[发明专利]一种大场景点云语义分割方法

说明书

本发明公开一种大场景点云语义分割方法，它包括如下步骤：将包含特征信息的三维点云数据进行特征拼接得到点云初始特征；将点云初始特征进行扩张图卷积和随机采样得到多层中间特征和采样编码特征；对多层中间特征进行跨层上下文推理得到互补上下文特征，并拼接到最后一层得到的采样编码特征中得到最终编码特征；将最终编码特征进行解码得到解码特征；将解码特征输入全连接层分类器得到分割结果预测；构建损失函数训练并优化模型，保存模型参数。本发明在编码阶段利用跨层上下文推理聚合多层上下文，在解码阶段采用注意力融合进行特征选择，在保证效率的同时能够有效弥补信息损失和降低特征冗余，从而提升准确率。

技术领域

本发明属于计算机视觉技术领域，具体来说，涉及一种利用深度学习算法对大场景三维点云进行高效且精准的语义分割方法。

背景技术

点云是三维场景最基本的表现形式之一，它通常包含三维空间中每个点的坐标和相关特征(如颜色)。点云语义分割的任务是通过计算与分析，将点云中的每个点分割到对应的类别。在早期，由于传感距离有限，人们的研究主要集中于小场景室内点云。在处理该类点云时，通常将完整点云分割为固定尺寸和点数的子块，并在此基础上对每个子块进行特征提取与学习。

随着三维传感技术的快速发展，获取的点云数据逐渐走向大规模化。与小场景点云不同，大场景点云通常包含数以百万计的点，并且覆盖上百米的室外环境。同时，基于深度学习的点云语义分割技术开始越来越多的被应用于自动驾驶、虚拟现实等领域。由于大场景点云规模庞大，直接运用以前处理室内点云的方法会造成许多问题，其中最关键的一点就是效率。传统处理室内点云的方法通常采用最远点采样等较为复杂的采样策略，这些在大场景点云中并不可行。并且实际应用中对实时性的需求越来越高，如何同时实现高效性和准确性成为处理大场景点云的核心难点。近年来，一些研究者提出结合体素化降低运算量或将点云投影到二维图像的方法，提高处理大场景点云的效率。然而由于这些方法改变或破坏了点云的原始三维结构，模型的潜力会被大幅限制。最近，有研究者提出利用随机采样作为点云下采样策略，直接高效处理海量点云。这虽然使得实时处理大场景点云成为可能，却同时存在一些未解决的问题。第一，因为在跨层特征传播时随机丢失了大量的点，不可避免地造成了关键信息损失。现有通过扩大感受野来弥补信息的方法由于不能有效感知跨层信息损失，无法从根本上解决这一问题。第二，由于关键信息损失和大规模点云的稀疏性，编码层的点云特征会由于聚合无效信息而存在噪声与冗余。目前的方法通常直接将编码层特征拼接到解码层中用来恢复采样后的点云，这会影响语义分割性能。

发明内容

本申请旨在提高语义分割性能，从而提供了一种大场景点云语义分割方法，该方法在编码阶段利用跨层上下文推理聚合多层上下文，在解码阶段采用注意力融合进行特征选择，在保证效率的同时能够有效弥补信息损失和降低特征冗余，从而提升准确率。

为实现上述技术目的，本发明采用的技术方案如下：

一种大场景点云语义分割方法，包括：

将包含特征信息的三维点云数据进行特征拼接得到点云初始特征；

将点云初始特征进行扩张图卷积和随机采样得到多层中间特征和采样编码特征；

对多层中间特征进行跨层上下文推理得到互补上下文特征，并拼接到最后一层得到的采样编码特征中得到最终编码特征；

将最终编码特征进行解码得到解码特征；

将解码特征输入全连接层分类器得到分割结果预测；

构建损失函数训练并优化模型，保存模型参数。

优选地，所述将包含特征信息的三维点云数据进行特征拼接得到点云初始特征包括：

读取三维点云数据的特征信息；

将特征信息拼接得到拼接特征；