[发明专利]一种基于图卷积的融合方向和距离的三维点云分割方法

权利要求书

1.一种基于图卷积的融合方向和距离的三维点云分割方法，其特征在于，包括：

提取出点云中所有点的坐标建立邻接矩阵；

计算每个点之间的余弦相似度得到相似矩阵；

选取相似度最高的前K个点构造邻域图；

基于所述邻域图上点与点之间的特征进行动态图卷积，实现三维点云分割。

2.如权利要求1所述的基于图卷积的融合方向和距离的三维点云分割方法，其特征在于：提取出点云中所有点的坐标建立邻接矩阵包括，

对输入的点云进行随机采样，根据数据集的规模大小不同分别采取1024、2048或者4096个点，每个点均包含其三维坐标(x，y，z)，采样点以N×3大小的邻接矩阵表示。

3.如权利要求1或2所述的基于图卷积的融合方向和距离的三维点云分割方法，其特征在于：所述点云P包括n个点，所述n个点分别用其x，y，z坐标表示，则所述点云为P＝{p_i|i＝1，2，...，n}，其中，p_i记为所述点云中的第i个点，坐标表现形式为p_i＝(x_i，y_i，z_i)。

4.如权利要求3所述的基于图卷积的融合方向和距离的三维点云分割方法，其特征在于：所述计算每个点之间的余弦相似度包括，

计算任意第i个点p_i＝(x_i，y_i，z_i)和第j个点p_j＝(x_j，y_j，z_j)基于坐标原点的方向向量之间的夹角的余弦值cosθ_ij，计算公式为：

5.如权利要求4所述的基于图卷积的融合方向和距离的三维点云分割方法，其特征在于：对所述每个点向量余弦值进行归一化，得到任意两个点p_i和点p_j的余弦相似度similarity_ij，其计算公式为：

similarity_ij＝0.5+0.5×cosθ_ij。

6.如权利要求1或5所述的基于图卷积的融合方向和距离的三维点云分割方法，其特征在于：基于所述余弦相似度的值的范围在0到1之间，得到所述每个点之间的相似度矩阵，所述相似度矩阵按照从大到小的顺序进行排列。

7.如权利要求6所述的基于图卷积的融合方向和距离的三维点云分割方法，其特征在于：判断所述余弦相似度大小的标准包括，在一个点云中，其值越接近1，两个点之间的余弦相似度越大。

8.如权利要求7所述的基于图卷积的融合方向和距离的三维点云分割方法，其特征在于：在得到所述相似度矩阵之后，通过K近邻算法，选取所述相似度矩阵中前K个点，构造所述邻域图，所述邻域图中包含距离点p_i最近的K个点。

9.如权利要求8所述的基于图卷积的融合方向和距离的三维点云分割方法，其特征在于：以所述前K个点的距离为基础定义其边缘特征包括，

e_ij＝h_Θ(p_i，p_j-p_i)

其中，h_θ表示非线性函数，θ表示可学习的参数。