[发明专利]一种基于特征融合的三维点云的分类和分割方法

权利要求书

1.一种基于特征融合的三维点云的分类和分割方法，其特征在于，包括：

将三维点云划分为多个局部区域，对每个局部区域内通过KNN搜索算法建立多尺度区域，通过图注意力卷积层提取多尺度区域的细粒度多尺度特征；

通过空间注意力机制为局部区域的每个尺度特征分配注意力权重，对局部区域的各个尺度特征按照注意力权重进行加权融合，得到包含细粒度几何信息的点云的局部区域特征；

通过双向长短期记忆网络获取点云的不同局部区域特征之间的上下文信息，根据不同局部区域特征之间的上下文信息将各个局部区域特征进行融合，得到所述点云的全局语义特征；

根据所述点云的全局语义特征，对三维点云进行分类与分割；

所述的对每个局部区域内通过KNN搜索算法建立多尺度区域，包括：

通过迭代最远点采样算法和KNN搜索算法将输入的三维点云划分为M个局部区域{L₁，L₂，...，L_M}，在每个局部区域L_M中分别采用KNN搜索算法构建T个尺度区域，将局部区域L_M划分为T个不同尺度的尺度区域{S_M1，S_M2，...，S_MT}，根据所有的尺度区域建立多尺度区域。

2.根据权利要求1所述的方法，其特征在于，所述的通过图注意力卷积层提取多尺度区域的细粒度多尺度特征，包括：

在每个尺度区域内，通过融合空间位置信息和特征属性信息的图卷积层提取不同邻域点与中心点之间的关联信息，并捕获点云的局部几何信息，得到每个尺度区域的细粒度几何特征，通过图注意力卷积层提取T个不同的尺度区域的细粒度尺度特征，根据每个尺度区域的细粒度尺度特征得到多尺度区域的细粒度多尺度特征。

3.根据权利要求1所述的方法，其特征在于，所述的通过空间注意力机制为局部区域的每个尺度特征分配注意力权重，对局部区域的各个尺度特征按照注意力权重进行加权融合，得到包含细粒度几何信息的点云的局部区域特征，包括：

采用空间注意力机制为来自不同邻域点的信息分配不同的权重，为每个局部区域的T个尺度区域的尺度特征分别分配注意力权值，将每个局部区域的邻域点信息聚合到中心点，将每个局部区域的T个尺度区域的尺度特征按照注意力权重进行加权融合，得到1个局部区域特征，该局部区域特征包含点云细粒度局部几何信息和点对关联信息。

4.根据权利要求1所述的方法，其特征在于，所述的通过双向长短期记忆网络获取点云的不同局部区域特征之间的上下文信息，包括：

利用双向长短期记忆网络Bi-LSTM和分组注意力模块构成上下文注意力编码层的编码器，通过所述编码器将点云的M个局部区域特征抽象为一个局部特征序列R＝{r₁，r₂，...，r_m，...r_M}，利用局部特征序列R进行不同局部区域特征之间的上下文信息提取，输出包含上下文信息的局部区域特征h_m，计算方法如公式(4-1)所示：

其中，W_a是一个可学习的权值矩阵；表示Bi-LSTM输出层的结合方式，LSTM表示非线性激活函数。

5.根据权利要求4所述的方法，其特征在于，所述的根据不同局部区域特征之间的上下文信息将各个局部区域特征进行融合，得到所述点云的全局语义特征，包括：

将Bi-LSTM编码后的包含上下文信息的所有局部区域特征h_m组成局部特征序列H＝{h₁，h₂，...，h_m，...h_M}；

采用分组注意力模块为不同局部区域特征h_m分配不同的注意力权重，根据局部特征序列H和其转置计算不同局部区域特征之间的关联关系，并应用Softmax函数对关系图进行归一化处理，得到分组注意力矩阵G，用G_j，i表示第i个局部区域特征对第j个局部区域特征的影响，即注意力权重，如公式(4-2)所示：

将局部特征序列H和分组注意力矩阵G之间利用矩阵乘法进行加权融合，使用跳跃链接将加权融合的结果与原始输入的局部特征序列H连接起来，输出三维点云的全局语义特征C，如公式(4-3)所示：