CN117237643A - 一种点云语义分割方法及系统 - Google Patents
一种点云语义分割方法及系统 Download PDFInfo
- Publication number
- CN117237643A CN117237643A CN202311441020.8A CN202311441020A CN117237643A CN 117237643 A CN117237643 A CN 117237643A CN 202311441020 A CN202311441020 A CN 202311441020A CN 117237643 A CN117237643 A CN 117237643A
- Authority
- CN
- China
- Prior art keywords
- feature
- feature extraction
- features
- point
- point cloud
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000004927 fusion Effects 0.000 claims abstract description 77
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims description 130
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及点云分割技术领域，具体涉及一种点云语义分割方法及系统；本发明方法包括获取用于模型训练的点云数据，所述用于模型训练的点云数据包含预先标记的体素信息，采用多特征融合模型利用所述用于模型训练的点云数据进行训练，通过多特征融合模型预测出的体素与对应的所述预先标记的体素信息进行对比，通过差异度调节所述多特征融合模型，通过所述多特征融合模型对点云进行语义分割；本发明将几何形状特征与高层语义特征进行有效融合，丰富了点云的全局、局部特征表示，提高语义分割的性能。
Description
技术领域
本发明涉及点云分割技术领域，具体涉及一种点云语义分割方法及系统。
背景技术
随着3D传感器的快速发展，3D点云的语义分割近年来倍受学术界和工业界关注，信息量大但可以详实地描述空间环境的大规模点云的语义分割更是倍受研究者关注的计算机视觉问题。
由于3D点云信息的无结构与无序性，点云的语义分割是一个很有挑战性的任务，尤其是对于大规模点云的语义分割。近年来，大量基于深度神经网络的方法被用于点云的语义分割。现有的点云语义分割方法主要可以分为三类：基于空间投影的方法、基于空间离散化的方法和基于点处理的方法。基于空间投影的方法首先将3D点云投影至2D平面，然后利用2D语义分割方法实现分割，最后将2D分割结果反投影至3D空间。这类方法在投影过程中不可避免地存在信息丢失，而关键性细节信息的丢失不利于感知系统对环境的准确理解。基于空间离散化的方法首先将3D点云离散化为体素形式，进而基于体素进行后续的语义分割。这类方法存在离散化误差，最终的语义分割精度以及对环境的理解准确度受离散化程度的影响。同时，以上两类方法均需要额外的复杂点云空间处理步骤，如投影和离散化，其较高的计算复杂度使其无法处理大规模点云。因此，如何从大规模点云中提取更有效的特征是阻碍其在保证效率的前提下提升分割精度的关键问题。
发明内容
针对上述现有技术的不足，本发明旨在提供一种点云语义分割方法及系统，以解决现有制备方法对点云数据处理复杂程度高且精度不高的问题。
为了解决上述问题，本发明采用了如下的技术方案：
第一方面，本发明提供一种点云语义分割方法，包括：
获取用于模型训练的点云数据；所述用于模型训练的点云数据包含预先标记的体素信息；
采用多特征融合模型利用所述用于模型训练的点云数据进行训练；所述多特征融合模型包括分类网络和分割网络；所述分类网络包括多层第一特征提取层，每层所述第一特征提取层包括局部边缘几何特征提取模块和点间语义特征提取模块，且所述局部边缘几何特征提取模块和点间语义特征提取模块的输出进行拼接后作为下一第一特征提取层中局部边缘几何特征提取模块的输入，点间语义特征提取模块的输出作为下一第一特征提取层中点间语义特征提取模块的输入；将各第一特征提取层提取的局部边缘几何特征和点间语义特征进行拼接，得到第一融合特征，将所述第一融合特征输入至共享全连接层进行最大池化聚合，得到全局特征描述符，再通过3个全连接层得到体素所属类别的S维向量；
所述分割网络包括多层第二特征提取层，每层所述第二特征提取层包括局部边缘几何特征提取模块和全局特征提取模块，且所述局部边缘几何特征提取模块和全局特征提取模块的输出进行拼接作为所述局部边缘几何特征提取模块的输入；将各第一特征提取层提取的局部边缘几何特征与全局特征进行拼接，得到第二融合特征，将所述第二融合特征进行卷积核最大池化得到全局特征描述符，并将提取的局部边缘几何特征映射到高维特征空间，得出高维特征的潜在几何形状特征，并与第二融合特征和全局特征进行拼接，再使用全连接层进行转换并采用空间注意力机制挖掘空间语义信息，再通过全连接层输出每个点属于体素某类别的概率；
通过多特征融合模型预测出的体素与对应的所述预先标记的体素信息进行对比，通过差异度调节所述多特征融合模型；
通过所述多特征融合模型对点云进行语义分割。
作为一种可实施方式，所述局部边缘几何特征中边缘几何特征的提取，包括：
对于点云中任意一点，利用KNN算法找到其多个近邻点，连接所述近邻点构成拓扑图，将中心点坐标及中心点和近邻点之间的相对位置信息映射到高维特征空间，从高维特征空间中学习点之间的几何相关性，获取点云的边缘几何特征。
作为一种可实施方式，所述局部边缘几何特征中局部几何特征的提取，包括：
利用KNN算法寻找某点的邻域点，建立以该点为中心的局部邻域图，构建协方差矩阵，然后采用奇异值分解协方差矩阵，得到多个特征值，再根据所述多个特征值得出该点的线状特征、面状特征、球形特征和各项异性特征作为低维几何特征，将所述低维几何特征映射到高维特征空间，得到局部几何特征的提取。
作为一种可实施方式，所述全局特征采用MLP对点云提取全局特征。
作为一种可实施方式，所述点间语义特征的提取，包括：
对于某一特征，分别进行卷积生成两个新的特征，将所述两个新的特征进行矩阵相乘，得到自注意力权重矩阵，并生成归一化的空间注意力权重矩阵；
针对该某一特征，在进行卷积生成又一新的特征，将所述又一新的特征与所述空间注意力权重矩阵和标度参数相乘后与该某一特征进行元素求和，得到该某一特征的输出。
作为一种可实施方式，所述通过多特征融合模型预测出的体素与对应的所述预先标记的体素信息进行对比，通过差异度调节所述多特征融合模型，包括：
通过多特征融合模型预测出的体素与对应的所述预先标记的体素信息进行对比，得出预测该体素正确的点数；计算预测该体素正确的点数与预先标记的体素的总点数的比值，得出差异度。
第二方面，本发明提供一种点云语义分割系统，包括点云数据获取处理模块、多特征融合模型训练模块、预测调节模块和分割模块；
所述点云数据获取处理模块，用于获取用于模型训练的点云数据；所述用于模型训练的点云数据包含预先标记的体素信息；
所述多特征融合模型训练模块，用于采用多特征融合模型利用所述用于模型训练的点云数据进行训练；所述多特征融合模型包括分类网络和分割网络；所述分类网络包括多层第一特征提取层，每层所述第一特征提取层包括局部边缘几何特征提取模块和点间语义特征提取模块，且所述局部边缘几何特征提取模块和点间语义特征提取模块的输出进行拼接后作为下一第一特征提取层中局部边缘几何特征提取模块的输入，点间语义特征提取模块的输出作为下一第一特征提取层中点间语义特征提取模块的输入；将各第一特征提取层提取的局部边缘几何特征和点间语义特征进行拼接，得到第一融合特征，将所述第一融合特征输入至共享全连接层进行最大池化聚合，得到全局特征描述符，再通过3个全连接层得到体素所属类别的S维向量；
所述分割网络包括多层第二特征提取层，每层所述第二特征提取层包括局部边缘几何特征提取模块和全局特征提取模块，且所述局部边缘几何特征提取模块和全局特征提取模块的输出进行拼接作为所述局部边缘几何特征提取模块的输入；将各第一特征提取层提取的局部边缘几何特征与全局特征进行拼接，得到第二融合特征，将所述第二融合特征进行卷积核最大池化得到全局特征描述符，并将提取的局部边缘几何特征映射到高维特征空间，得出高维特征的潜在几何形状特征，并与第二融合特征和全局特征进行拼接，再使用全连接层进行转换并采用空间注意力机制挖掘空间语义信息，再通过全连接层输出每个点属于体素某类别的概率；
所述预测调节模块，用于通过多特征融合模型预测出的体素与对应的所述预先标记的体素信息进行对比，通过差异度调节所述多特征融合模型；
所述分割模块，用于通过所述多特征融合模型对点云进行语义分割。
作为一种可实施方式，所述局部边缘几何特征中边缘几何特征的提取，包括：
对于点云中任意一点，利用KNN算法找到其多个近邻点，连接所述近邻点构成拓扑图，将中心点坐标及中心点和近邻点之间的相对位置信息映射到高维特征空间，从高维特征空间中学习点之间的几何相关性，获取点云的边缘几何特征；
所述局部边缘几何特征中局部几何特征的提取，包括：
利用KNN算法寻找某点的邻域点，建立以该点为中心的局部邻域图，构建协方差矩阵，然后采用奇异值分解协方差矩阵，得到多个特征值，再根据所述多个特征值得出该点的线状特征、面状特征、球形特征和各项异性特征作为低维几何特征，将所述低维几何特征映射到高维特征空间，得到局部几何特征的提取。
第三方面，本发明提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可以在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述方法的步骤。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述方法的步骤。
本发明的有益效果在于：在提取点云局部边缘几何特征的基础上，将点云的低维几何特征映射到高维特征空间，以获取点云丰富的形状信息，并利用多层感知机提取点的全局高维特征；然后，引入空间注意力机制实现点间的语义特征提取；最后，将几何形状特征与高层语义特征进行有效融合，丰富了点云的全局、局部特征表示。本发明方案在目标分类、部件分割、语义分割中，具有较好的性能。
附图说明
图1为本发明实施例一种点云语义分割方法流程示意图。
图2为本发明实施例一种点云语义分割系统示意图。
具体实施方式
下面结合具体实施例对本发明作进一步的详细说明。
需要说明的是，这些实施例仅用于说明本发明，而不是对本发明的限制，在本发明的构思前提下本方法的简单改进，都属于本发明要求保护的范围。
参见图1，为一种点云语义分割方法，包括：
S100、获取用于模型训练的点云数据；所述用于模型训练的点云数据包含预先标记的体素信息；
S200、采用多特征融合模型利用所述用于模型训练的点云数据进行训练；所述多特征融合模型包括分类网络和分割网络；所述分类网络包括多层第一特征提取层，每层所述第一特征提取层包括局部边缘几何特征提取模块和点间语义特征提取模块，且所述局部边缘几何特征提取模块和点间语义特征提取模块的输出进行拼接后作为下一第一特征提取层中局部边缘几何特征提取模块的输入，点间语义特征提取模块的输出作为下一第一特征提取层中点间语义特征提取模块的输入；将各第一特征提取层提取的局部边缘几何特征和点间语义特征进行拼接，得到第一融合特征，将所述第一融合特征输入至共享全连接层进行最大池化聚合，得到全局特征描述符，再通过3个全连接层得到体素所属类别的S维向量；
所述分割网络包括多层第二特征提取层，每层所述第二特征提取层包括局部边缘几何特征提取模块和全局特征提取模块，且所述局部边缘几何特征提取模块和全局特征提取模块的输出进行拼接作为所述局部边缘几何特征提取模块的输入；将各第一特征提取层提取的局部边缘几何特征与全局特征进行拼接，得到第二融合特征，将所述第二融合特征进行卷积核最大池化得到全局特征描述符，并将提取的局部边缘几何特征映射到高维特征空间，得出高维特征的潜在几何形状特征，并与第二融合特征和全局特征进行拼接，再使用全连接层进行转换并采用空间注意力机制挖掘空间语义信息，再通过全连接层输出每个点属于体素某类别的概率；
其中，所述局部边缘几何特征中边缘几何特征的提取，包括：
对于点云中任意一点，利用KNN算法找到其多个近邻点，连接所述近邻点构成拓扑图，将中心点坐标及中心点和近邻点之间的相对位置信息映射到高维特征空间，从高维特征空间中学习点之间的几何相关性，获取点云的边缘几何特征。
其中，所述局部边缘几何特征中局部几何特征的提取，包括：
利用KNN算法寻找某点的邻域点，建立以该点为中心的局部邻域图，构建协方差矩阵，然后采用奇异值分解协方差矩阵，得到多个特征值，再根据所述多个特征值得出该点的线状特征、面状特征、球形特征和各项异性特征作为低维几何特征，将所述低维几何特征映射到高维特征空间，得到局部几何特征的提取。
其中，所述全局特征采用MLP对点云提取全局特征。
其中，所述点间语义特征的提取，包括：
对于某一特征，分别进行卷积生成两个新的特征，将所述两个新的特征进行矩阵相乘，得到自注意力权重矩阵，并生成归一化的空间注意力权重矩阵；
针对该某一特征，在进行卷积生成又一新的特征，将所述又一新的特征与所述空间注意力权重矩阵和标度参数相乘后与该某一特征进行元素求和，得到该某一特征的输出。
S300、通过多特征融合模型预测出的体素与对应的所述预先标记的体素信息进行对比，通过差异度调节所述多特征融合模型；
其中，通过多特征融合模型预测出的体素与对应的所述预先标记的体素信息进行对比，得出预测该体素正确的点数；计算预测该体素正确的点数与预先标记的体素的总点数的比值，得出差异度。
S400、通过所述多特征融合模型对点云进行语义分割。
参见图2，为一种点云语义分割系统，包括点云数据获取处理模块100、多特征融合模型训练模块200、预测调节模块300和分割模块400；
所述点云数据获取处理模块100，用于获取用于模型训练的点云数据；所述用于模型训练的点云数据包含预先标记的体素信息；
所述多特征融合模型训练模块200，用于采用多特征融合模型利用所述用于模型训练的点云数据进行训练；所述多特征融合模型包括分类网络和分割网络；所述分类网络包括多层第一特征提取层，每层所述第一特征提取层包括局部边缘几何特征提取模块和点间语义特征提取模块，且所述局部边缘几何特征提取模块和点间语义特征提取模块的输出进行拼接后作为下一第一特征提取层中局部边缘几何特征提取模块的输入，点间语义特征提取模块的输出作为下一第一特征提取层中点间语义特征提取模块的输入；将各第一特征提取层提取的局部边缘几何特征和点间语义特征进行拼接，得到第一融合特征，将所述第一融合特征输入至共享全连接层进行最大池化聚合，得到全局特征描述符，再通过3个全连接层得到体素所属类别的S维向量；
所述分割网络包括多层第二特征提取层，每层所述第二特征提取层包括局部边缘几何特征提取模块和全局特征提取模块，且所述局部边缘几何特征提取模块和全局特征提取模块的输出进行拼接作为所述局部边缘几何特征提取模块的输入；将各第一特征提取层提取的局部边缘几何特征与全局特征进行拼接，得到第二融合特征，将所述第二融合特征进行卷积核最大池化得到全局特征描述符，并将提取的局部边缘几何特征映射到高维特征空间，得出高维特征的潜在几何形状特征，并与第二融合特征和全局特征进行拼接，再使用全连接层进行转换并采用空间注意力机制挖掘空间语义信息，再通过全连接层输出每个点属于体素某类别的概率；
所述预测调节模块300，用于通过多特征融合模型预测出的体素与对应的所述预先标记的体素信息进行对比，通过差异度调节所述多特征融合模型；
所述分割模块400，用于通过所述多特征融合模型对点云进行语义分割。
其中，所述局部边缘几何特征中边缘几何特征的提取，包括：
对于点云中任意一点，利用KNN算法找到其多个近邻点，连接所述近邻点构成拓扑图，将中心点坐标及中心点和近邻点之间的相对位置信息映射到高维特征空间，从高维特征空间中学习点之间的几何相关性，获取点云的边缘几何特征；
所述局部边缘几何特征中局部几何特征的提取，包括：
利用KNN算法寻找某点的邻域点，建立以该点为中心的局部邻域图，构建协方差矩阵，然后采用奇异值分解协方差矩阵，得到多个特征值，再根据所述多个特征值得出该点的线状特征、面状特征、球形特征和各项异性特征作为低维几何特征，将所述低维几何特征映射到高维特征空间，得到局部几何特征的提取。
一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可以在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述方法的步骤。
本发明的有益效果在于：在提取点云局部边缘几何特征的基础上，将点云的低维几何特征映射到高维特征空间，以获取点云丰富的形状信息，并利用多层感知机提取点的全局高维特征；然后，引入空间注意力机制实现点间的语义特征提取；最后，将几何形状特征与高层语义特征进行有效融合，丰富了点云的全局、局部特征表示。本发明方案在目标分类、部件分割、语义分割中，具有较好的性能。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。
Claims (10)
1.一种点云语义分割方法，其特征在于，包括：
获取用于模型训练的点云数据；所述用于模型训练的点云数据包含预先标记的体素信息；
采用多特征融合模型利用所述用于模型训练的点云数据进行训练；所述多特征融合模型包括分类网络和分割网络；所述分类网络包括多层第一特征提取层，每层所述第一特征提取层包括局部边缘几何特征提取模块和点间语义特征提取模块，且所述局部边缘几何特征提取模块和点间语义特征提取模块的输出进行拼接后作为下一第一特征提取层中局部边缘几何特征提取模块的输入，点间语义特征提取模块的输出作为下一第一特征提取层中点间语义特征提取模块的输入；将各第一特征提取层提取的局部边缘几何特征和点间语义特征进行拼接，得到第一融合特征，将所述第一融合特征输入至共享全连接层进行最大池化聚合，得到全局特征描述符，再通过3个全连接层得到体素所属类别的S维向量；
所述分割网络包括多层第二特征提取层，每层所述第二特征提取层包括局部边缘几何特征提取模块和全局特征提取模块，且所述局部边缘几何特征提取模块和全局特征提取模块的输出进行拼接作为所述局部边缘几何特征提取模块的输入；将各第一特征提取层提取的局部边缘几何特征与全局特征进行拼接，得到第二融合特征，将所述第二融合特征进行卷积核最大池化得到全局特征描述符，并将提取的局部边缘几何特征映射到高维特征空间，得出高维特征的潜在几何形状特征，并与第二融合特征和全局特征进行拼接，再使用全连接层进行转换并采用空间注意力机制挖掘空间语义信息，再通过全连接层输出每个点属于体素某类别的概率；
通过多特征融合模型预测出的体素与对应的所述预先标记的体素信息进行对比，通过差异度调节所述多特征融合模型；
通过所述多特征融合模型对点云进行语义分割。
2.根据权利要求1所述的点云语义分割方法，其特征在于，所述局部边缘几何特征中边缘几何特征的提取，包括：
对于点云中任意一点，利用KNN算法找到其多个近邻点，连接所述近邻点构成拓扑图，将中心点坐标及中心点和近邻点之间的相对位置信息映射到高维特征空间，从高维特征空间中学习点之间的几何相关性，获取点云的边缘几何特征。
3.根据权利要求1所述的点云语义分割方法，其特征在于，所述局部边缘几何特征中局部几何特征的提取，包括：
利用KNN算法寻找某点的邻域点，建立以该点为中心的局部邻域图，构建协方差矩阵，然后采用奇异值分解协方差矩阵，得到多个特征值，再根据所述多个特征值得出该点的线状特征、面状特征、球形特征和各项异性特征作为低维几何特征，将所述低维几何特征映射到高维特征空间，得到局部几何特征的提取。
4.根据权利要求1所述的点云语义分割方法，其特征在于，所述全局特征采用MLP对点云提取全局特征。
5.根据权利要求1所述的点云语义分割方法，其特征在于，所述点间语义特征的提取，包括：
对于某一特征，分别进行卷积生成两个新的特征，将所述两个新的特征进行矩阵相乘，得到自注意力权重矩阵，并生成归一化的空间注意力权重矩阵；
针对该某一特征，在进行卷积生成又一新的特征，将所述又一新的特征与所述空间注意力权重矩阵和标度参数相乘后与该某一特征进行元素求和，得到该某一特征的输出。
6.根据权利要求1所述的点云语义分割方法，其特征在于，所述通过多特征融合模型预测出的体素与对应的所述预先标记的体素信息进行对比，通过差异度调节所述多特征融合模型，包括：
通过多特征融合模型预测出的体素与对应的所述预先标记的体素信息进行对比，得出预测该体素正确的点数；计算预测该体素正确的点数与预先标记的体素的总点数的比值，得出差异度。
7.一种点云语义分割系统，其特征在于，包括点云数据获取处理模块、多特征融合模型训练模块、预测调节模块和分割模块；
所述点云数据获取处理模块，用于获取用于模型训练的点云数据；所述用于模型训练的点云数据包含预先标记的体素信息；
所述多特征融合模型训练模块，用于采用多特征融合模型利用所述用于模型训练的点云数据进行训练；所述多特征融合模型包括分类网络和分割网络；所述分类网络包括多层第一特征提取层，每层所述第一特征提取层包括局部边缘几何特征提取模块和点间语义特征提取模块，且所述局部边缘几何特征提取模块和点间语义特征提取模块的输出进行拼接后作为下一第一特征提取层中局部边缘几何特征提取模块的输入，点间语义特征提取模块的输出作为下一第一特征提取层中点间语义特征提取模块的输入；将各第一特征提取层提取的局部边缘几何特征和点间语义特征进行拼接，得到第一融合特征，将所述第一融合特征输入至共享全连接层进行最大池化聚合，得到全局特征描述符，再通过3个全连接层得到体素所属类别的S维向量；
所述分割网络包括多层第二特征提取层，每层所述第二特征提取层包括局部边缘几何特征提取模块和全局特征提取模块，且所述局部边缘几何特征提取模块和全局特征提取模块的输出进行拼接作为所述局部边缘几何特征提取模块的输入；将各第一特征提取层提取的局部边缘几何特征与全局特征进行拼接，得到第二融合特征，将所述第二融合特征进行卷积核最大池化得到全局特征描述符，并将提取的局部边缘几何特征映射到高维特征空间，得出高维特征的潜在几何形状特征，并与第二融合特征和全局特征进行拼接，再使用全连接层进行转换并采用空间注意力机制挖掘空间语义信息，再通过全连接层输出每个点属于体素某类别的概率；
所述预测调节模块，用于通过多特征融合模型预测出的体素与对应的所述预先标记的体素信息进行对比，通过差异度调节所述多特征融合模型；
所述分割模块，用于通过所述多特征融合模型对点云进行语义分割。
8.根据权利要求7所述的点云语义分割系统，其特征在于，所述局部边缘几何特征中边缘几何特征的提取，包括：
对于点云中任意一点，利用KNN算法找到其多个近邻点，连接所述近邻点构成拓扑图，将中心点坐标及中心点和近邻点之间的相对位置信息映射到高维特征空间，从高维特征空间中学习点之间的几何相关性，获取点云的边缘几何特征；
所述局部边缘几何特征中局部几何特征的提取，包括：
利用KNN算法寻找某点的邻域点，建立以该点为中心的局部邻域图，构建协方差矩阵，然后采用奇异值分解协方差矩阵，得到多个特征值，再根据所述多个特征值得出该点的线状特征、面状特征、球形特征和各项异性特征作为低维几何特征，将所述低维几何特征映射到高维特征空间，得到局部几何特征的提取。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可以在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311441020.8A CN117237643A (zh) | 2023-11-01 | 2023-11-01 | 一种点云语义分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311441020.8A CN117237643A (zh) | 2023-11-01 | 2023-11-01 | 一种点云语义分割方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117237643A true CN117237643A (zh) | 2023-12-15 |
Family
ID=89084445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311441020.8A Pending CN117237643A (zh) | 2023-11-01 | 2023-11-01 | 一种点云语义分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117237643A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117649530A (zh) * | 2024-01-30 | 2024-03-05 | 武汉理工大学 | 基于语义级拓扑结构的点云特征提取方法、系统及设备 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115527036A (zh) * | 2022-11-25 | 2022-12-27 | 南方电网数字电网研究院有限公司 | 电网场景点云语义分割方法、装置、计算机设备和介质 |
-
2023
- 2023-11-01 CN CN202311441020.8A patent/CN117237643A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115527036A (zh) * | 2022-11-25 | 2022-12-27 | 南方电网数字电网研究院有限公司 | 电网场景点云语义分割方法、装置、计算机设备和介质 |
Non-Patent Citations (1)
| Title |
|---|
| 郝雯 等: "结合空间注意力与形状特征的三维点云语义分割", 《激光与光电子学进展》, vol. 59, no. 8, 30 April 2022 (2022-04-30), pages 3 - 5 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117649530A (zh) * | 2024-01-30 | 2024-03-05 | 武汉理工大学 | 基于语义级拓扑结构的点云特征提取方法、系统及设备 |
| CN117649530B (zh) * | 2024-01-30 | 2024-04-23 | 武汉理工大学 | 基于语义级拓扑结构的点云特征提取方法、系统及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | 3D Point cloud analysis | |
| CN114120115B (zh) | 一种融合点特征和网格特征的点云目标检测方法 | |
| US11682166B2 (en) | Fitting 3D primitives to a high-resolution point cloud | |
| CN117237643A (zh) | 一种点云语义分割方法及系统 | |
| CN112163114B (zh) | 一种基于特征融合的图像检索方法 | |
| Han et al. | 3CROSSNet: Cross-level cross-scale cross-attention network for point cloud representation | |
| CN114998638A (zh) | 基于动静态卷积融合神经网络的多视图三维点云分类方法 | |
| CN115830375B (zh) | 点云分类方法及装置 | |
| US20230222768A1 (en) | Multiscale point cloud classification method and system | |
| CN118351320B (zh) | 基于三维点云的实例分割方法 | |
| Kakillioglu et al. | 3D capsule networks for object classification with weight pruning | |
| Lu et al. | Memory efficient large-scale image-based localization | |
| Zhang et al. | SaltISCG: Interactive salt segmentation method based on CNN and graph cut | |
| CN111368733A (zh) | 一种基于标签分布学习的三维手部姿态估计方法、存储介质及终端 | |
| Song et al. | Pointwise CNN for 3d object classification on point cloud | |
| CN114419372A (zh) | 一种多尺度点云分类方法及系统 | |
| Zha et al. | ENGD-BiFPN: A remote sensing object detection model based on grouped deformable convolution for power transmission towers | |
| Wang et al. | LiDAR-SLAM loop closure detection based on multi-scale point cloud feature transformer | |
| CN114358279A (zh) | 图像识别网络模型剪枝方法、装置、设备及存储介质 | |
| CN111597367B (zh) | 基于视图和哈希算法的三维模型检索方法 | |
| Cao et al. | Stable image matching for 3D reconstruction in outdoor | |
| CN117830701A (zh) | 基于注意力机制的多尺度特征融合星图识别方法和装置 | |
| CN115222988B (zh) | 激光雷达点云数据城市地物PointEFF精细分类方法 | |
| Yao et al. | Matching wide-baseline stereo images with weak texture using the perspective invariant local feature transformer | |
| US20230038097A1 (en) | Document clusterization using neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |