[发明专利]一种鲁棒的基于图卷积的点云表征学习方法

说明书

本发明属于机器视觉和模式识别领域，具体公开了一种鲁棒的基于图卷积的点云表征学习方法，主要解决图卷积在点云构建图时花费时间长以及当点云发生位移和旋转等尺度变化时，模型性能会显著下降的问题。该方法包括如下步骤：s1、获取点云数据；s2、对于点云数据进行体素化然后采用贪心算法进行下采样；s3、基于采样完的点云进行图的构建；s4、定义图卷积，然后提取构建出来图的特征；s5、采用双流网络、注意力机制以及多尺度特征融合增强模型健壮性，最后得到训练完成的模型。经过测试，本发明得到的模型相较于其他主流方法，时间上能节省80％，在点云发生位移和旋转等尺度变化时，具有很好的鲁棒性，效果明显优于其他方法。

技术领域

本发明属于机器视觉和模式识别领域，在无人驾驶、机器人等领域有着重要的应用，尤 其是涉及一种鲁棒的基于图卷积的点云表征学习方法。

背景技术

点云表征学习在无人驾驶，机器人等三维视觉方向应用广泛。跟规则的图像信息不同， 点云是稀疏无序的。目前的方法虽然有不错的性能，但当点云位移和尺度变化时，性能会显 著下降，并且耗费时间较长。

机器学习算法的成功与否不仅仅取决于算法本身，也取决于数据的表示。数据的不同表 示可能会导致有效信息的隐藏或是曝露，这也决定了算法是不是能直截了当地解决问题。表 征学习的目的是对复杂的原始数据化繁为简，把原始数据的无效信息剔除，把有效信息更有 效地进行提炼，形成特征，这也应和了机器学习的一大任务——可解释性。也正是因为特征 的有效提取，使得今后的机器学习任务简单并且精确许多。

目前，对于点云表征学习主要还是集中在Pointnet系列的方法，对点云数据的处理网络 中，在点云没有噪声的情况下效果能够达到不错的效果，但是点云一旦有了噪声，性能就会 显著下降很多，这在无人驾驶，机器人等实际应用中会存在诸多的隐藏隐患。

目前图卷积提取点云特征存在构建图花费时间太久的问题，大约80％的时间花费在构建 图的过程中，这使得图卷积在点云上的应用变得十分局限，尤其是在大规模场景下，目前在 三维目标检测中，图卷积在精度与其他方法接近的情况下，处理速度是其他方法的四倍以上， 这样极大限制了图卷积在自动驾驶等方面的实际应用。

本发明提出的一种鲁棒的基于图卷积的点云表征学习方法不仅解决了图卷积构建图时的 时间问题而且对于噪声具有很强的鲁棒性，有力地推动图卷积在点云表征学习的进一步发展。

发明内容

本发明的目的在于提出一种鲁棒的基于图卷积的点云表征学习方法，该方法以图神经网 络为基础，结合了无监督中的聚类算法、贪心算法等技术，较为准确的处理和学习三维点云 的结构信息，该方法可以在不同场景下有效的进行工作。其采用如下方案：

s1、获取点云数据；

s2、对于点云数据进行体素化然后采用贪心算法进行下采样；

s3、基于采样完的点云进行图的构建；

s4、定义图卷积，然后提取构建出来图的特征；

s5、采用双流网络、注意力机制以及多尺度特征融合增强模型健壮性，最后得到训练完 成的模型。

所述步骤s1中，对于点云数据的采集，对于模型采用随机采样，更好的维持模型原本的 几何流形，目前主流的网络都需要对于点云数据进行统一坐标化处理，因此多一个噪声点就 会对结果产生很大的影响，本发明在采集点云数据后可以直接使用数据，不用对其进行预处 理。

所述步骤s2中，得到的点云进行体素化处理，每个体素内随机选取三个点云作为体素内 所有点云的代表，通过贪心算法选取所有非空体素中，覆盖率最高的前M个，作为采样结束 后的点云数据。

所述步骤s3中，对于采样结束后的点，步骤s2中选取的前M个体素，对于每个体素及 其周围的邻居体素中的点云求一个重心，这个作为图的中心点，然后构建图。