[发明专利]点云的分割方法、装置及计算机存储介质

权利要求书

1.一种点云的分割方法，其特征在于，包括：

获取待分割的点云数据；

采用优化的图卷积神经网络模型对所述待分割的点云数据进行分割；所述优化的方式包括：对特征信号进行优化处理和/或对图卷积层的数量进行优选；

输出所述待分割的点云数据的分割结果；

所述优化的图卷积神经网络模型包括多个优化的图卷积特征学习层及分割层，每个所述优化的图卷积特征学习层的算法相同；

所述采用优化的图卷积神经网络模型对所述待分割的点云数据进行分割，具体包括：

采用第一优化的图卷积特征学习层对所述待分割的点云数据进行特征学习，以获得第一层特征数据；

采用第N+1个优化的图卷积特征学习层对第N层特征数据进行学习，以获得第N+1层特征数据；

采用分割层对最后一层特征数据进行分割，以获得所述待分割点云数据的分割结果；

其中，N的取值为大于或等于1的整数。

2.根据权利要求1所述的方法，其特征在于，所述采用第一优化的图卷积特征学习层对所述待分割的点云数据进行特征学习，以获得第一层特征数据，具体包括：

构建所述待分割点云数据的无向图；

将待分割点云数据与所述无向图进行图卷积运算，得到所述待分割点云数据的初始特征数据；

对所述初始特征数据进行特征学习，以获得第一层特征数据。

3.根据权利要求2所述的方法，其特征在于，所述构建所述待分割点云数据的无向图，具体包括：

获取所述待分割点云数据中每个点的表征数据；

根据所述每个点的表征数据计算任意两点之间的距离；

将所述任意两点之间的距离作为所述任意两点之间的边的权重，根据点和边构建无向图，形成无向图对应的邻接矩阵；所述邻接矩阵的元素为对应两点之间的边的权重。

4.根据权利要求3所述的方法，其特征在于，所述将待分割点云数据与所述无向图进行图卷积运算，得到所述待分割点云数据的初始特征数据，具体包括：

根据所述邻接矩阵生成无向图的拉普拉斯矩阵；

将所述拉普拉斯矩阵输入到优化的切比雪夫近似算法模型中，以在时域上计算待分割点云数据与所述无向图的卷积，获得图卷积结果。

5.根据权利要求4所述的方法，其特征在于，所述对所述初始特征数据进行特征学习，以获得第一层特征数据，具体包括：

将所述图卷积结果输入到优化的ReLU激活函数模型中，进行特征学习；

从所述优化的ReLU激活函数模型中输出所述第一层特征数据。

6.根据权利要求1所述的方法，其特征在于，所述采用分割层对最后一层特征数据进行分割，以获得所述待分割点云数据的分割结果，具体包括：

采用分割层中的多层感知机算法对最后一层特征数据进行分割，以获得所述待分割点云数据的分割结果。

7.根据权利要求1所述的方法，其特征在于，所述采用优化的图卷积神经网络模型对所述待分割的点云数据进行分割之前，还包括：

采用训练样本对所述图卷积神经网络模型进行训练；

其中，所述图卷积神经网络模型包括：多个图卷积特征学习层及分割层。

8.根据权利要求7所述的方法，其特征在于，所述采用训练样本对所述图卷积神经网络模型进行训练，具体包括：

采用训练样本对每个图卷积特征学习层进行训练。

9.根据权利要求8所述的方法，其特征在于，所述采用训练样本对每个图卷积特征学习层进行训练，具体包括：

采用训练样本对每个图卷积特征学习层中的切比雪夫近似算法模型中的第一参数进行训练，得到优化后的第一参数；

对ReLU激活函数模型中的第二参数和第三参数进行训练，得到优化后的第二参数和第三参数。