[发明专利]一种基于在线局部特征提取的点云识别方法

说明书

本发明公开了一种基于局部特征提取的点云识别方法。首先使用k‑NN算法搜索被编码点周围的最邻近点，并沿XYZ三个坐标轴分别计算每个邻近点与被编码点之间的点引力；然后结合搜索到的邻近点与被编码点的空间位置坐标，构建点云中每个点的局部特征；最后设计一个融合局部特征提取操作的点云识别网络。本发明提出的在线局部特征提取操作能够增强网络对点云局部信息的利用能力，提升点云识别网络的准确率；而且，在线局部特征提取操作能够应用到基于卷积网络的任何点云识别网络中，具有较强的适用性。

技术领域

本发明属于计算机视觉及人工智能领域，特别涉及一种基于在线局部特征提取的点云识别方法。

背景技术

点云作为重要的数据表达方式，能为场景的语义理解提供更加丰富的空间信息，已经广泛应用于机器人、人机交互、自动驾驶等多个领域。然而，点云具有非结构化和无序性的特点，不满足深度学习网络对规则结构数据的要求，导致依赖卷积操作的深度学习方法不能有效处理点云数据。一些学者将点云转换为三维体素网格或者二维多视角视图等规则数据格式，扩大了深度学习网络在点云领域的应用范围。然而，这种转换不但会增加网络的计算复杂度，而且会丢失部分有效信息。PointNet[1]开启了深度学习网络直接处理无序点云的先河，其通过空间变换子网络对齐点云数据，使用多层感知机直接操作离散点云，通过最大池化算子整合点云特征。然而，该网络只针对单个离散点提取特征，不能有效利用点云数据的局部特征信息，不利于点云识别精度的提升。

[1]R.Q.Charles,H.Su,K.Mo,and L.J.Guibas,PointNet:Deep Learning onPoint Sets for 3D Classification and Segmentation,in Proceedings of IEEEConference on Computer Vision and Pattern Recognition,Honolulu,Hawaii,2017,pp.77-85.

发明内容

为了解决背景技术中的问题，本发明提供了一种基于在线局部特征提取的点云识别方法，能够捕获点云的局部空间信息特征，提高点云识别的准确率，并且特征提取操作能够融入到深度学习网络，实现点云的高效在线识别。

本发明采用的技术方案如下：

一、一种在线局部特征提取操作

包括以下步骤：

步骤1：为点云中的每个点构建局部特征，利用k-NN算法搜索距被编码点最近的k-1个点作为邻近点；所述被编码点为需构建局部特征的点；

步骤2：计算邻近点对被编码点的点引力；

步骤3：构建被编码点的局部特征，局部特征的形状为k×6；

步骤4：对点云中的每个点构建局部特征后得到点云局部特征。

所述步骤1具体为：获取邻近点和被编码点在空间直角坐标系下的三维空间坐标，计算邻近点对被编码点在X轴、Y轴和Z轴方向的点引力p_x、p_y、p_z：

/

其中，x₀、y₀、z₀分别为邻近点和被编码点在X轴、Y轴和Z轴上的距离，w为点引力平衡系数，用于调节点引力的大小范围。