[发明专利]点云的分割方法、装置及计算机存储介质

说明书

本发明提供了一种点云的分割方法、装置及计算机存储介质，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，输出所述待分割的点云数据的分割结果，本方案中获取待分割的点云数据之后，直接输入优化的图卷积神经网络模型进行分割，由于采用了图卷积运算，图卷积的运算量小，从而可以减小计算量，并且该经过优化的图卷积神经网络模型对点云数据能够更好的进行特征学习，提高了点云分割的准确性，从而提高了人工智能识别的准确性。

技术领域

本发明涉及点云分割技术领域，尤其涉及一种点云的分割方法、装置及计算机存储介质。

背景技术

点云在三维物体表示方面有着强大的性能，在无人驾驶、深度感知和语义分割等应用中是重要的一个部分，而点云分割在其中发挥着非常重要的作用。但是之前的深度学习方法并不能很好地学习点云的特征，因为点云自身固有的无序性和不规则性都很大的影响到直接端对端的学习。

传统的点云分割方法可以分为模型驱动和数据驱动两种。模型驱动方法的点云分割，包括基于边进行分割，区域扩张，模型匹配等步骤，这些步骤是基于对模型的先验信息而进行的，对噪声等干扰鲁棒性不高；数据驱动方法的点云分割，主要是从数据中学习语义，如深度学习，而典型的深度学习体系结构需要常规的输入数据格式，例如规则2D网格上的图像或3D网格上的体素，以便执行卷积和池化等操作，因此，对于不规则的三维点云，在将它们馈送到典型的卷积神经网络(Convolutional Neural Network，简称CNN)之前，需要将它们转换为规则的三维体素网格或图像集合，但是，这会在转换过程中引入量化误差，并导致产生过大体量的数据，计算量增大。

因此，如何减小计算量的同时又能够更好地进行点云分割，是本领域亟需解决的技术问题。

发明内容

有鉴于此，本申请提供了一种点云的分割方法、装置及计算机存储介质，用以提供一种既能减小计算量又能更好地进行点云分割的方案。

第一方面，本申请实施例提供了一种点云的分割方法，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；

输出所述待分割的点云数据的分割结果。

可选的，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，所述每个优化后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。

可选的，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。

可选的，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所述任意两点之间的距离；