[发明专利]一种大规模点云局部区域特征编码方法

说明书

一种大规模点云局部区域特征编码方法，属于大规模点云语义分割领域，包括以下步骤：获取大规模点云数据；对点云数据中每个点进行特征的拼接，利用K‑D树模型以及K最近邻算法找寻每个点欧式空间中最近的K个邻域点；为每一个中心点进行三维坐标信息编码，将输出的邻域点特征聚合到一起得到每个点聚合后的特征；提取每一个点聚合后的特征，保留点云的空间几何结构信息，针对大规模无序点云数据，对其建立Kd‑tree的数据结构组织，利用邻域搜索算法找寻每个点欧式空间中最近的K个邻域点，通过局部区域的编码的方式为每个点添加冗余信息，将上述输出的邻域点特征聚合到一起得到每个点聚合后的特征，最终实现对点云局部特征信息的有效提取。

技术领域

本发明涉及大规模点云语义分割领域，尤其涉及一种大规模点云局部区域特征编码方法。

背景技术

随着信息化时代潮流的到来，人工智能领域的研宄成为大势所趋。如何在复杂场景中进行物体识别是深度学习中非常重要的研宂内容，三维点云数据相较于二维数据能够提供更多空间几何信息。在点云语义分割方面较为经典的网络有PointNet，此网络关键模块之一为T-net(Transfbrmation Network)是输入点云数据和输出变换矩阵之间的神经网络称T-net的作用是消除点云因旋转、缩放等几何变换的影响，也可被称作是对齐操作。PointNet解决了点云输入顺序的问题，取得很好的效果。但是考虑点云全局特征，点云数据量大并且场景复杂，相邻点之间的局部几何特征也要得到充足考虑，因此对于局部特征要求更高的大规模点云数据且场景复杂，PointNet无法解决。PointNet++在PointNet的基础上增加了多级采样层和分组层，采用层次化学习的思想，多层级提取特征并跳跃级联多个尺度的特征，充分利用网络学习到的特征，增强了网络对于复杂场景的理解能力。PointNet解决了将点云划分为局部区域并从局部区域提取特征，同时可以自适应不同点云密度下的特征提取。但是当点云规模变成百万级别的时候，对于点与点之间的几何特征信息保存不足。

发明内容

为了解决当前大多数深度神经网络都是研究小规模点云的语义分割，对大规模点云的讨论较少，对大规模点云的语义分割的讨论目前都需要进行预处理，这样导致计算复杂度高，消耗时间长，不能高效的处理较大规模的点云数据，并且分割精确度不高和计算速度较慢，最重要的是只考虑了点云的全局特征，对于点与点之间的局部几何特征信息考虑不足，本发明提供本发明采用的技术方案是：

一种大规模点云局部区域特征编码方法，包括以下步骤：

S1：获取大规模点云数据；

S2：对点云数据中每个点进行特征的拼接，利用K-D树模型以及K最近邻算法找寻每个点欧式空间中最近的K个邻域点；

S3：为每一个中心点进行三维坐标信息编码，将输出的邻域点特征聚合到一起得到每个点聚合后的特征；

S4：提取每一个点聚合后的特征，保留点云的空间几何结构信息。

进一步地，所述为每一个中心点进行三维坐标信息编码包括以下步骤：

S31:采用邻域搜索方法找寻中心点近邻的目标点；具体过程如下：

目标点设置为P点，建立用于提取关键点的特征点的K-D树，根据不同维度来递归的搜索已建K-D树，当P点数量点云数量N，递归搜索左子树，反之搜索右子树，以根节点为X轴维度为例，则比较P点X轴坐标和根节点值；递归搜索左子树，反之搜索右子树；

S32:当搜索到左子树或右子树的底部叶子节点时，将其标记为已访问，设邻域点集合为S，需找寻近邻点数量为K，判断此时的S中是否有K个点，若否，则将该点加入S；计算该点与目标点P的欧式距离，否则替换该点；

S33:如果当前节点是根节点且已经被标记访问，停止迭代；

如果当前节点不是根节点或者是根节点且未访问，则回溯到父节点，若父节点已被访问，则继续回溯；