[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

说明书

本发明公开了一种点云局部特征提取方法、装置、设备及存储介质，包括以下步骤：首先，本发明提出了一种新的用于点云局部特征提取的图注意网络，该网络可以快速、准确的进行三维点云的语义分割；其次，本发明利用扩展的K近邻搜索算法构造每个点的局部膨胀图区域，利用中心点与其邻域之间的欧式距离几何相关性进行局部特征表达；最后，本发明将注意机制应用到设计的网络层中，称为图注意层，通过对中心点的临近边赋予适当的权值，动态地学习局部扩张图上的上下文注意特征，并通过注意池化操作更好地保留点云的局部几何细节。与现有的点云局部特征提取方法相比，本发明在三维点云形状分类和分割任务上都达到了更好的性能。

技术领域

本发明涉及三维点云处理领域，更具体地说，涉及一种点云局部特征提取方法、装置、设备及存储介质。

背景技术

点云为三维对象提供了简单直观的几何表示，在自动驾驶、室内导航和机器人技术等许多实际应用中，点云的应用越来越广泛。因此，点云的分析与处理越来越受到研究者的重视，特别是近年来基于深度学习的方法在点云特征提取中表现出了非凡的性能。然而，与二维图像中的规则像素不同，三维点云是由非欧几里德空间中的一系列无组织点组成的，典型的二维卷积由于其不规则的稀疏结构无法直接对三维点云进行运算。研究一种有效的点云特征提取方法，可以使三维点云更加有效的服务于当前应用中。

在此之前已有一些专家针对一般点云局部特征提取算法，结合传统的图形学和视觉做了相关研究，这些方法可分为基于多视图的方法、基于体积的方法和基于点的方法。其中，基于多视图的方法将三维点云投影或展平为一组二维视图，以便将二维CNN中使用的标准卷积应用于转换数据以进行特征提取，但这种方法不可避免地会造成投影过程中的几何信息丢失。基于体积的方法可以将点云表示为规则的三维体积网格，以便三维卷积可以与二维卷积一样使用，然而为了获得高分辨率的输出，通常需要消耗大量的内存和大量的计算资源。基于点的方法通常为每个点的特征提取构建了强大的推理模块，并使用简单的最大池操作来聚合点云局部区域的相邻特征，虽然这种对称运算保证了点云的排列不变性，但由于它只捕获全局范围内最重要的信息，区域内其他有用的细节信息可能会丢失。

上述方法都有一个共同的局限性，即不能利用长距离几何信息进行局部精细特征提取。

发明内容

为了解决传统方法无法利用长距离几何信息进行局部精细特征提取的技术问题，本发明构建了一种基于膨胀图神经网络的点云局部特征提取网络，该网络通过对学习到的局部注意几何特征进行聚合，来学习扩张图上的局部特征，并获取足够的局部细节。

为了实现上述目的，本发明提出了一种点云局部特征提取方法，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；

S3、在传统卷积神经网络中引入注意力机制，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；

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。

优选地，步骤S3中，所述在传统卷积神经网络中引入注意力机制，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：