[发明专利]一种基于快速图卷积的点云分割方法

权利要求书

1.一种基于快速图卷积的点云分割方法，其特征在于步骤如下：

步骤1：对于输入的点云数据进行数据增广处理，包括随机旋转、随机尺度放缩、随机尺度采样，再对增广后的数据进行归一化处理；

步骤2：将点云中每个点的原始位置信息和通过神经网络学习到的位置信息相加，得到增强的位置信息，然后按下式计算得到点云中各个点之间的距离矩阵：

其中，dis为度量距离矩阵，大小为N×N，N为点云包含的点的数量，矩阵dis中第i行第j列元素值表示点云中第i个点与第j个点的距离，i,j＝1,2,…,N，表示增强的位置信息，第一次网络学习时该增强位置信息与原始位置信息相同；

对于第i个点，选择矩阵dis中第i行元素值最小的k个点，构建该点对应的局部图；k值设置为10、20或40；

步骤3：按下式对每个点的特征进行拼接：

F^L＝Concatenate(P_i-P₀,P₀) (2)

其中，F^L表示拼接后的特征，Concatenate(·)表示矩阵拼接操作，P_i表示该点的第i个近邻点的特征，P₀表示该点的特征；

步骤4：对利用步骤3得到的所有点的拼接特征使用1×1卷积核进行卷积操作，得到点云特征，再对点云特征进行最大池化处理，得到新的点云特征；

步骤5：以步骤4得到新的点云特征作为下一次学习用点云特征，返回步骤2进行迭代学习，共学习3次，将3次得到的点云特征进行拼接操作，以拼接后的特征作为点云的最终特征；

步骤6：按下式计算得到映射特征F′：

F′＝Dropout(δ(MLP(F)),prob) (3)

其中，δ(·)为LeaklyReLU激活函数，MLP(·)为多层感知机函数，Dropout(·,prob)表示按照prob概率对该层网络中的每个神经元的输出结果置零，prob概率的取值范围为0.3-0.5；F表示映射前特征，初始时为步骤5得到的点云特征；

以每次得到的映射特征作为新的输入特征F，重复上述映射4次，得到最终的映射特征；

步骤7：对映射特征进行分类处理，以映射特征的分类结果作为点云分割结果。