[发明专利]一种基于几何解缠的三维点云处理方法、装置及设备

权利要求书

1.一种基于几何解缠的三维点云处理方法，包括以下步骤：

获取物体的点云数据并进行处理；

对点云数据进行几何解缠，以根据几何变化程度划分为几何变化大的点和几何变化小的点；

将点云数据输入到经训练的卷积神经网络进行特征提取和分类分割，其中所述神经网络模型用于提取点云数据的局部特征和全局特征，并利用几何注意力模块学习所述几何变化大的点和几何变化小的点之间的相互补充信息。

2.根据权利要求1所述的方法，其中，所述获取物体的点云数据并进行处理包括以下项中的一项或多项：

对采集到的物体点云数据进行去噪、补洞；

通过旋转和平移点云来增加数据，或者通过使点云中的点坐标围绕其震荡来增强点云数据；

根据预先设置的最高随机概率，随机产生或获得一个随机概率，然后根据该随机概率删除点云中的点。

3.根据权利要求1所述的方法，其中，所述提取点云数据的局部特征包括：

利用K近邻算法在整个点云数据中搜集每个点的K个近邻点；

将每个点的特征复制K份，与其K个近邻点的特征拼接在一起，经过一维的卷积核卷积操作进行局部特征的提取。

4.根据权利要求1所述的方法，其中，所述对点云数据进行几何解缠包括：

构建图编码点与点之间在特征空间上相似性的邻接矩阵A；

使用滤波器对图信号滤波，每个点经过滤波器的响应为：

计算每个点响应的l²范数，用于表征该点与其临近点的特征变化程度；

对于点云数据中的所有点X，按照每个点l²范数大小降序重新排列选取l²范数最大的M个点为几何变化大的点，选取l²范数最小的M个点为几何变化较小的点。

5.根据权利要求4所述的方法，其中，所述利用几何注意力模块学习所述几何变化大的点和几何变化小的点之间的相互补充信息包括：

对于几何变化大的点和几何变化小的点，用多层感知机MLP处理计算得到对应的注意力权重矩阵：

将X_l和X_s用多层感知机MLP进行编码，并将注意力权重矩阵应用到原始点云和几何变化大或小的点上面，表示为：

将特征拼接得到输出特征

其中，是原始点云，X_l是几何变化大的点，X_s是几何变化小的点，两个可学习的注意力权重矩阵W^l∈R^N×M和W^s∈R^N×M，M是X_l和X_S中点的个数，矩阵W^l和W^s中的每一行对应着每个原始点与所有几何变化大或小的点之间的注意力权重。

6.根据权利要求1所述的方法，其中，将所述对点云数据进行几何解缠应用到所述卷积神经网络的不同语义层。

7.根据权利要求1所述的方法，其中，利用几何注意力模块学习所述几何变化大的点和几何变化小的点之间的相互补充信息包括：

点云数据中的每个点分别与所有几何变化较大的点和几何变化较小的通过特征变化点乘的方式进行注意力采集，并将点云数据中每个点云的特征与几何变化较大的点的特征与几何变化较小点的特征通过注意力系数进行特征融合。

8.一种基于几何解缠的三维点云处理装置，包括：

点云数据获取单元，用于收集物体的点云数据；

点云数据处理单元，用于对采集到的点云数据进行处理；

输入单元，用于将点云数据输入到预训练的卷积神经网络中，该卷积神经网络包括点云局部特征信息解缠模块；

特征提取单元，用于根据卷积神经网络的计算结果提取点云数据的局部特征和全局特征；

任务输出单元，用于通过多层感知器和/或归一化指数函数处理提取的点云数据的特征，获得与点云数据对应的类别预测概率。