CN112070054A - 基于图结构与注意力机制的车载激光点云标线分类方法 - Google Patents

Abstract

本发明涉及一种基于图结构与注意力机制的车载激光点云标线分类方法，包括以下步骤：步骤A：基于强度校正进行标线分割，得到独立标线对象；步骤B：基于分割后的独立标线对象，利用EdgeConv进行特征提取与嵌入；步骤C：在设定邻域范围内进行标线间最短距离重采样，对每个标线构建重采样的标线图结构；步骤D：通过构建多头注意力机制，更新图结构节点特征；步骤E：将图结构和注意力机制嵌入深度神经网络，构建深度图模型GAT_SCNet，然后基于构建的深度图模型GAT_SCNet进行标线类别预测，输出独立标线的类别标签。该方法有利于提高车载激光点云标线分类的精度。

Description

基于图结构与注意力机制的车载激光点云标线分类方法

技术领域

本发明属于车载激光扫描点云数据处理领域，具体涉及一种基于图结构与注意力机制的车载激光点云标线分类方法。

背景技术

交通标线作为路面重要的特征标志，高精度的几何与语义信息如形状、位置、拓扑和结构关系信息的快速获取与更新对保障交通安全具有重要作用。车载激光扫描系统能够高效、精确地获取道路场景的三维空间信息和回波强度信息，为大范围道路标线的识别和更新提供一种新的数据源。由于交通标线类别多样，行人和车辆等大范围遮挡和干扰会影响了标线几何和纹理特征分布的连续性。如何从分割后的标线识别其类别，特别是相似标线的识别是标线分类难点问题。

目前，有学者通过联合标线形状特征、空间分布特征(方向、排列)、以及道路场景语义特征，利用决策树、SVM、模板匹配等分类器实现区分相似标线的，如根据相邻对象的平行关系将斑马线与虚线型标线进行精细区分或利用模板匹配精细区分不同箭头标志。这些方法在一些较为规则的道路场景中取得较好的标线分类效果，但特征选择和参数设置需要较强的先验知识，在复杂场景中自动化程度和鲁棒性较差。

近年来，利用深度学习理论，自动提取不同类型标线的高层次特征实现精细分类，也成为目前的发展趋势。如有学者采用深度玻尔兹曼机(Deep BoltzmannMachine model,DBM)、卷积神经网络(ConvolutionalNeural Networks,CNN)等深度模型实现标线分类。目前这些深度模型在预先分离实线型标线的基础上，对小尺寸标线分类取得一些突破性成果，但仍然需要人工定义语义规则区分形状相似标线，缺乏场景先验知识指导，降低了标线提取的完备性和可靠性。

专利号为CN111160328A，发明名称为“一种基于语义分割技术的交通标线自动提取的方法”的专利将深度学习语义分割DeepLabV3+网络应用于地面点云生成的图像，并结合图像模板匹配的方式实现交通标线的分类。该方法通过图像掩膜增强提高了标线提取的精度，但不能解决相似对象的精细分类问题。

专利号为CN110502973A，发明名称为“一种基于车载激光点云的道路标线自动化提取和识别方法”的专利基于积分图的自适应阈值分割算法提取道路标线点云，对提取的道路标线点云进行欧式聚类，根据聚类获得的点云聚落的宏观特征实现对道路标线的识别。但该方法也仅适用于区分实线型和虚线型标线，难以做到全类型标线精细分类。

专利号为CN104197897A，发明名称为“一种基于车载激光扫描点云的城区道路标线自动分类方法”的专利针对不同道路标线采用不同语义特征描述，结合形状特征、标线与轨迹线或路坎的相对位置实现大尺寸标线分类，通过标线二值图像对应的向量构建形状描述子，采用DBM进行小目标识别。该方法对不同类型的标线构建不同的分类模型，未形成适用于多类别标线的统一特征描述子。

专利号为CN106503678A，发明名称为“基于移动激光扫描点云的道路标线自动检测和分类方法”的专利针对多种道路标线类别，利用近似宽度、最小包围矩形的长度和宽度、以及与轨迹线的夹角构建决策树，实现道路标线的分类。该方法依赖标线形状特征较好识别菱形、多向转向箭头等具有显著形状差异的标线，对于虚线、斑马线等形状相似标线的识别精度较低，同时构建的单一空间方位关系依赖辅助数据。

发明内容

本发明的目的在于提供一种基于图结构与注意力机制的车载激光点云标线分类方法，该方法有利于提高车载激光点云标线分类的精度。

为实现上述目的，本发明采用的技术方案是：一种基于图结构与注意力机制的车载激光点云标线分类方法，包括以下步骤：

步骤A：基于强度校正进行标线分割，得到独立标线对象；

步骤B：基于分割后的独立标线对象，利用EdgeConv进行特征提取与嵌入；

步骤C：在设定邻域范围内进行标线间最短距离重采样，对每个标线构建重采样的标线图结构；

步骤D：通过构建多头注意力机制，更新图结构节点特征；

步骤E：将图结构和注意力机制嵌入深度神经网络，构建深度图模型GAT_SCNet(Graph attention network with spatial context information)，然后基于构建的深度图模型GAT_SCNet进行标线类别预测，输出独立标线的类别标签。

进一步地，所述步骤A具体包括以下步骤：

步骤A1：基于强度增强后的路面点云数据，采用K均值聚类从路面点云中提取标线点云；

步骤A2：基于步骤A1的点云分割结果，通过连通分支聚类获得独立的标线对象。

进一步地，所述步骤B具体包括以下步骤：

步骤B1：逐点构建独立标线对象内部点的k近邻有向图结构G＝(V，E)，其中顶点V＝{x_p，y₁，...，y_q}，q∈k，由点x_p与距离其最邻近的k个点构成，边E定义为E＝{e_p1，e_p2，...，e_pq}；

步骤B2：对图G的边特征E采用EdgeConv模块提取与更新中心点x_p的特征；

步骤B3：堆叠两个EdgeConv模块，提取标线点更大视野域中的特征，将聚合特征通过多层感知机提取全局特征，作为独立标线的全局特征g；

步骤B4：提取标线的重心点位置pos，与全局特征g进行拼接，然后作为标线的初始特征嵌入深度图模型GAT_SCNet中，作为其节点特征x；

x＝[pos||g]

式中，||表示向量拼接。

进一步地，所述步骤C具体包括以下步骤：

步骤C1：以中心标线对象重心点为邻域原点，划定半径为r的邻域范围，只要邻域标线对象有点落入该范围内，则将该邻域标线对象包含在

邻居标线集中；

步骤C2：基于步骤C1的邻居标线集

在该集合内逐对象遍历与中心对象的最短距离，重采样中心标线υ_i的K个近邻标线

建立标线i重采样的图结构

其中

为图的节点，

为中心υ_i与邻居节点u_j之间的边，υ_i为中心节点，u_j为其邻域

中重采样邻居节点，x为节点特征。

进一步地，所述步骤D具体包括以下步骤：

步骤D1：定义节点自注意力特征F_Nod为：

式中，α_ij为邻居节点注意力系数，g′_j为邻居节点全局特征g_j进行编码映射的更高层次特征，f(·)为非线性聚合函数；

步骤D2：考虑标线自身的信息和与邻居标线的联结强度关系，采用自注意力和领域注意力来计算中心节点υ_i和边缘特征∈_ij形成的邻接节点纹理特征F_Gap，定义为：

式中，β_ij为纹理注意力系数，∈′_ij为边缘特征∈_ij进行编码映射的更高层次特征，边缘特征∈_ij＝g_i-g_j定义为节点间全局特征之间的差异，f(·)为非线性聚合函数；

步骤D3：道路标线具有规范的邻域空间分布特性，为获取标线之间空间分布关系，在步骤C标线图结构的基础上，将邻居标线与中心标线间的空间几何结构按照正交基

方向分解，根据节点向量与基向量之间的几何关系，形成空间语义注意力特征F_Con，定义为：

式中，d_ij为中心节点与邻居节点之间的距离权重，ξ_ij为邻居节点的节点语义特征：

式中，

为节点向量进行正交基分解相对应的夹角，

为正交分解特征变换矩阵；

步骤D4：采用多头注意力机制，将三种注意力特征与中心点v_i进行特征拼接，并经过特征更新函数ζ(·)得到输出特征h_v，进行整个图神经网络的节点特征更新，将更新后的节点特征作为下一次循环的输入：

式中，

为第l-1层中心节点特征，

为第l层中心节点新特征。

进一步地，所述步骤E具体包括以下步骤：

步骤E1：在图深度模型GAT_SCNet的目标损失函数Loss引入中值频率平衡策略来加权每个类的损失，对标线分类中不同样本数量的类别分别赋予不同的权重：

式中，N是min-batch中的标线个数，C是所有类别集合，

是类c中的第n个标线的Softmax层输出，

是其one-hot编码的对应标签，w_c是c类的损失加权：

式中，N_c为总样本N中的某一标线类c的数量；

步骤E2：深度图模型GAT_SCNet以道路场景中所有独立标线作为网络数据，每个独立标线包含n个点，基于步骤B、C、D聚合周围标线特征形成中心节点特征h_v的基础上，利用多层感知机和Softmax层组成的分类器对更新后节点特征h_v进行标线类别预测，最终输出为独立标线的类别标签c。

相较于现有技术，本发明具有以下有益效果：本发明打破了传统方法对车载激光点云交通标线精细分类需预先分离实线型标线，并对形状相似标线的识别需人工定义语义规则的局限，直接面向车载激光点云分割后的独立标线对象，根据独立对象与其周围标线的拓扑和语义位置关系，利用重采样的标线图结构描述这种固定结构和模式，将标线的精细分类问题转化为图结构中节点分类学习问题，通过融合多种注意力机制建立图结构中节点和边的聚合和更新机制，将图结构和注意力机制嵌入到深度神经网络，动态、自适应学习图结构以适应不同标线结构，实现车载激光点云中全类型标线的高精度分类。因此，本发明具有很强的实用性和广阔的应用前景。

附图说明

图1是本发明实施例的方法实现流程图。

图2是本发明实施例中基于EdgeConv的节点特征提取示意图。

图3是本发明实施例中重采样标线图结构示意图。

图4是本发明实施例中节点注意力特征模块示意图。

图5是本发明实施例中纹理注意力系数生成示意图。

图6是本发明实施例中基于空间方向的边特征分解示意图。

图7是本发明实施例中深度图模型GAT_SCNet示意图。

图8是本发明实施例中典型场景标线精细分类结果示意图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步的详细说明。

本发明提供了一种基于图结构与注意力机制的车载激光点云标线分类方法，通过基于固定邻域范围内标线间最短距离重采样的标线图结构来抽象表示标线间的几何、拓扑、语义关系，将标线精细分类问题转化为图结构中节点分类学习问题，融合多种注意力机制建立图结构中节点和边的聚合和更新机制，将图结构和注意力机制嵌入到深度神经网络，动态、自适应学习图结构以适应不同标线结构，实现车载激光点云中全类型标线的高精度分类。

请参阅图1，本发明基于图结构与注意力机制的车载激光点云标线分类方法，具体包括以下步骤：

步骤A：基于强度校正进行标线分割，得到独立标线对象。具体包括以下步骤：

步骤A1：基于强度增强后的路面点云数据，采用K均值聚类从路面点云中提取标线点云。基于最近邻准则和强度相似性将点云划分到与其强度差值最小的聚类中心作为该点对应的类别，将路面点云分割成标线点云和非标线点云两类。

步骤A2：基于步骤A1点云K均值聚类结果，本发明通过连通分支聚类获得独立的标线对象，作为本发明的研究对象。

步骤B：基于分割后的独立标线对象，利用EdgeConv进行特征提取与嵌入。具体包括以下步骤：

步骤B1：对于每个独立标线，假设其包含n个点

F为离散点坐标(x，y，z)。逐点x_p构建独立标线对象内部点的基于k近邻(Knn)的有向图结构G＝(V，E)，如图2Graph Knn模块所示，其中顶点V＝{x_p，y₁，...，y_q}，q∈k，由点x_p与距离其最邻近的k个点构成，边E定义为E＝{e_p1，e_p2，...，e_pq}：

e_pq＝γ((x_p，y_q-x_p)，Θ)

式中，e_pq为点云间的边缘特征，γ(·)为共享边缘函数，Θ为其参数，选用激活函数为ReLU的感知机进行函数学习，邻近点个数k设置为10。

步骤B2：对于Knn图结构G的边特征E，EdgeConv模块采用对称聚合函数ReLU融合点云全局信息特征与局部几何特征，并用最大池化max函数进行边特征聚合来更新中心点x_p的特征。

步骤B3：为了提取更为全局的特征，如图2所示，本发明堆叠两个EdgeConv模块，提取标线点更大视野域中的特征，然后将聚合特征通过多层感知机提取其1024维全局特征作为独立标线全局特征g：

式中，

为第一个EdgeConv模块提取的特征，

为第二个EdgeConv模块提取的特征。

步骤B4：同时本发明提取标线的重心点位置pos，与全局特征进行拼接作为标线的初始特征嵌入深度图模型GAT_SCNet中作为其节点特征x：

式中，||表示向量拼接。

步骤C：在设定邻域范围内进行标线间最短距离重采样，对每个标线构建重采样的标线图结构。具体包括以下步骤：

步骤C1：对每个独立标线，一般选择其K近邻标线作为邻居节点建立Knn图结构，若以标线间重心点距离进行Knn搜索时，一些更利于中心标线识别的邻居标线由于重心点间距离较大而被忽略。如图3(a)，对于中心停止线，本发明以其重心点为邻域原点，划定半径为r的邻域范围，只要邻域标线对象有点落入该范围内，该邻域对象则包含在

邻居标线集中的规定，与停止线重心距离较远但具有邻接关系的实线型标线得以保留。

步骤C2：基于步骤C1的邻居标线集

在该集合内逐对象遍历与中心对象的最短距离，根据最短距离本发明重采样与中心标线υ_i最近邻的K个近邻标线

(如图3(b))，在这里K设置为8。

步骤C3：基于步骤C2的重采样邻域标线，建立标线υ_i重采样的图结构

其中

为图的节点，

为中心υ_i与邻居节点u_j之间的边，υ_i为中心节点，u_j为其邻域

中重采样邻居节点，x为节点特征(如图3(c))。

步骤D：通过构建多头注意力机制，更新图结构节点特征。具体包括以下步骤：

步骤D1：在重采样标线图结构中，与中心节点具有相似全局特征的邻居节点更利于节点的识别，因此本发明首先提取节点自注意力特征F_Nod(如图4)。该步骤具体通过以下分步骤实现：

步骤D1-1：首先本发明将节点全局特征g进行编码映射为更高层次特征g′。

g′＝h(g，θ)

式中，h(·)为非线性参数函数，选用激活函数为ReLU单层感知机MLP{128}进行函数学习，θ为网络参数。

步骤D1-2：然后选用激活函数为LeakyReLU的单层感知机MLP{1}学习邻居节点u_j对中心节点υ_i的注意力分数δ_ij

δ_ij＝LeakyReLU(a^T[g′_i||g′_j])

式中，g′_i和g′_j为节点υ_i,u_j高层次特征，a^T为一个可训练的节点级的注意力向量，||表示向量拼接。

步骤D1-3：之后使用遮罩注意力(MaskedAttention)机制将节点间结构信息注入图结构中，使用softmax函数计算归一化的节点注意力系数α_ij：

步骤D1-4：基于步骤D1-3的邻居节点注意力系数α_ij，本发明对邻居节点特征加权聚合作为中心节点的节点注意力特征F_Nod：

式中，f(·)为非线性聚合函数。

步骤D2：考虑标线自身的信息和与邻居标线的联结强度关系，本发明采用自注意力和领域注意力来计算中心节点υ_i和边缘特征∈_ij形成的邻接节点纹理特征，作为标线子图结构纹理注意力特征F_Gap(如图5)。该步骤具体通过以下分步骤实现：

步骤D2-1：首先本发明定义边缘特征∈_ij为节点间全局特征之间的差异，并利用步骤D1-1中共享参数θ的MLP层将边缘特征∈_ij映射为更高层次特征∈′_ij：

∈′_ij＝h(∈_ij，θ)＝h((g_i-g_j)，θ)

步骤D2-2：然后融合中心节点自注意力和边缘特征∈′_ij构成的领域注意力计算不同邻接节点的纹理注意力得分，用softmax函数归一化后作为纹理注意力系数β_ij：

步骤D2-3：基于步骤D2-2所得纹理注意力系数β_ij，本发明加权聚合边缘特征作为中心节点纹理注意力特征F_Gap：

式中，f(·)采用与步骤D1-4相同非线性聚合函数。

步骤D3：道路标线具有规范的邻域空间分布特性(如排列、方向、距离)，为获取标线之间空间分布关系，在步骤B2构建的标线图结构的基础上，构建以中心标线的重心点为原点，主方向为X方向，法方向为Y方向局部坐标体系，将邻居标线与中心标线间的空间几何结构分解到此坐标系两个正交基

方向上，根据节点向量与基向量之间的几何关系聚合节点特征形成空间语义注意力特征F_Con。该步骤具体通过以下分步骤实现：

步骤D3-1：首先，本发明依据正交基

的正负方向定义了4个子正交基B，依据邻居节点所处象限位置，将节点向量

分解到相应正交基方向

上，并计算两者方向夹角

(如图6(b))：

式中，节点向量

为中心标线重心点指向邻居标线重心点向量：

步骤D3-2：然后以步骤D3-1所求夹角作为方向相关的权重聚合每个正交基方向上的邻居节点边缘特征∈′_ij形成当前邻居节点的节点语义特征ξ_ij(如图6(c))：

式中，

为将边缘∈′_ij特征按夹角

分解到两个正交坐标基上转换矩阵，通过MLP学习。

步骤D3-3：最后本发明根据标线间距离对步骤D3-2提取的节点语义特征ξ_ij加权聚合，从而得到中心节点υ_i的空间语义注意力特征F_Con：

式中，d_ij为中心节点与邻居节点之间的距离权重：

d_ij＝(r-||pos_i-pos_j||²)

步骤D4：对每个标线节点计算节点注意力特征、纹理注意力特征和语义注意力特征后，本发明采用多头注意力机制，将三种注意力特征与中心点v_i进行特征拼接，并经过特征更新函数ζ(·)得到输出特征h_v进行整个图神经网络的节点特征更新，将更新后的节点特征作为下一次循环的输入：

式中，

为第l-1层中心节点特征，

为第l层中心节点新特征，函数ζ(·)采用激活函数为ReLU的单层感知机MLP{512}进行函数学习。

步骤E：将图结构和注意力机制嵌入深度神经网络，构建深度图模型GAT_SCNet，然后基于构建的深度图模型GAT_SCNet进行标线类别预测，输出独立标线的类别标签。具体包括以下步骤：

步骤E1：在城市道路场景的中，虚线、斑马线数量占较大比例，而箭头、文字标志等数量较少。采用标准的交叉熵损失函数来训练标线分类模型GAT_SCNet，容易导致严重的类别不平衡问题，数量较少标线(箭头、文字标志)的损失将无法精确计算。为了克服类别数量差异较大对标线分类精度的影响，在图深度模型GAT_SCNet的目标损失函数Loss引入中值频率平衡策略来加权每个类的损失，对标线分类中不同样本数量的类别分别赋予不同的权重：

式中，N是min-batch中的标线个数，C是所有类别集合，

是类c中的第n个标线的Softmax层输出，

是其one-hot编码的对应标签，w_c是c类的损失加权：

式中，N_c为总样本N中的某一标线类c的数量。

步骤E2：本发明以DGCNN网络为骨架网络，在聚合周围标线特征形成中心节点特征h_v的基础上，利用多层感知机(MLP{512,256})和Softmax层组成的分类器对更新后节点特征h_v进行标线类别预测，网络结构如图7。深度图模型GAT_SCNet的输入为道路场景中所有独立标线，其中N为道路场景中分割后独立标线个数，n为每个独立标线包含点云个数，输出为独立标线的类别标签c。

如图8典型场景标线分类精细结果所示，本发明构建的深度图模型GAT_SCNet能够准确识别绝大多数道路标线，不仅能够有效区分形状差异较大的菱形、箭头、符号，同时对形状相似度高的虚线型标线、斑马线、停止线、实线段能够进行精细分类，能较好的克服大尺度实线型标线对小尺度标线影响，具有较强鲁棒性。对于因磨损、遮挡导致缺失的标线或因过分割导致同一目标存在多个部分的箭头标线，深度图模型GAT_SCNet能够准确的将这些缺失标线分类，能够克服原始数据质量及分割结果对标线形状、结构的影响。

本发明方法直接面向三维激光点云对象通过构建一个适用于全尺寸标线分类的统一深度学习框架，克服实线型标线对非实线型标线分类的影响，实现全类型标线精细分类；同时将标线间几何和依存关系利用重采样标线图结构进行统一描述，提高形状相似标线的分类精度，解决复杂道路环境中因残缺、磨损、遮挡等导致的结构缺失标线的识别问题，为车载激光点云交通标线精细分类提取提供了一种新的研究方法。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (6)

1.一种基于图结构与注意力机制的车载激光点云标线分类方法，其特征在于，包括以下步骤：

步骤A：基于强度校正进行标线分割，得到独立标线对象；

步骤B：基于分割后的独立标线对象，利用EdgeConv进行特征提取与嵌入；

步骤C：在设定邻域范围内进行标线间最短距离重采样，对每个标线构建重采样的标线图结构；

步骤D：通过构建多头注意力机制，更新图结构节点特征；

步骤E：将图结构和注意力机制嵌入深度神经网络，构建深度图模型GAT_SCNet，然后基于构建的深度图模型GAT_SCNet进行标线类别预测，输出独立标线的类别标签。

2.根据权利要求1所述的一种基于图结构与注意力机制的车载激光点云标线分类方法，其特征在于，所述步骤A具体包括以下步骤：

步骤A1：基于强度增强后的路面点云数据，采用K均值聚类从路面点云中提取标线点云；

步骤A2：基于步骤A1的点云分割结果，通过连通分支聚类获得独立的标线对象。

3.根据权利要求2所述的一种基于图结构与注意力机制的车载激光点云标线分类方法，其特征在于，所述步骤B具体包括以下步骤：

步骤B1：逐点构建独立标线对象内部点的k近邻有向图结构G＝(V，E)，其中顶点V＝{x_p，y₁，…，y_q}，q∈k，由点x_p与距离其最邻近的k个点构成，边E定义为E＝{e_p1，e_p2，…，e_pq}；

步骤B2：对图G的边特征E采用EdgeConv模块提取与更新中心点x_p的特征；

步骤B3：堆叠两个EdgeConv模块，提取标线点更大视野域中的特征，将聚合特征通过多层感知机提取全局特征，作为独立标线的全局特征g；

步骤B4：提取标线的重心点位置pos，与全局特征g进行拼接，然后作为标线的初始特征嵌入深度图模型GAT_SCNet中，作为其节点特征x；

x＝[pos||g]

式中，||表示向量拼接。

4.根据权利要求3所述的一种基于图结构与注意力机制的车载激光点云标线分类方法，其特征在于，所述步骤C具体包括以下步骤：

步骤C1：以中心标线对象重心点为邻域原点，划定半径为r的邻域范围，只要邻域标线对象有点落入该范围内，则将该邻域标线对象包含在

邻居标线集中；

步骤C2：基于步骤C1的邻居标线集

在该集合内逐对象遍历与中心对象的最短距离，重采样中心标线υ_i的K个近邻标线

建立标线i重采样的图结构

其中

为图的节点，

为中心υ_i与邻居节点u_j之间的边，υ_i为中心节点，u_j为其邻域

中重采样邻居节点，x为节点特征。

5.根据权利要求4所述的一种基于图结构与注意力机制的车载激光点云标线分类方法，其特征在于，所述步骤D具体包括以下步骤：

步骤D1：定义节点自注意力特征F_Nod为：

式中，α_ij为邻居节点注意力系数，g′_j为邻居节点全局特征g_j进行编码映射的更高层次特征，f(·)为非线性聚合函数；

步骤D2：考虑标线自身的信息和与邻居标线的联结强度关系，采用自注意力和领域注意力来计算中心节点υ_i和边缘特征∈_ij形成的邻接节点纹理特征F_Gap，定义为：

式中，β_ij为纹理注意力系数，∈′_ij为边缘特征∈_ij进行编码映射的更高层次特征，边缘特征∈_ij＝g_i-g_j定义为节点间全局特征之间的差异，f(·)为非线性聚合函数；

步骤D3：道路标线具有规范的邻域空间分布特性，为获取标线之间空间分布关系，在步骤C标线图结构的基础上，将邻居标线与中心标线间的空间几何结构按照正交基

方向分解，根据节点向量与基向量之间的几何关系，形成空间语义注意力特征F_Con，定义为：

式中，d_ij为中心节点与邻居节点之间的距离权重，ξ_ij为邻居节点的节点语义特征：

式中，

为节点向量进行正交基分解相对应的夹角，

为正交分解特征变换矩阵；

步骤D4：采用多头注意力机制，将三种注意力特征与中心点v_i进行特征拼接，并经过特征更新函数ζ(·)得到输出特征h_v，进行整个图神经网络的节点特征更新，将更新后的节点特征作为下一次循环的输入：

式中，

为第l-1层中心节点特征，

为第l层中心节点新特征。

6.根据权利要求5所述的一种基于图结构与注意力机制的车载激光点云标线分类方法，其特征在于，所述步骤E具体包括以下步骤：

步骤E1：在图深度模型GAT_SCNet的目标损失函数Loss引入中值频率平衡策略来加权每个类的损失，对标线分类中不同样本数量的类别分别赋予不同的权重：

式中，N是min-batch中的标线个数，C是所有类别集合，

是类c中的第n个标线的Softmax层输出，

是其one-hot编码的对应标签，w_c是c类的损失加权：

式中，N_c为总样本N中的某一标线类c的数量；

步骤E2：深度图模型GAT_SCNet以道路场景中所有独立标线作为网络数据，每个独立标线包含n个点，基于步骤B、C、D聚合周围标线特征形成中心节点特征h_v的基础上，利用多层感知机和Softmax层组成的分类器对更新后节点特征h_v进行标线类别预测，最终输出为独立标线的类别标签c。

Images