[发明专利]基于通道注意力的点云识别方法及系统

说明书

本发明属于三维数据处理技术领域，具体公开了一种基于通道注意力的点云识别方法及系统，该方法利用输入点云，进行全局位置编码，以点云位置信息和全局位置编码作为第一层层次化点云特征提取模块的输入，将第一层点云特征提取模块的输出当作第二层层次化点云特征提取模块的输出，依次类推，堆叠多层，最后一层输出全局特征，在层次化点云特征提取模块中，将点云采样和分组，进行层次化局部位置编码，进行注意力特征融合提取点云的空间特征。采用本技术方案，在原始点云数据的基础上，分别基于点云的全局、局部位置进行了位置编码，从而将全局、局部位置信息融入点云特征中，同时融合通道注意力提取点云的通道特征，增加点云特征提取的效果。

技术领域

本发明属于三维数据处理技术领域，涉及一种基于通道注意力的点云识别方法及系统。

背景技术

近年来，随着机器人技术和自主驾驶技术的发展，三维传感器开始普及，三维数据越来越容易获得,大规模的三维数据集开始出现，如何正确地处理和分析三维数据也成为了一个值得关注的话题。

然而直接使用处理二维图像数据的方法去处理三维数据并不可行，因为二维图像是由像素逐点表示的，而三维数据通常是一组在三维空间中无序的,离散的点的集合。在二维图像上，通过卷积操作构建复杂的卷积神经网络，来处理二维数据，这极大地提高了二维图像的处理效果。如果模仿由像素表示的二维图像，用体素来表示三维图像数据，需要花费大量的内存来存储数据，由于三维数据本身的稀疏性，导致难以在高分辨率的图像上进行处理。

点云数据是三维数据的直接表示，将三维点的坐标和特征作为自身的参数使用。PointNet直接使用点云来处理数据，学习每个点的空间编码，然后将所有的点特征聚合为全局特征，但PointNet没有考虑点云的局部特征。而PointNet++通过引入层次结构来提取全局和局部特征，解决了这一问题。但这种方法没能够充分利用点云的通道数据，也没能够充分利用点云的全局和局部位置信息，导致在处理点云数据提取特征的过程中，未充分考虑位置信息。

发明内容

本发明的目的在于提供一种基于通道注意力的点云识别方法及系统，增加点云特征提取的效果。

为了达到上述目的，本发明的基础方案为：一种基于通道注意力的点云识别方法，包括如下步骤：

输入点云，进行全局位置编码；

进行层次化点云特征提取，获取点云的全局特征；

利用点云的全局特征进行分类和部件分割。

本基础方案的工作原理和有益效果在于：针对没能充分利用点云的全局和局部位置信息的问题，使用全局位置编码和层次化点云特征提取，获取点云的全局特征。这样可以在扩大感知域提取高级特征的过程中，关注点云的层次化的位置信息，增加点云特征提取的效果。最后提取点云的全局特征用于接下来的形状分类，部件分割任务，操作简单，便于使用。

进一步，层次化点云特征提取方法为：

以点云位置信息和所述全局位置编码作为第一层层次化点云特征提取模块的输入，将第一层点云特征提取模块的输出当作第二层层次化点云特征提取模块的输入，依次类推，不断堆叠层次化点云特征提取模块，最后一层输出全局特征；

在层次化点云特征提取模块中，先将点云采样和分组，再进行层次化局部位置编码，对层次化局部位置编码通过多层感知器提取层次化特征；对提取到的层次化特征使用通道注意力进行注意力特征融合，提取点云的空间特征,最后通过多层感知器和池化层进一步提取点云的空间特征，作为该层层次化点云特征提取模块的输出。