[发明专利]一种基于局部边缘特征增强的点云分类方法

权利要求书

1.一种基于局部边缘特征增强的点云分类方法，其特征在于：包括以下步骤：

步骤S1、选用公共数据集并从数据集得到所需数量的点云模型作为原始点云数据，再基于该原始点云数据划分训练集和验证集，初始化结果集1和结果集2为空；

其中，从公共数据集中选取S个点云模型作为训练集，T个点云模型作为测试集，共包括K类，且所述S个及T个点云模型中的每一个点云模型均属于K类中的一类；

步骤S2、对训练集中的一个点云模型进行采样，并基于得到的采样中心点构建并输出M1个局部区域；

其中，S个点云模型中的一个点云模型用{x₁,x₂,...,x_n}来表示；n表示该点云模型中点的个数，点云模型中的每个点包含该点的x，y，z三维坐标信息；

其中，对点云模型进行采样，具体为：通过最远点采样方法得到采样中心点，对每个采样中心点构建局部区域；

对点云模型进行采样的目的是从稠密的点云中抽取出一些相对较为重要的采样中心点，完成覆盖整个数据集的任务；

对点云模型进行采样，具体包括如下子步骤：

步骤S2.1随机选择一个点云模型{x₁,x₂,...,x_n}中的一个点；

步骤S2.2分别计算基于步骤S2.1中选择的点与点云模型中其它 点的欧式距离；

步骤S2.3选择离步骤S2.1中所选择点距离最远的点，并将该最远的点加入到结果集1中；

步骤S2.4判断结果集1中点的数量是否达到某个给定值，若否跳至步骤S2.3；若是，得到包括M1个采样中心点的采样中心点集{x_i1,x_i2,...x_iM1}，使x_ij为距离集合{x_i1,x_i2,...x_ij-1}中所有点的最远点，跳至步骤S2.5；

基于得到的采样中心点构建局部区域，采用点球模型分组方法实现，包括如下子步骤：

步骤S2.5基于步骤S2.4中得到采样中心点集中顺序选择一个采样中心点；

步骤S2.6以基于步骤S2.5中选择的采样中心点为圆点，半径为R1，圆内所需包含的点个数为P1，在半径R1内随机选择P1个点，得到基于步骤S2.5中选择的采样中心点为圆点的一个局部区域；

其中，R1的范围是0.4到0.6，P1的范围是64到192；

步骤S2.7判断采样中心点集中的采样中心点是否完全遍历，若否跳至步骤S2.5，继续遍历；若是，得到M1个以采样中心点集中的采样中心点为圆心的局部区域{A₁,...A_M1}，跳至步骤S3；

其中，任意一个局部区域Ai,i∈[1,M1]包含了局部区域点集{x₁,x₂,...,x_P1}；

通过点球模型分组方法得到的局部区域保证了一个固定的区域尺度，从而使局部区域特征在空间上具有可泛化性，这对于需要局部模式识别的任务是有益的；

步骤S3、对步骤S2得到的M1个局部区域中的每个点构建k最近邻有向图，根据k最近邻有向图中存在的有向边缘采用多层感知机模型提取每个点的边缘特征，经过两次池化操作，得到M1个采样中心点的点特征，这些采样中心点的点特征结合了局域几何信息；

其中，对于任意一个局部区域Ai,i∈[1,M1]，作如下子步骤：

步骤S3.1对局部区域Ai,i∈[1,M1]中包含的每个点{x₁,x₂,...,x_P1}构建并得到P1 个k最近邻有向图，用来表示局部结构，包括如下子步骤：

步骤S3.1.1顺序选择局部区域点集{x₁,x₂,...,x_P1}中的一个点作为中心结点；

步骤S3.1.2计算步骤S3.1.1中选择的中心结点与局部区域点集中其它 结点的欧式距离；

步骤S3.1.3将步骤S3.1.2中得到的P1-1个欧式距离按升序排列；

其中，局部区域点集中一共有P1个点，因此，中心结点与局部区域点集中其它 P1-1个结点的欧式距离的数量为P1-1个；

步骤S3.1.4选择距离步骤S3.1.1中选择的中心结点的k1个最近点作为k最近邻有向图中的结点，得到有向图G＝(v,e)；

其中，结点为v＝{1,2,...,k1}，而有向边缘则为e＝v×v；

步骤S3.1.5判断局部区域点集中的点是否完全遍历，若否，跳至步骤S3.1.1，继续遍历；若是，得到P1个k最近邻有向图，跳至步骤S3.2；

步骤S3.2首先，基于步骤S3.1中得到的k最近邻有向图中中心结点存在的多个有向边缘采用多层感知机模型提取中心结点的多个边缘特征；其次，对每个中心结点的多个边缘特征做池化操作，得到P1个k最近邻有向图中中心结点的点特征；

其中，对于任意一个k最近邻有向图，作如下子步骤：

步骤S3.2.1基于步骤S3.1中得到的k最近邻有向图中的中心结点x_i,i∈[1,k1]与其局部区域点集中的其它 结点包含多个有向边缘(i,j_i1),...(i,j_ik1))，定义一个边缘特征为e_ij＝h_θ(x_i,x_j)＝h_θ(x_i,x_j-x_i)；

其中，h_θ:R^F×R^F→R^F'是基于学习参数θ构成的非线性目标函数；

步骤S3.2.2根据k最近邻有向图中结点的x，y，z三维坐标，对于k最近邻有向图中中心结点的多个有向边缘通过多层感知机模型按照给定的每一层的输出特征尺寸计算每个边缘特征，得到k最近邻有向图中中心结点的k1个边缘特征；

具体包括如下子步骤：

步骤S3.2.2.1选择k最近邻有向图中的中心结点，并顺序选择k最近邻有向图中的一个结点，构建一个有向边缘；

步骤S3.2.2.2根据步骤S3.2.2.1中顺序选择k最近邻有向图中得到的一个结点和k最近邻有向图中的中心结点的x，y，z三维坐标，构建三层感知机模型，通过卷积操作得到步骤S3.2.2.1中构建的一个有向边缘的边缘特征；

其中，三层感知机模型的输出尺寸分别为a1，a2，a3，卷积核大小均为1×1，步长均为1×1；

步骤S3.2.2.3判断k最近邻有向图中的中心结点包含的k1个有向边缘是否遍历完成，若否，跳至步骤步骤S3.2.2.1；若是，得到k最近邻有向图中的中心结点的k1个边缘特征，跳至步骤S3.2.3；

步骤S3.2.3基于步骤S3.2.2中得到k最近邻有向图中中心结点x_i,i∈[1,P1]的k1个边缘特征做池化操作，得到P1个k最近邻有向图中中心结点的点特征x_i'＝max_j:(i,j)∈eh_θ(x_i,x_j)；

其中，具体池化操作为最大池化，卷积核大小为1×1，步长为1×1；

步骤S3.3、基于步骤S3.2中得到的P1个k最近邻有向图中中心结点的点特征做池化操作，将池化后的特征作为局部区域采样中心点的特征，得到局部区域中采样中心点的点特征为x_center1＝max_i∈[1,P1]x_i'；

该局部区域中采样中心点的点特征结合了局域几何信息；

其中，具体池化操作为最大池化，卷积核大小为1×1，步长为1×1；

步骤S4、基于步骤S3中得到的M1个采样中心点进行采样，并基于得到的二次采样中心点构建并输出M2个局部区域；

其中，对M1个采样中心点进行采样，具体为：通过最远点采样方法得到二次采样中心点，对每个二次采样中心点构建局部区域；

对M1个采样中心点进行采样，类似于步骤S2，具体包括如下子步骤：

步骤S4.1随机选择M1个采样中心点集中的一个点；

步骤S4.2分别计算基于步骤S4.1中选择的点与其它 M1-1个点的欧式距离；

其中，采样中心点共有M1个，因此，随机选择的一个点与采样中心点集中其它 M1-1个点的欧式距离的数量为M1-1个；

步骤S4.3选择离步骤S4.1中所选择点距离最远的点，并将该最远的点加入到结果集2中；

步骤S4.4判断结果集2中点的数量是否达到某个给定值，若否跳至步骤S4.3；若是，得到包括M2个二次采样中心点的采样中心点集{x_i1,x_i2,...,x_iM2}，使x_ij为距离集合{x_i1,x_i2,...x_ij-1}中所有点的最远点，跳至步骤S4.5；

其中，步骤S4.4中得到的M2个二次采样中心点是步骤S2.4得到的M1个采样中心点的子集，并且随着采样次数增多，采样中心点的个数变少，但是每一个采样中心点包含的信息增多；

基于得到的二次采样中心点构建局部区域，同样采用点球模型分组方法实现，具体包括如下子步骤：

步骤S4.5基于步骤S4.4中得到的采样中心点集中顺序选择一个二次采样中心点；

步骤S4.6以基于步骤S4.5中选择的二次采样中心点为圆点，半径R2，圆内所需包含的点个数为P2，在半径R2的圆内随机选择P2个点，得到基于步骤S4.5中选择的二次采样中心点为圆点的一个局部区域；

步骤S4.7判断采样中心点集中的二次采样中心点是否完全遍历，若否跳至步骤S4.5，继续遍历；若是，得到M2个次采样中心点集中的二次采样中心点为圆心的局部区域{A₁,...A_M2}，跳至步骤S5；

其中，任意一个局部区域Ai,i∈[1,M2]包含了局部区域点集{x₁,x₂,...,x_P2}；

步骤S5、对步骤S4得到的M2个局部区域中的每个点构建k最近邻有向图，根据k最近邻有向图中存在的有向边缘采用多层感知机模型提取每个点的边缘特征，经过两次池化操作，得到M2个采样中心点的点特征，这些采样中心点的点特征结合了局域深层次几何信息；

其中，对于任意一个局部区域Ai,i∈[1,M2]，作如下子步骤：

步骤S5.1对局部区域Ai,i∈[1,M2]中包含的每个点{x₁,x₂,...,x_P2}构建并得到P2个k最近邻有向图，用来表示局部结构，包括如下子步骤：

步骤S5.1.1顺序选择局部区域点集{x₁,x₂,...,x_P2}中的一个点作为中心结点；

步骤S5.1.2计算步骤S5.1.1中选择的中心结点与局部区域点集中其它 点的欧式距离；

步骤S5.1.3将步骤S5.1.2中得到的P2-1个欧式距离按升序排列；

其中，局部区域点集中一共有P2个点，因此，中心结点与局部区域点集中其它 P2-1个结点的欧式距离的数量为P2-1个；

步骤S5.1.4选择距离步骤S5.1.1中选择的中心结点的k2个最近点作为k 最近邻有向图中的结点，得到有向图G'＝(v',e')；

其中，结点为v'＝{1,2,...,k2}，而有向边缘则为e'＝v'×v'；

步骤S5.1.5判断局部区域点集中的点是否完全遍历，若否，跳至步骤S5.1.1，继续遍历；若是，得到P2个k最近邻有向图，跳至步骤S5.2；

步骤S5.2首先，基于步骤S5.1中得到的k最近邻有向图中中心结点存在的多个有向边缘采用多层感知机模型提取中心结点的多个边缘特征；其次，对每个中心结点的多个边缘特征做池化操作，得到P2个k最近邻有向图中中心结点的点特征；

其中，对于任意一个k最近邻有向图，作如下子步骤：

步骤S5.2.1基于步骤S5.1中得到的k最近邻有向图中的中心结点x_i,i∈[1,k2]与其局部区域点集中的其它 结点包含多个有向边缘(i,j_i1),...(i,j_ik2))，定义一个边缘特征为e_ij'＝h_θ'(x_i,x_j)＝h_θ'(x_i,x_j-x_i)；

其中，h_θ':R^F'×R^F'→R^F”是基于学习参数θ'构成的非线性目标函数；

步骤S5.2.2根据k最近邻有向图中结点的x，y，z三维坐标和步骤S4中得到的结点对应的点特征，对于k最近邻有向图中中心结点的多个有向边缘通过多层感知机模型按照给定的每一层的输出特征尺寸计算每个边缘特征，得到k最近邻有向图中中心结点的k2个边缘特征；

具体包括如下子步骤：

步骤S5.2.2.1选择k最近邻有向图中的中心结点，并顺序选择k最近邻有向图中的一个结点，构建一个有向边缘；

步骤S5.2.2.2根据步骤S5.2.2.1中顺序选择k最近邻有向图中得到的一个结点和k最近邻有向图中的中心结点两者的x，y，z三维坐标和结点对应的点特征，构建三层感知机模型，通过卷积操作得到步骤S5.2.2.1中构建的一个有向边缘的边缘特征；

步骤S5.2.2.3判断k最近邻有向图中的中心结点包含的k2个有向边缘是否遍历完成，若否，跳至步骤步骤S5.2.2.1；若是，得到k最近邻有向图中的中心结点的k2个边缘特征，跳至步骤S5.2.3；

步骤S5.2.3基于步骤S5.2.2中得到k最近邻有向图中中心结点x_i,i∈[1,P2]的k2个边缘特征做池化操作，得到P2个k最近邻有向图中中心结点的点特征x_i”＝max_j:(i,j)∈e'h_θ'(x_i,x_j)；

步骤S5.3、基于步骤S5.2中得到的P2个k最近邻有向图中中心结点的点特征做池化操作，将池化后的特征作为局部区域采样中心点的特征，得到局部区域中采样中心点的点特征为x_center2＝max_i∈[1,P2]x_i”；

该M2个局部区域中采样中心点的点特征结合了局域深层次几何信息；

步骤S6、对步骤S5中得到的M2个二次采样中心点的特征构建三层感知机，提取点云模型的全局信息，得到点云模型的全局特征；

步骤S7、对步骤S6得到的点云模型的全局特征通过三个全连接层，从而实现点云模型的特征提取及分类，得到了基于局部边缘特征增强的点云分类模型。