[发明专利]一种点云局部特征提取方法、装置、设备及存储介质

权利要求书

1.一种点云局部特征提取方法，其特征在于，包括以下步骤：

S1、获取点云数据，并对所述点云数据进行降采样操作，得到降采样后的稀疏点云数据集；

S2、利用扩展的K近邻搜索算法对所述稀疏点云数据集中的每个点云构造局部扩张图，得到每个点云的局部特征，所述局部特征用于表示中心点与其邻域之间的远程几何相关性；

步骤S2中，所述利用扩展的K近邻搜索算法对所述稀疏点云数据集中的每个点云构造局部扩张图的步骤，包括：

S21、用K-NN搜索算法从输入点h＝{p₁,p₂,...,p_n}中搜索k×d个最近的邻域点p_i；

S22、按照空间距离从近到远对k×d个邻域点p_i进行排序；

S23、将排序后的k×d个邻域点按排列顺序分成k个点的小点集，每个小集包含d个点；

S24、选择第一个小点集中的第d点作为起始扩张点p₁^[d]，并将其添加到扩张点集合m_i＝{p₁^[d],p₂^[d],…,p_k^[d]}；

S25、重复步骤S24，直到从k个分割点中选择了所有的扩张点，得到所述稀疏点云数据集中每个点云的局部扩张图；

S3、构造基于膨胀图神经网络的点云局部特征提取网络，所述点云局部特征提取网络包括图注意力层和注意力池化层；

所述构造基于膨胀图神经网络的点云局部特征提取网络的步骤，包括：

将注意力机制应用到网络层，得到图注意层；

将最大池化层改进为注意力池化层，同时在网络升维和降维操作之间的跳层连接部分引入所述图注意层，得到基于膨胀图神经网络的点云局部特征提取网络；

S4、通过所述图注意力层对中心点的边缘赋予权值，学习所述局部扩张图中每个点云的边缘注意力特征；

S5、通过所述注意力池化层对所述每个点云的边缘注意力特征进行聚合，得到每个点云的最终局部特征；

S6、通过所述稀疏点云数据集，并融合所述最终局部特征，对所述点云局部特征提取网络进行迭代训练，得到训练好的点云局部特征提取网络；

S7、通过所述训练好的点云局部特征提取网络对待测点云数据进行语义预测，获得点云局部特征的语义预测结果。

2.如权利要求1所述的点云局部特征提取方法，其特征在于，在步骤S1中，所述对点云数据进行降采样操作，采用随机降采样的方法。

3.如权利要求1所述的点云局部特征提取方法，其特征在于，在步骤S6之后，还包括：

通过测试数据集对所述基于膨胀图神经网络的点云局部特征提取网络进行测试并优化，得到优化后的点云局部特征提取网络。

4.如权利要求1所述的点云局部特征提取方法，其特征在于，在步骤S7之后，还包括：

对所述点云局部特征的语义预测结果进行评价，评价指标包括：精度P、召回率R、F1-score和总体分类精度OA，定义式分别为：

P＝(TP)/(TP+FP)

R＝(TP)/(TP+FN)

F1-score＝2×[(P×R)/(P+R)]

OA＝(TP+TN)/(TP+FN+FP+TN)

其中：TP表示目标语义预测正确且不是未识别项目的数目，FP表示原语义为未识别样本但预测错误的数目，FN表示语义预测为未识别样本但原本有语义的数目，OA表示分类正确的样本个数占所有样本个数的比例，F1-score是用于衡量二分类模型精确度的一种指标，同时兼顾了精度P和召回率R。