[发明专利]一种基于局部特征增强和条件随机场的点云分割方法

说明书

本发明涉及点云处理、三维点云分割领域技术领域，具体涉及一种基于局部特征增强和条件随机场的点云分割方法，该方法包括：将数据集输入训练好的点云分割网络模型中进行分割，得到分割结果，点云分割网络模型先训练后使用，其训练过程包括：将训练集输入到点云分割网络模型中，经处理后点云分割网络模型输出预测的标签图；真实标签做监督，根据真实标签和预测的标签图计算交叉熵损失函数；迭代多次，采用随机梯度下降算法优化损失函数，最终得到训练好的点云分割网络模型。本发明可以即解决局部特征提取能力差的问题，同时可以解决边缘分割效果差的问题。

技术领域

本发明涉及点云处理、三维点云分割领域技术领域，具体涉及一种基于局部特征增强和条件随机场的点云分割方法。

背景技术

点云分割技术是对点云进行划分，通常同一划分区域的点云具有相似的特征属性(例如几何特征、纹理特征等)，常常使用于智能驾驶、SLAM等技术中。常见的点云分割算法分为两大类：一类是使用传统数学方法，例如数学模型拟合、区域增长法、最小割算法、欧式聚类等方法，这些方法的易于实现，但是效果较差，通常只能作用于高质量的干净点云，当点云中噪声信息过多时，该类方法的效果会急剧下降；第二类方法使用深度学习技术来进行分割，该类方法得益于计算机对特征的学习，因此分割精度高，但是模型大小不一，同时使用GPU计算会消耗大量资源和时间，并且属于数据驱动型方法，学习能力受限于数据集的大小。

当下，基于深度学习的点云分割方法随着PointNet系列网络的出现开始快速发展，但是由于该类方法无法提取局部特征，从而导致分割结果较差。因此之后出现了大量将局部特征和全局特征结合的方法，但是未充分实现对局部特征的利用；另外这些方法虽然提高了模型的能力，但是由于模型本身对于边界区域的分割效果差。因此需要一种对局部特征增强，同时又可以处理边界区域效果差的点云分割方法。

发明内容

为了解决上述现有技术中无法有效提取出局部特征以及边缘分割效果较差的问题，本发明提供一种基于局部特征增强和条件随机场的点云分割方法，该方法通过设计神经网络，使之可以提取到更加丰富的特征，同时使用条件随机场来优化边缘分割效果差的问题。

一种基于局部特征增强和条件随机场的点云分割方法，包括以下步骤：将数据集输入训练好的点云分割网络模型中进行分割，得到分割结果，点云分割网络模型先训练后使用，其训练过程包括：

S1、将训练集输入到点云分割网络模型中，经处理后点云分割网络模型输出预测的标签图；

S2、真实标签做监督，根据真实标签和预测的标签图计算交叉熵损失函数；

S3、迭代多次，采用随机梯度下降算法优化损失函数，最终得到训练好的点云分割网络模型。

进一步的，点云分割网络模型包括ESA层、特征传递层(FP)和条件随机场，其中ESA层为多层，用于学习特征；特征传递层为多层，用于还原每个点的特征，得到每个点的标签图；条件随机场在网络最后一层之后，用于优化每个点的标签图，即优化模型结果。

进一步的，ESA层为特征学习模块，包括采样层、组合层和特征层，在组合层和特征层之间还设置有特征增强层；

(1)采样层：采用最远点采样算法从输入的点云中采样，得到采样后的子集后将其输入到组合层；采样层采用最远点采样算法进行采样可以很好的保留点云的几何特征，数学表示为：

P′＝FPS(P)

其中，P′表示最远点采样后得到的子集，FPS为最远点采样算法，P表示输入的点云；

(2)组合层：对于采样层的输出P′，将P′中的每个点p′_i作为重心点，使用最近邻KNN算法找到重心点p′_i的K个近邻点，将p′_i的K个近邻点作为p′_i的局部相关点F_i，数学表示为：