[发明专利]一种基于多尺度特征学习的三维点云标记方法和装置

权利要求书

1.一种基于多尺度特征学习的三维点云标记方法，其特征在于，所述方法包括：

获取待标记的三维点云数据集，并提取该三维点云数据中各点的多维特征形成点云特征矩阵；

将所述点云特征矩阵作为多尺度特征学习网络的输入以计算所述三维点云数据集中的各点的多尺度空间特征；

将所述多尺度空间特征输入多层感知器中以实现对三维点云中各点的属性标记；

在将点云特征矩阵输入所述多尺度特征学习网络时，所述方法包括：

基于局部与全局特征融合模块对所述点云特征矩阵进行点云内部信息融合，并将完成信息融合后的点云特征矩阵作为所述多尺度特征学习网络的输入；以及

基于局部与全局特征融合模块对所述多尺度空间特征再次进行点云内部信息融合，并将完成信息融合的多尺度空间特征作为所述多层感知器的输入；

所述多尺度特征学习网络包括特征串联融合模块和用于学习三维点云数据集中各点的不同尺度特征的多个特征学习子网络；将所述点云特征矩阵作为多尺度特征学习网络的输入以计算所述三维点云数据集中的各点的多尺度空间特征的步骤包括：

将所述点云特征矩阵分别输入各所述特征学习子网络中，以使每个特征学习子网络基于该点云特征矩阵提取对应各点的局部区域特征信息，并将该局部区域特征信息扩展至所述三维点云数据集中的各点，以得到不同尺度下的点云空间特征，所述特征学习子网络包括特征上 采样单元和特征下采样单元，所述特征下采样单元用于从所述三维点云数据集中随机选择一组关键点，并在所述关键点周边选取固定数量的邻域点，基于所述邻域点构建局部区域，通过所述多层感知器和最大值池化层提取所述局部区域特征信息；所述特征上采样单元用于采用基于距离的特征插值层生成新的特征，并利用所述多层感知器对所述新的特征进行泛化；

将基于各所述特征学习子网络得到的多个不同尺度下的点云空间特征输入所述特征串联融合模块以对多个不同尺度下的点云特征信息进行特征融合得到多尺度空间特征。

2.根据权利要求1所述的基于多尺度特征学习的三维点云标记方法，其特征在于，基于该点云特征矩阵提取对应各点的局部区域特征信息，步骤包括：

基于迭代最远点采样法从所述三维点云数据集中选取第一预设数量个点；

针对所述预设数量个点中的每个点，以该点为原点，以预设值为半径搜索第二预设数量个邻域点进行局部区域构建以得到局域空间；

对所述局域空间中包含的各点特征进行逐点池化，得到包含局部邻域全局信息的局部区域特征信息。

3.根据权利要求2所述的基于多尺度特征学习的三维点云标记方法，其特征在于，将该局部区域特征信息扩展至所述三维点云数据集中的各点，以得到不同尺度下的点云空间特征，步骤包括：

步骤S112，从完成池化的局域空间中选取一个点作为待插值点，并将该待插值点的第三预设数量个邻域点作为邻域点集；

步骤S113，对所述邻域点集中的各邻域点的特征矢量进行加权平均以得到待插值点的特征矢量；

步骤S114，重复执行上述步骤S112-步骤S113，直到完成对池化后的局域空间中各点的特征泛化操作，并将扩展结果作为当前尺度下的点云空间特征信息。

4.根据权利要求3所述的基于多尺度特征学习的三维点云标记方法，其特征在于，所述待插值点的特征矢量F通过以下公式计算得到：

其中，x表示待插值点，x_i表示待插值点的邻域点，F_i表示点x_i的特征矢量，k表示邻域点的数量，w_i表示权重参数，d(x,x_i)表示待插值点x与邻域点x_i之间的欧氏距离，r为搜索半径。