[发明专利]一种基于快速图卷积的点云分割方法

说明书

本发明提供了一种基于快速图卷积的点云分割方法。首先，对输入点云数据进行增广和归一化处理；然后，通过迭代进行局部图构建、特征拼接和特征学习，提取得到点云特征；最后，利用多层感知机对特征进行映射处理，并通过对映射特征进行分类，得到点云的分类结果。本发明具有模型参数少、计算简单快速的特点，且充分利用点云原始位置信息，分割精度高。

技术领域

本发明属计算机视觉、点云数据处理技术领域，具体涉及一种基于快速图卷积的点云分割方法，可以应用于自动驾驶、虚拟现实等方面。

背景技术

随着3D扫描仪、激光雷达、RGB-D相机等3D传感器的高速发展，3D数据的获取成本不断降低，三维数据在日常生活中的应用也越来越广泛。3D传感器获得的3D数据可以表示为深度图、映射图、表面网格、体素网格、点云等形式。其中，点云表示最为常用，不需要任何离散化处理，且保留了三维空间中物体最原始的结构信息、形状信息、尺度信息。相比2D图像，3D点云数据可以帮助人类理解真实环境的三维语义信息。精准高效的三维点云数据的语义分割在虚拟现实、增强现实、自动驾驶、城市规划、遥感制图等方面有着巨大的应用潜力。

基于深度学习的点云分割方法主要有三种，包括Alexandre在文献“B.Alexandre,G.Joris,S.Bertrand and A.Nicolas.SnapNet:3D point cloud semantic labelingwith 2D deep segmentation networks.ComputersGraphics,71,189-198,2017.”中提出的基于映射的方法，这种方法将点云映射为RGB图和深度图像，使用2D分割网络进行图像分割并将结果反向映射到点云中，进而完成点云分割任务；Qi等人在文献“C.Qi,L.Yi,H.Su,and L.Guibas.PointNet++:Deep Hierarchical Feature Learning on Point Sets in aMetric Space.Neural Information Processing Systems,2017,5105-5114.”中提出的基于点的方法，这种方法使用共享的多层感知机进行逐点特征提取，以此为依据进行点云分割；Wang等人在文献“Y.Wang,Y.Sun,Z.Liu,S.E.Sarma,M.Bronstein,andJ.Solomon.Dynamic Graph CNN for Learning on Point Clouds.ACM Transactions onGraphics,38,146-158,2019.”中提出的基于图卷积的方法，该方法在点云数据上构建局部动态图，然后设计了可微的卷积模块来提取点云的特征，最终根据提取的特征进行点云分割。虽然基于图卷积的方法相比于前两种方法取得优秀的点云分割精度，但是其忽略了点云位置信息在图构建中的重要作用，且在模型参数量大、浮点运算量多，计算速度慢。

发明内容

为了克服现有方法在点云分割任务中速度慢、模型参数量大的不足，本发明提供一种基于快速图卷积的点云分割方法。首先，对输入点云数据进行增广和归一化处理；然后，通过迭代进行局部图构建、特征拼接和特征学习，提取得到点云特征；最后，利用多层感知机对特征进行映射处理，并通过对映射特征进行分类，得到点云的分类结果。本发明具有模型参数少、计算简单快速的特点，且充分利用点云原始位置信息，分割精度高。

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：