理，使各点云点数变为同一规格，再设计卷积神经网络模型，分别计算点云中各点和与其不在同一分割区域的点之间的距离，并选取两点之间最小的距离值构造距离矩阵，通过设计惩罚函数并作用于距离矩阵，使得靠近分割区域交界处的点的值变大，而远离交界处的点的值变小，并将惩罚后的距离矩阵与模型损失函数相乘，使得分割模型在训练过程中优化损失计算，强化分割区域交界处点的误差反馈，提高点云分割精度，最后利用测试集对所设计模型的分割性能进行评估。本发明可实现对非等效三维点云的快速分割，并且具有很高的分割精度。

技术领域

本发明涉及三维点云分割技术领域，特别是涉及一种非等效三维点云分割方法。

背景技术

点云分割是将点云划分为多个同质区域的过程，同一区域内的点将具有相同的属性，其方法主要有两种：第一种方法是使用纯数学模型和几何推理技术进行分割，如区域增长或模型拟合等，这种方法原理简单，易于编程，但是自动化程度不高，分割结果不够准确；第二种方法是使用机器学习技术进行分割，该方法提高了点云分割准确度，但耗时较长，并可能导致分割结果过度。

近年来，以卷积神经网络为代表的深度学习算法在诸多领域表现出很好的效果，并为点云分割提供了新的方法。目前，运用深度学习进行点云分割的研究大多针对点云数量多变与无序的特点进行展开，都未考虑在实际的分割过程中点云所存在的非等效性问题，即点云分割区域交界处的点对于分割结果的影响程度大于远离交界处的点。因此，在采用深度学习方法进行点云分割时，需要解决点云的非等效性对分割精度造成的影响。

发明内容

本发明要解决的技术问题是：在采用深度学习方法进行点云分割时，如何避免因点云非等效性对分割精度造成的影响。

为了解决上述技术问题，本发明的技术方案是提供一种非等效三维点云分割方法，其特征在于，包括以下步骤：

步骤1：确定需要进行分割的非等效三维点云模型，并构建该模型的点云数据集；

步骤2：将点云数据集划分为训练集与测试集，其中，训练集中的点云数据用于分割模型训练，测试集中的点云数据用于对分割模型的分割性能进行评价；

步骤3：将训练集中的点云数据进行随机抽样，使各点云中的点数变为同一规格；

步骤4：设计基于卷积神经网络的点云分割模型；

步骤5：构造距离矩阵，具体为：遍历训练集中各点云模型的所有点，分别计算各点和与其不在同一分割区域的点之间的欧式距离，并选取两点之间最小的距离值构造距离矩阵，最后使得训练集中各点云模型的每个点都有距离矩阵中的一个距离值与其对应；

步骤6：设计惩罚函数，并以距离矩阵中的距离值作为惩罚函数的输入，使得越小的距离值经惩罚函数作用后输出的值越大，而越大的距离值经惩罚函数作用后输出的值越小；

步骤7：经惩罚函数作用后的距离矩阵与分割模型的损失函数相乘，实现对损失函数的加权处理，使得距离分割区域交界处越近的点因预测不准确导致的损失增加的程度越大，这样模型在训练的过程中，会着重对分割区域交界处的点进行优化；

步骤8：利用训练集中的点云数据对加权后的分割模型进行训练，在训练过程中使用小批量随机梯度下降方法以最小化模型预测输出和实际输出之间的误差，进而获得最优分割模型，并利用测试集中的点云数据对模型分割性能进行评价。

优选地，所述步骤1中，三维点云的非等效性定义为：在点云分割过程中，分割准确率由各区域交界处的点所决定，而距离区域交界处越远的点对分割准确率造成的影响越低，因此点云中各点距离分割区域交界处的远近造成了点云的非等效性。