[发明专利]一种利用点云密度与旋转信息对稀疏点云进行分类与分割的方法

权利要求书

1.一种利用点云密度与旋转信息对稀疏点云进行分类与分割的方法，其特征在于，包括如下步骤：

(1)预处理点云：运用KD-TREE遍历方式将点云分成同等规格的样本输入块；

(2)对稀疏点云的坐标信息进行分析：通过深度学习方式得到样本块的全局特征和局部特征；

(3)对稀疏点云的空间和密度信息进行分析：丰富稀疏点云的空间局部相关性，从输入点云的旋转和密度信息中挖掘出点云的结构特征；

(4)结合点云空间坐标特征与密度及旋转特征进行点云分类与分割；

步骤(3)中处理模块由三层组成，包括旋转和密度层、卷积层和最大池层，其中旋转和密度层由旋转单元和密度单元组成；步骤(3)包括如下：

(3-1)旋转单元以特定角度旋转输入样本块，特定角度由相邻地面激光雷达站之间垂直方向的相对角度来确定，所述特定角度为大于0度且小于180度，如式(Ⅲ)所示：

其中θ为特定角度，R_z(θ)为旋转单元变量；

(3-2)密度单元计算每个点的密度，这取决于搜索区域的大小；首先，密度被添加了一个特殊的卷积层，所述特殊的卷积层具有独立的权重和偏置反向传播反演参数，使密度的权重对变量的变化变得更为敏感，密度信息独立计算，并且与坐标信息具有相同的作用；其次，坐标信息和密度信息作为两个独立变量放入卷积层中，如式(Ⅳ)所示：

P’＝MLP(MLP(p_(x,y,z)),MLP(p_d))     (Ⅳ)；

其中P_(x，y,z)为坐标信息，P_d为密度信息，P’为密度单元变量；MLP表示多层感知器；

(3-3)将步骤(3-1)旋转单元变量和步骤(3-2)密度单元变量相乘，得到旋转的密度信息，如式(Ⅴ)所示：

D＝P′·R_z                          (Ⅳ)；

(3-4)将步骤(3-3)中的旋转单元变量和密度单元向量乘积，通过卷积层和最大池层，输出D成为规则结构特征；

在步骤(4)中，将步骤(2)获得的全局特征和局部特征和步骤(3)中获得的结构特征，将这三种特征连接成一个矩阵，形成一个新的特性向量，即：特征连接向量；然后以特征连接向量作为分类和分割任务的输入；

点云分类：对每个样本块的整体形状进行识别，判断该块点云属于哪一类，最终再将所有样本块进行整合，按不同类别输出点云；

点云分割：以输入样本块的每个点为单位，对每个点进行识别，判断该块点云中每个点的所属类别，最终需要将所有点进行整合，按不同类别输出点云。

2.根据权利要求1所述的利用点云密度与旋转信息对稀疏点云进行分类与分割的方法，其特征在于，在步骤(1)中，采用邻近算法KNN采样预处理方法，通过定义网格步距搜索中心点的方式，避免点云分组时，产生过多的重叠，具体包括如下步骤：

(1-1)构建矩体网格遍历：

首先，根据点云尺寸定义一个的单位矩体，单位矩体的长和宽设为原始点云覆盖边界矩体的长和宽的百分之一，高为原始点云高差的五分之一；即将原始点云平均分成50000个样本块；

然后，将点云坐标零点(0,0,0)定为原点，用单位矩体依次从点云的三个维度方向x,y,z进行遍历，从小到大，编码分区，直到覆盖整个点云为止；通过这种方式，将待采样的点云限制在规则的单位矩体中，卷积算子有规则地对代表点进行次采样；

(1-2)构建K-query索引：根据样本块的编号，对点云进行遍历，选择每个块的中心作为圆心，根据基于KNN的中心点准则K-query进行搜索；最后，得到每个示例块都有相同的数量，但不同形状的样本块。

3.根据权利要求2所述的利用点云密度与旋转信息对稀疏点云进行分类与分割的方法，其特征在于，在步骤(2)中，以Max-Pooling为对称函数，将无序点集转换成具有规则排列的向量，如公式(Ⅰ)和公式(Ⅱ)所示：

g(x₁,x₂...x_n)＝max(x₁,x₂...x_n)               (Ⅰ)

f({x₁,...,x_n})≈g(h(x₁),...,h(x_n))    (Ⅱ)

其中，x₁，x₂…x_n表示输入的点云坐标，n指点云个数；

g表示Max-Pooling函数，max表示取最大值函数，f表示网络对点云的拟合方程；h表示线性整流函数，如下式定义：

h_i＝ReLU(w_ix_i+b_i)

h_i为对第i个点云的线性整流函数，w_i为第i个点云的网络的权重，b_i为第i个点云的偏置，x_i为第i个点云坐标，x为输入的点云坐标，ReLU为线性整流函数；

f:表示网络对点云的拟合方程；h:R^N→R^K表示多层感知器MLP，g:是Max-pooling对称函数；

其中：R表示自然数集；N，K指向量维度，即从N维的自然数集映射到了K维的自然数集；k指每个点的维度。