CN117994527A - 基于区域生长的点云分割方法及系统 - Google Patents
基于区域生长的点云分割方法及系统 Download PDFInfo
- Publication number
- CN117994527A CN117994527A CN202410399510.4A CN202410399510A CN117994527A CN 117994527 A CN117994527 A CN 117994527A CN 202410399510 A CN202410399510 A CN 202410399510A CN 117994527 A CN117994527 A CN 117994527A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- neural network
- network model
- seed
- 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.)
- Granted
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003062 neural network model Methods 0.000 claims abstract description 116
- 238000005259 measurement Methods 0.000 claims abstract description 109
- 239000013598 vector Substances 0.000 claims description 50
- 238000005070 sampling Methods 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000011524 similarity measure Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 8
- 101001014572 Homo sapiens MARCKS-related protein Proteins 0.000 description 13
- 102100032514 MARCKS-related protein Human genes 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 102100028187 ATP-binding cassette sub-family C member 6 Human genes 0.000 description 2
- 101000986621 Homo sapiens ATP-binding cassette sub-family C member 6 Proteins 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 102100028162 ATP-binding cassette sub-family C member 3 Human genes 0.000 description 1
- 101000986633 Homo sapiens ATP-binding cassette sub-family C member 3 Proteins 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种基于区域生长的点云分割方法及系统，涉及数据处理技术领域，方法包括：获取待分割点云数据；将待分割点云数据输入预设的神经网络模型，以从神经网络模型中得到一个或多个种子点、以及用于为区域生长提供判定标准的相似性度量阈值参数，每个种子点均对应一个点云区域；基于种子点和相似性度量阈值参数，进行各点云区域的生长，得到与种子点一一对应的区域生长聚类，完成点云分割。本发明提供的基于区域生长的点云分割方法及系统，无需人工手动选取种子点，也无需手动进行相似性度量阈值参数的调整，实现种子点和相似性度量阈值参数的自动预测，有效提高区域生长的运行速度，点云分割的精确度较高。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于区域生长的点云分割方法及系统。
背景技术
随着信息化时代的不断发展，区域生长算法也得到了较为广泛的应用，如用于进行点云分割等。通过选择种子点或种子单元，基于每个点的曲率、邻域点法线和种子点法线之间的夹角等，对点云中的点进行聚类，以完成区域生长，最终实现点云分割。
然而，现有技术中区域生长需要逐点生长，运行速度较慢，复杂程度较高，不能较好地满足大规模点云数据的快速分割需求。并且，现有技术中需要手动设置种子点和相似性度量参数等，不同的参数设置可能导致不同的分割结果，这就导致点云分割的准确性较低，需要进行多次试验才能确定最终参数。此外，现有技术中基于区域生长的点云分割方法可能存在某些区域未被完全分割或分割结果重叠的情况，影响分割结果的准确性。
发明内容
本发明提供一种基于区域生长的点云分割方法及系统，用以解决现有技术中区域生长的运行速度较慢，以及点云分割的准确性较低的问题。
本发明提供一种基于区域生长的点云分割方法，包括：
获取待分割点云数据；
将所述待分割点云数据输入预设的神经网络模型，以从所述神经网络模型中得到一个或多个种子点、以及用于为区域生长提供判定标准的相似性度量阈值参数，每个种子点均对应一个点云区域；
基于所述种子点和所述相似性度量阈值参数，进行各点云区域的生长，得到与所述种子点一一对应的区域生长聚类，完成点云分割。
可选地，将所述待分割点云数据输入预设的神经网络模型，以从所述神经网络模型中得到一个或多个种子点、以及用于为区域生长提供判定标准的相似性度量阈值参数的步骤包括：
利用所述神经网络模型，对所述待分割点云数据进行特征提取，得到点云特征；
利用所述神经网络模型，基于所述点云特征，进行种子点预测，得到一个或多个所述种子点；
利用所述神经网络模型，基于所述点云特征和所述种子点，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数。
可选地，利用所述神经网络模型，对所述待分割点云数据进行特征提取，得到点云特征的步骤包括：
利用所述神经网络模型的采样层，对所述待分割点云数据进行均匀采样，获得采样点集，所述采样点集包括多个采样点；
基于所述神经网络模型的多层感知机，对所述采样点进行特征提取，得到每个采样点的局部特征；通过搜索每个采样点的邻域点，建立每个采样点对应的局部邻域；
利用所述神经网络模型中的特征学习结构，学习每个采样点的局部邻域内的全部局部特征，得到每个局部邻域内点云的全局特征；通过对全部局部邻域内点云的全局特征进行聚合，得到所述点云特征。
可选地，利用所述神经网络模型，基于所述点云特征，进行种子点预测，得到一个或多个所述种子点的步骤包括：
利用所述神经网络模型中的第一注意力机制结构，对所述点云特征进行加权处理，获取第一加权特征；
利用所述神经网络模型中的第一全连接层，将所述第一加权特征映射到预设的种子点预测的概率空间中，得到待分割点云数据中每个点属于种子点的预测概率；基于待分割点云数据中每个点属于种子点的预测概率，得到一个或多个所述种子点。
可选地，利用所述神经网络模型，基于所述点云特征和所述种子点，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数的步骤包括：
利用所述神经网络模型中的第二注意力机制结构，对所述点云特征进行解码，获取解码特征向量；将所述种子点转换为第一预设维度的种子点向量；将所述解码特征向量与种子点向量进行组合，得到第一组合特征向量；对所述第一组合特征向量进行加权处理，得到第二加权特征；
利用所述神经网络模型中的第二全连接层，联合所述第二加权特征和预先获取的待分割点云数据的点云密度，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数。
可选地，利用所述神经网络模型中的第二全连接层，联合所述第二加权特征和预先获取的待分割点云数据的点云密度，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数的步骤包括：
利用所述第二全连接层，将所述点云密度转换为第二预设维度的密度向量；对所述第二加权特征和所述密度向量进行组合，得到第二组合特征向量；基于所述第二组合特征向量，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数。
可选地，基于所述种子点和所述相似性度量阈值参数，进行各点云区域的生长，得到与所述种子点一一对应的区域生长聚类，完成点云分割的步骤包括：
基于所述种子点，逐点判断种子点的各邻域点的相似性度量参数是否符合预设的约束条件，得到判断结果，所述约束条件基于所述相似性度量阈值参数设置；所述相似性度量参数与所述相似性度量阈值参数相对应；
基于所述判断结果，对多个点云区域同时或逐个进行区域生长，得到与所述种子点一一对应的区域生长聚类，完成点云分割。
可选地，所述神经网络模型的训练步骤包括：
获取区域生长聚类样本，所述区域生长聚类样本是基于种子点样本和相似性度量阈值参数样本进行区域生长得到的，所述种子点样本和所述相似性度量阈值参数样本为初始神经网络模型在训练过程中的输出量，所述初始神经网络模型的输入量为预设的点云样本，所述区域生长聚类样本与所述种子点样本一一对应；
基于所述区域生长聚类样本，得到点云分割样本；基于所述点云分割样本和预设的真实分割结果之间的差距，对所述初始神经网络模型进行迭代训练，得到训练好的所述神经网络模型。
本发明还提供一种基于区域生长的点云分割系统，包括：
点云数据获取模块，用于获取待分割点云数据；
预测模块，用于将所述待分割点云数据输入预设的神经网络模型，以从所述神经网络模型中得到一个或多个种子点、以及用于为区域生长提供判定标准的相似性度量阈值参数，每个种子点均对应一个点云区域；
区域生长模块，用于基于所述种子点和所述相似性度量阈值参数，进行各点云区域的生长，得到与所述种子点一一对应的区域生长聚类，完成点云分割。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于区域生长的点云分割方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于区域生长的点云分割方法。
本发明的有益效果：本发明提供的基于区域生长的点云分割方法及系统，通过获取待分割点云数据；将待分割点云数据输入预设的神经网络模型，以从所述神经网络模型中得到一个或多个种子点、以及用于为区域生长提供判定标准的相似性度量阈值参数，每个种子点均对应一个点云区域；基于种子点和相似性度量阈值参数，进行各点云区域的生长，得到与种子点一一对应的区域生长聚类，完成点云分割。无需人工手动选取种子点，也无需手动进行相似性度量阈值参数的调整，实现种子点和相似性度量阈值参数的自动预测，有效提高区域生长的运行速度，点云分割的精确度较高。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于区域生长的点云分割方法的流程示意图；
图2是本发明提供的基于区域生长的点云分割方法中进行种子点预测和相似性度量阈值参数预测的流程示意图；
图3是本发明提供的基于区域生长的点云分割方法中进行特征提取的流程示意图；
图4是本发明提供的基于区域生长的点云分割方法中神经网络模型的特征提取部分的网络结构示意图；
图5是本发明提供的基于区域生长的点云分割方法中进行种子点预测的流程示意图。
图6是本发明提供的基于区域生长的点云分割方法中神经网络模型的种子点预测部分的网络结构示意图；
图7是本发明提供的基于区域生长的点云分割方法中进行相似性度量阈值参数预测的流程示意图；
图8是本发明提供的基于区域生长的点云分割方法中神经网络模型的相似性度量阈值参数预测部分的网络结构示意图；
图9是本发明提供的基于区域生长的点云分割方法中进行各点云区域的生长的流程示意图；
图10是本发明提供的基于区域生长的点云分割方法中训练神经网络模型的流程示意图；
图11是本发明提供的基于区域生长的点云分割系统的结构示意图；
图12是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为便于理解本方案，首先对现有技术中基于区域生长的点云分割方法的基本原理进行解释说明。
区域生长：首先，预先指定一个或多个种子点。然后，基于种子点，利用点云数据的法线、曲率和颜色等特征，逐点判断点云是否应该聚成一类，判断过程基于预先设置的特征差距阈值来判定，从而完成区域生长聚类，实现点云分割。
下面以实施例的方式，结合图1-图12描述本发明提供的基于区域生长的点云分割方法及系统。
请参考图1，本实施例提供的基于区域生长的点云分割方法，包括：
S10：获取待分割点云数据。所述待分割点云数据可以为激光雷达数据和三维扫描数据等扫描数据，如利用激光雷达采集目标物体的扫描数据，得到目标物体的激光雷达数据并将其作为待分割点云数据等。
S20：将所述待分割点云数据输入预设的神经网络模型，以从所述神经网络模型中得到一个或多个种子点、以及用于为区域生长提供判定标准的相似性度量阈值参数，每个种子点均对应一个点云区域。
需要说明的是，所述种子点用于后续进行区域生长。所述相似性度量阈值参数的类型可以根据实际区域生长需求进行设置，如法线夹角阈值、邻域点曲率阈值、或是基于其他点云特征描述子（如SHOT，Signature of Histograms of Orientations，方向直方图特征）的邻域差距阈值。点云特征描述子指用于描述特征的特征表示。可以理解的，若区域生长选用种子点和邻域点的法线夹角作为判断两点云是否为同一类的特征，那么，其对应的相似性度量阈值参数则为法线夹角阈值。类似的，若区域生长选用邻域点曲率作为判断两点云是否为同一类的特征，则其对应的相似性度量阈值参数为邻域点曲率阈值。反之亦是如此，若相似性度量阈值参数为法线夹角阈值，则后续进行区域生长的过程中，需要判断的特征为种子点与其邻域点的法线夹角，即判断种子点与其邻域点的法线夹角是否小于所述法线夹角阈值，若小于所述法线夹角阈值，则判定当前邻域点属于当前区域。
还需要说明的是，所述相似性度量阈值参数为一个或多个。具体地，所述相似性度量阈值参数为法线夹角阈值、邻域点曲率阈值、以及基于其他点云特征描述子的邻域差距阈值中的至少一个。每个相似性度量阈值参数均与后续进行区域生长过程中用于判断两点云是否为同一类的特征类型相对应。当相似性度量阈值参数为一个时，后续区域生长过程中，则基于所述相似性度量阈值参数与点云特征，判断种子点与其邻域点是否为同一类或同一区域。当相似性度量阈值参数为多个，如包括法线夹角阈值和邻域点曲率阈值时，后续进行区域生长的过程中，则以法线夹角阈值和邻域点曲率阈值为判定标准，逐点判断种子点与其邻域点的类别，完成区域生长聚类，实现点云分割。判断规则可以根据实际需求进行设置，只要能够判断两特征是否属于同一类别即可。以法线夹角阈值和邻域点曲率阈值为例，其对应的判断规则可以为：判断种子点与邻域点的法线夹角是否小于所述法线夹角阈值，并判断邻域点的曲率是否小于所述曲率阈值，若种子点与邻域点的法线夹角小于所述法线夹角阈值，且邻域点的曲率大于或等于所述曲率阈值，则判定当前邻域点属于当前区域，若种子点与邻域点的法线夹角小于所述法线夹角阈值，且邻域点的曲率小于所述曲率阈值，则判定当前邻域点属于邻域。本实施例不对相似性度量阈值参数的类别与数量进行限定，此处不再赘述。
上述步骤S20中通过将待分割点云数据输入预设的神经网络模型，得到一个或多个种子点，每个种子点均对应一个点云区域，能够便于后续基于得到的种子点进行区域生长，无需手动进行种子点的选定或标定。并且，通过得到用于为后续区域生长提供判定标准的相似性度量阈值参数，使得后续区域生长无需再手动标定相似性度量阈值参数，也无需手动对相似性度量阈值参数进行调整。可以理解的，不同的种子点和相似性度量阈值参数，会对区域生长的精确度产生影响，而采用手动标定种子点和相似性度量阈值参数，则需要对种子点和相似性度量阈值参数进行多次调整，才能得到较优的区域生长结果。因此，本实施例的步骤S20通过将待分割点云数据输入预设的神经网络模型，得到一个或多个种子点、以及相似性度量阈值参数，能够直接得到较优的种子点和相似性度量阈值参数，无需再手动标定与参数调整，大大缩短了点云分割时间，降低人工与时间成本。
S30：基于所述种子点和所述相似性度量阈值参数，进行各点云区域的生长，得到与所述种子点一一对应的区域生长聚类，完成点云分割。具体地，基于相似性度量阈值参数，对种子点和其邻域点进行逐点特征比较，得到区域生长聚类，每个区域生长聚类均对应一个种子点，即上述步骤S20中得到的每个种子点均用于生长其各自对应的区域，每个点云区域生长完毕后对应得到一个区域生长聚类。不同的点云区域的生长可以同时进行，极大缩短了区域生长时间，提高了点云分割效率。
需要说明的是，本实施例中的基于区域生长的点云分割方法，本质上可以理解为图像分割，可以是二维图像，也可以是三维图像，如对摄像头、激光雷达等采集的目标物体的待分割点云数据进行点云分割。
下面以激光雷达数据为例，对本实施例提供的基于区域生长的点云分割方法进行具体解释说明。
首先，利用激光雷达采集目标物体（如障碍物）的待分割点云数据；然后，将待分割点云数据输入神经网络模型，得到一个或多个种子点、以及用于为区域生长提供判定标准的相似性度量阈值参数；最后，基于种子点和相似性度量阈值参数，进行各点云区域的生长，得到与所述种子点一一对应的区域生长聚类，完成点云分割。
需要提及的是，为提高点云分割的精确度，在将预处理后的待分割点云数据输入预设的神经网络模型的步骤之前，对待分割点云数据进行预处理，预处理包括：点云去噪与大小归一化。将预处理后的待分割点云数据输入预设的神经网络模型，得到一个或多个种子点、以及用于为区域生长提供判定标准的相似性度量阈值参数。
请参考图2，在一些实施例中，将所述待分割点云数据输入预设的神经网络模型，以从所述神经网络模型中得到一个或多个种子点、以及用于为区域生长提供判定标准的相似性度量阈值参数的步骤包括：
S201：利用所述神经网络模型，对所述待分割点云数据进行特征提取，得到点云特征。即将待分割点云数据输入神经网络模型，进行特征提取，得到点云特征。
S202：利用所述神经网络模型，基于所述点云特征，进行种子点预测，得到一个或多个所述种子点。每个种子点均对应一个点云区域，即每个种子点用于生长一个点云区域，如得到三个种子点，则后续区域生长过程中，基于该三个种子点进行区域生长，得到三个区域生长聚类，三个种子点与三个区域生长聚类为一一对应关系。
S203：利用所述神经网络模型，基于所述点云特征和所述种子点，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数。需要说明的是，通过基于点云特征和种子点，进行相似性度量阈值参数预测，能够将点云特征与种子点的融合特征作为相似性度量阈值参数预测的待判断特征，提高相似性度量阈值参数预测的精确度。
请参考图3，在一些实施例中，利用所述神经网络模型，对待分割点云数据进行特征提取，得到点云特征的步骤包括：
S2011：利用所述神经网络模型的采样层，对所述待分割点云数据进行均匀采样，获得采样点集，所述采样点集包括多个采样点。
S2012：基于所述神经网络模型的多层感知机，对所述采样点进行特征提取，得到每个采样点的局部特征；通过搜索每个采样点的邻域点，建立每个采样点对应的局部邻域。
具体地，可以利用k近邻算法（kNN，k-nearest neighbors）方法搜索每个采样点的邻域点，将搜索到的邻域点所在区域作为采样点的局部邻域。
S2013：利用所述神经网络模型中的特征学习结构，学习每个采样点的局部邻域内的全部局部特征，得到每个局部邻域内点云的全局特征；通过对全部局部邻域内点云的全局特征进行聚合，得到所述点云特征。可以理解的，每个采样点均属于待分割点云数据的局部之一，上述步骤S2012与S2013中的局部和全局均是对于待分割点云数据而言的。需要说明的是，所述特征学习结构为PointNet++（点云网络）结构，通过采用PointNet++结构学习每个采样点的局部邻域内的全部局部特征，能够得到每个局部邻域内点云的全局特征，精确度较高。点云特征指聚合后的所有全局特征。
进一步地，请参考图4，本实施例中神经网络模型的特征提取部分的网络结构包括：采样层、多层感知机和PointNet++。通过设置上述网络结构，能够得到精确度较高的点云特征。
请参考图5，在一些实施例中，利用所述神经网络模型，基于所述点云特征，进行种子点预测，得到一个或多个种子点的步骤包括：
S2021：利用所述神经网络模型中的第一注意力机制结构，对所述点云特征进行加权处理，获取第一加权特征。
需要说明的是，步骤S2021中通过采用第一注意力机制结构，对所述点云特征进行加权处理，获取第一加权特征，能够加深点云特征的深度，有助于提高后续预测的精确度。
S2022：利用所述神经网络模型中的第一全连接层，将所述第一加权特征映射到预设的种子点预测的概率空间中，得到待分割点云数据中每个点属于种子点的预测概率；基于待分割点云数据中每个点属于种子点的预测概率，得到一个或多个所述种子点。
请参考图6，本实施例中神经网络模型的种子点预测部分的网络结构包括：第一注意力机制结构Transformer1和第一全连接层MLP1。Transformer1包括：一输入全连接层MLPa、三个权重矩阵q、k、v、以及一输出全连接层MLPb，所述输入全连接层MLPa和输出全连接层MLPb均用于特征深度的加深。具体地，将点云特征输入第一注意力机制结构Transformer1中的输入全连接层MLPa进行一次深度扩展，然后，基于三个权重矩阵q、k、v对一次深度扩展后的特征进行线性拟合，即加权，再将加权后得到的q矩阵与k矩阵做点乘处理，对点乘结果做softmax（归一化）处理，将归一化处理结果与加权后得到的v矩阵的转置（Transpose）做点乘，将点乘结果输入到输出全连接层MLPb做二次深度扩展，并将二次深度扩展后的特征与点云特征叠加，得到所述第一加权特征。将第一加权特征输入第一全连接层MLP1进行概率预测，得到待分割点云数据中每个点属于种子点的预测概率，基于待分割点云数据中每个点属于种子点的预测概率，得到一个或多个所述种子点。
请参考图7，在一些实施例中，利用所述神经网络模型，基于所述点云特征和所述种子点，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数的步骤包括：
S2031：利用所述神经网络模型中的第二注意力机制结构，对所述点云特征进行解码，获取解码特征向量；将所述种子点转换为第一预设维度的种子点向量；将所述解码特征向量与种子点向量进行组合，得到第一组合特征向量；对所述第一组合特征向量进行加权处理，得到第二加权特征。
需要说明的是，通过将所述解码特征向量与种子点向量进行组合，得到第一组合特征向量，并对所述第一组合特征向量进行加权处理，得到第二加权特征，使得第二加权特征能够携带有种子点的信息，有助于提高后续相似性度量阈值参数预测的精确度。
S2032：利用所述神经网络模型中的第二全连接层，联合所述第二加权特征和预先获取的待分割点云数据的点云密度，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数。所述点云密度的获取步骤包括：利用kd-tree（k-dimensional树，k维树）或OC-tree（八叉树）的点云邻域快速查找算法，得到点云数据中每一个点与其最近邻点的距离，之后将所有点与其最近邻点的距离做平均处理，得到点云密度或点云平均密度。
具体地，利用所述神经网络模型中的第二全连接层，联合所述第二加权特征和预先获取的待分割点云数据的点云密度，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数的步骤包括：
利用所述第二全连接层，将所述点云密度转换为第二预设维度的密度向量；对所述第二加权特征和所述密度向量进行组合，得到第二组合特征向量；基于所述第二组合特征向量，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数。需要说明的是，通过将第二加权特征和密度向量进行组合，能够进一步提高后续相似性度量阈值参数预测的精确度。
请参考图8，在一些实施例中，本实施例中神经网络模型的相似性度量阈值参数预测部分的网络结构包括：第二注意力机制结构Transformer2和第二全连接层MLP2。Transformer2与上述Transformer1结构相同，同样包括一输入全连接层MLPa、三个权重矩阵q、k、v、以及一输出全连接层MLPb，所述输入全连接层MLPa和输出全连接层MLPb均用于特征深度的加深。区别在于Transformer2中的MLPa的作用是对所述点云特征进行解码，获取解码特征向量；将所述种子点转换为第一预设维度的种子点向量，并将所述解码特征向量与种子点向量进行组合，得到第一组合特征向量。
请参考图9，在一些实施例中，基于所述种子点和所述相似性度量阈值参数，进行各点云区域的生长，得到与所述种子点一一对应的区域生长聚类，完成点云分割的步骤包括：
S301：基于所述种子点，逐点判断种子点的各邻域点的相似性度量参数是否符合预设的约束条件，得到判断结果，所述约束条件基于所述相似性度量阈值参数设置；所述相似性度量参数与所述相似性度量阈值参数相对应。具体地，相似性度量参数指用于判断种子点与各邻域点的相似性的参数，如法线角度、曲率等。可以理解的，若相似性度量参数为法线角度，则对应的相似性度量阈值参数则为法线夹角阈值，其对应的约束条件则为：种子点与邻域点的法线夹角小于法线夹角阈值时，判定当前邻域点属于当前点云区域，以此类推。
S302：基于所述判断结果，对多个点云区域同时或逐个进行区域生长，得到与所述种子点一一对应的区域生长聚类，完成点云分割。即将符合对应的约束条件的邻域点确定为当前区域的点，得到区域生长聚类，完成点云分割。
请参考图10，在一些实施例中，所述神经网络模型的训练步骤包括：
S001：获取区域生长聚类样本，所述区域生长聚类样本是基于种子点样本和相似性度量阈值参数样本进行区域生长得到的，所述种子点样本和所述相似性度量阈值参数样本为初始神经网络模型在训练过程中的输出量，所述初始神经网络模型的输入量为预设的点云样本，所述区域生长聚类样本与所述种子点样本一一对应。
具体地，首先，获取点云样本。所述点云样本指点云数据样本。将所述点云样本输入初始神经网络模型，进行种子点预测和相似性度量阈值参数预测，得到初始神经网络模型输出的种子点样本和相似性度量阈值参数样本。然后，基于所述种子点样本和所述相似性度量阈值参数样本，进行各点云区域的生长，得到与所述种子点样本一一对应的区域生长聚类样本。所述初始神经网络模型指未训练好的神经网络模型。
S002：基于所述区域生长聚类样本，得到点云分割样本；基于所述点云分割样本和预设的真实分割结果之间的差距，对所述初始神经网络模型进行迭代训练，得到训练好的所述神经网络模型。
具体地，基于所述区域生长聚类样本和点云样本，得到点云分割样本，即将区域生长聚类样本和点云样本进行整合，得到点云分割样本。可以理解的，区域生长聚类样本为各点云的聚类，通过将区域生长聚类样本和点云样本进行整合，能够得到完整的分割后的点云分割样本。基于点云分割样本与预设的与之对应的真实分割结果之间的差距，对所述初始神经网络模型进行迭代训练，得到训练好的所述神经网络模型。
需要说明的是，通过利用点云分割样本和预设的真实分割结果之间的差距，对所述初始神经网络模型进行迭代训练，能够减少训练集的数据采集量，即无需采集与种子点样本相对应的标准种子点、以及与相似性度量阈值参数样本相对应的标准阈值参数，即可实现对初始神经网络模型的训练，得到训练好的神经网络模型。
下面对本发明提供的基于区域生长的点云分割系统进行描述，下文描述的基于区域生长的点云分割系统与上文描述的基于区域生长的点云分割方法可相互对应参照。
请参考图11，本实施例提供的基于区域生长的点云分割系统，包括：
点云数据获取模块1101，用于获取待分割点云数据。
预测模块1102，用于将所述待分割点云数据输入预设的神经网络模型，以从所述神经网络模型中得到一个或多个种子点、以及用于为区域生长提供判定标准的相似性度量阈值参数，每个种子点均对应一个点云区域。
区域生长模块1103，用于基于所述种子点和所述相似性度量阈值参数，进行各点云区域的生长，得到与所述种子点一一对应的区域生长聚类，完成点云分割。所述点云数据获取模块1101、预测模块1102和区域生长模块1103连接。实现了种子点和相似性度量阈值参数的自动预测，有效提高区域生长的运行速度，点云分割的精确度较高，自动化程度较高，提高点云分割效率。
在一些实施例中，所述预测模块1102包括：
特征提取单元，用于利用所述神经网络模型，对所述待分割点云数据进行特征提取，得到点云特征；
种子点预测单元，用于利用所述神经网络模型，基于所述点云特征，进行种子点预测，得到一个或多个所述种子点；
参数预测单元，用于利用所述神经网络模型，基于所述点云特征和所述种子点，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数。
在一些实施例中，所述特征提取单元具体用于利用所述神经网络模型的采样层，对所述待分割点云数据进行均匀采样，获得采样点集，所述采样点集包括多个采样点；基于所述神经网络模型的多层感知机，对所述采样点进行特征提取，得到每个采样点的局部特征；通过搜索每个采样点的邻域点，建立每个采样点对应的局部邻域；利用所述神经网络模型中的特征学习结构，学习每个采样点的局部邻域内的全部局部特征，得到每个局部邻域内点云的全局特征；通过对全部局部邻域内点云的全局特征进行聚合，得到所述点云特征。
在一些实施例中，所述种子点预测单元具体用于利用所述神经网络模型中的第一注意力机制结构，对所述点云特征进行加权处理，获取第一加权特征；利用所述神经网络模型中的第一全连接层，将所述第一加权特征映射到预设的种子点预测的概率空间中，得到待分割点云数据中每个点属于种子点的预测概率；基于待分割点云数据中每个点属于种子点的预测概率，得到一个或多个所述种子点。
在一些实施例中，所述参数预测单元具体用于利用所述神经网络模型中的第二注意力机制结构，对所述点云特征进行解码，获取解码特征向量；将所述种子点转换为第一预设维度的种子点向量；将所述解码特征向量与种子点向量进行组合，得到第一组合特征向量；对所述第一组合特征向量进行加权处理，得到第二加权特征；利用所述神经网络模型中的第二全连接层，联合所述第二加权特征和预先获取的待分割点云数据的点云密度，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数。
具体地，利用所述神经网络模型中的第二全连接层，联合所述第二加权特征和预先获取的待分割点云数据的点云密度，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数的步骤包括：
利用所述第二全连接层，将所述点云密度转换为第二预设维度的密度向量；对所述第二加权特征和所述密度向量进行组合，得到第二组合特征向量；基于所述第二组合特征向量，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数。
在一些实施例中，所述区域生长模块1103具体用于基于所述种子点，逐点判断种子点的各邻域点的相似性度量参数是否符合预设的约束条件，得到判断结果，所述约束条件基于所述相似性度量阈值参数设置；所述相似性度量参数与所述相似性度量阈值参数相对应；基于所述判断结果，对多个点云区域同时或逐个进行区域生长，得到与所述种子点一一对应的区域生长聚类，完成点云分割。
图12示例了一种电子设备的实体结构示意图，如图12所示，该电子设备可以包括：处理器(processor)1210、通信接口( CommunicationsInterface )1220、存储器(memory)1230和通信总线1240，其中，处理器1210，通信接口1220，存储器1230通过通信总线1240完成相互间的通信。处理器1210可以调用存储器1230中的逻辑指令，以执行基于区域生长的点云分割方法，该方法包括：获取待分割点云数据；将所述待分割点云数据输入预设的神经网络模型，以从所述神经网络模型中得到一个或多个种子点、以及用于为区域生长提供判定标准的相似性度量阈值参数，每个种子点均对应一个点云区域；基于所述种子点和所述相似性度量阈值参数，进行各点云区域的生长，得到与所述种子点一一对应的区域生长聚类，完成点云分割。
此外，上述的存储器1230中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，RandomAccessMemory）、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于区域生长的点云分割方法，该方法包括：获取待分割点云数据；将所述待分割点云数据输入预设的神经网络模型，以从所述神经网络模型中得到一个或多个种子点、以及用于为区域生长提供判定标准的相似性度量阈值参数，每个种子点均对应一个点云区域；基于所述种子点和所述相似性度量阈值参数，进行各点云区域的生长，得到与所述种子点一一对应的区域生长聚类，完成点云分割。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于区域生长的点云分割方法，其特征在于，包括：
获取待分割点云数据；
将所述待分割点云数据输入预设的神经网络模型，以从所述神经网络模型中得到一个或多个种子点、以及用于为区域生长提供判定标准的相似性度量阈值参数，每个种子点均对应一个点云区域；
基于所述种子点和所述相似性度量阈值参数，进行各点云区域的生长，得到与所述种子点一一对应的区域生长聚类，完成点云分割。
2.根据权利要求1所述的基于区域生长的点云分割方法，其特征在于，将所述待分割点云数据输入预设的神经网络模型，以从所述神经网络模型中得到一个或多个种子点、以及用于为区域生长提供判定标准的相似性度量阈值参数的步骤包括：
利用所述神经网络模型，对所述待分割点云数据进行特征提取，得到点云特征；
利用所述神经网络模型，基于所述点云特征，进行种子点预测，得到一个或多个所述种子点；
利用所述神经网络模型，基于所述点云特征和所述种子点，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数。
3.根据权利要求2所述的基于区域生长的点云分割方法，其特征在于，利用所述神经网络模型，对所述待分割点云数据进行特征提取，得到点云特征的步骤包括：
利用所述神经网络模型的采样层，对所述待分割点云数据进行均匀采样，获得采样点集，所述采样点集包括多个采样点；
基于所述神经网络模型的多层感知机，对所述采样点进行特征提取，得到每个采样点的局部特征；通过搜索每个采样点的邻域点，建立每个采样点对应的局部邻域；
利用所述神经网络模型中的特征学习结构，学习每个采样点的局部邻域内的全部局部特征，得到每个局部邻域内点云的全局特征；通过对全部局部邻域内点云的全局特征进行聚合，得到所述点云特征。
4.根据权利要求2所述的基于区域生长的点云分割方法，其特征在于，利用所述神经网络模型，基于所述点云特征，进行种子点预测，得到一个或多个所述种子点的步骤包括：
利用所述神经网络模型中的第一注意力机制结构，对所述点云特征进行加权处理，获取第一加权特征；
利用所述神经网络模型中的第一全连接层，将所述第一加权特征映射到预设的种子点预测的概率空间中，得到待分割点云数据中每个点属于种子点的预测概率；基于待分割点云数据中每个点属于种子点的预测概率，得到一个或多个所述种子点。
5.根据权利要求2所述的基于区域生长的点云分割方法，其特征在于，利用所述神经网络模型，基于所述点云特征和所述种子点，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数的步骤包括：
利用所述神经网络模型中的第二注意力机制结构，对所述点云特征进行解码，获取解码特征向量；将所述种子点转换为第一预设维度的种子点向量；将所述解码特征向量与种子点向量进行组合，得到第一组合特征向量；对所述第一组合特征向量进行加权处理，得到第二加权特征；
利用所述神经网络模型中的第二全连接层，联合所述第二加权特征和预先获取的待分割点云数据的点云密度，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数。
6.根据权利要求5所述的基于区域生长的点云分割方法，其特征在于，利用所述神经网络模型中的第二全连接层，联合所述第二加权特征和预先获取的待分割点云数据的点云密度，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数的步骤包括：
利用所述第二全连接层，将所述点云密度转换为第二预设维度的密度向量；对所述第二加权特征和所述密度向量进行组合，得到第二组合特征向量；基于所述第二组合特征向量，进行相似性度量阈值参数预测，得到所述相似性度量阈值参数。
7.根据权利要求1所述的基于区域生长的点云分割方法，其特征在于，基于所述种子点和所述相似性度量阈值参数，进行各点云区域的生长，得到与所述种子点一一对应的区域生长聚类，完成点云分割的步骤包括：
基于所述种子点，逐点判断种子点的各邻域点的相似性度量参数是否符合预设的约束条件，得到判断结果，所述约束条件基于所述相似性度量阈值参数设置；所述相似性度量参数与所述相似性度量阈值参数相对应；
基于所述判断结果，对多个点云区域同时或逐个进行区域生长，得到与所述种子点一一对应的区域生长聚类，完成点云分割。
8.根据权利要求1所述的基于区域生长的点云分割方法，其特征在于，所述神经网络模型的训练步骤包括：
获取区域生长聚类样本，所述区域生长聚类样本是基于种子点样本和相似性度量阈值参数样本进行区域生长得到的，所述种子点样本和所述相似性度量阈值参数样本为初始神经网络模型在训练过程中的输出量，所述初始神经网络模型的输入量为预设的点云样本，所述区域生长聚类样本与所述种子点样本一一对应；
基于所述区域生长聚类样本，得到点云分割样本；基于所述点云分割样本和预设的真实分割结果之间的差距，对所述初始神经网络模型进行迭代训练，得到训练好的所述神经网络模型。
9.一种基于区域生长的点云分割系统，其特征在于，包括：
点云数据获取模块，用于获取待分割点云数据；
预测模块，用于将所述待分割点云数据输入预设的神经网络模型，以从所述神经网络模型中得到一个或多个种子点、以及用于为区域生长提供判定标准的相似性度量阈值参数，每个种子点均对应一个点云区域；
区域生长模块，用于基于所述种子点和所述相似性度量阈值参数，进行各点云区域的生长，得到与所述种子点一一对应的区域生长聚类，完成点云分割。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410399510.4A CN117994527B (zh) | 2024-04-03 | 2024-04-03 | 基于区域生长的点云分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410399510.4A CN117994527B (zh) | 2024-04-03 | 2024-04-03 | 基于区域生长的点云分割方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117994527A true CN117994527A (zh) | 2024-05-07 |
| CN117994527B CN117994527B (zh) | 2024-06-25 |
Family
ID=90890938
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410399510.4A Active CN117994527B (zh) | 2024-04-03 | 2024-04-03 | 基于区域生长的点云分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117994527B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107784661A (zh) * | 2017-09-08 | 2018-03-09 | 上海电力学院 | 基于区域生长法的变电站设备红外图像分类识别方法 |
| CN112818999A (zh) * | 2021-02-10 | 2021-05-18 | 桂林电子科技大学 | 一种基于卷积神经网络的复杂场景3d点云语义分割方法 |
| CN112861862A (zh) * | 2021-01-18 | 2021-05-28 | 西北大学 | 基于区域生长与深度学习结合的针对兵马俑点云的无监督分割方法 |
| US20220351332A1 (en) * | 2020-05-19 | 2022-11-03 | South China University Of Technology | Method for point cloud up-sampling based on deep learning |
| US20230017812A1 (en) * | 2019-03-26 | 2023-01-19 | Samsung Electronics Co., Ltd. | Apparatus and method for image region detection of object based on seed regions and region growing |
| CN116543153A (zh) * | 2023-05-05 | 2023-08-04 | 重庆邮电大学 | 一种基于选点主动学习的半监督点云语义分割方法 |
| CN116597199A (zh) * | 2023-04-14 | 2023-08-15 | 山东科技大学 | 基于机载LiDAR的点云树种分类方法及系统 |
| CN117496157A (zh) * | 2023-12-06 | 2024-02-02 | 四川大学 | 基于ms模块的相对较小部分点云语义分割方法 |
| CN117635630A (zh) * | 2023-10-12 | 2024-03-01 | 广西电网有限责任公司电力科学研究院 | 基于变电站实景点云的对象自动分割方法及系统 |
-
2024
- 2024-04-03 CN CN202410399510.4A patent/CN117994527B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107784661A (zh) * | 2017-09-08 | 2018-03-09 | 上海电力学院 | 基于区域生长法的变电站设备红外图像分类识别方法 |
| US20230017812A1 (en) * | 2019-03-26 | 2023-01-19 | Samsung Electronics Co., Ltd. | Apparatus and method for image region detection of object based on seed regions and region growing |
| US20220351332A1 (en) * | 2020-05-19 | 2022-11-03 | South China University Of Technology | Method for point cloud up-sampling based on deep learning |
| CN112861862A (zh) * | 2021-01-18 | 2021-05-28 | 西北大学 | 基于区域生长与深度学习结合的针对兵马俑点云的无监督分割方法 |
| CN112818999A (zh) * | 2021-02-10 | 2021-05-18 | 桂林电子科技大学 | 一种基于卷积神经网络的复杂场景3d点云语义分割方法 |
| CN116597199A (zh) * | 2023-04-14 | 2023-08-15 | 山东科技大学 | 基于机载LiDAR的点云树种分类方法及系统 |
| CN116543153A (zh) * | 2023-05-05 | 2023-08-04 | 重庆邮电大学 | 一种基于选点主动学习的半监督点云语义分割方法 |
| CN117635630A (zh) * | 2023-10-12 | 2024-03-01 | 广西电网有限责任公司电力科学研究院 | 基于变电站实景点云的对象自动分割方法及系统 |
| CN117496157A (zh) * | 2023-12-06 | 2024-02-02 | 四川大学 | 基于ms模块的相对较小部分点云语义分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王蕊;李俊山;刘国庆;李旭辉;: "基于神经网络的几何模型区域分割算法", 电光与控制, no. 11, 15 November 2008 (2008-11-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117994527B (zh) | 2024-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110472627B (zh) | 一种端到端的sar图像识别方法、装置及存储介质 | |
| CN111445488B (zh) | 一种弱监督学习自动识别和分割盐体的方法 | |
| CN112418330A (zh) | 一种基于改进型ssd的小目标物体高精度检测方法 | |
| CN113076871A (zh) | 一种基于目标遮挡补偿的鱼群自动检测方法 | |
| CN111738351A (zh) | 模型训练方法、装置、存储介质及电子设备 | |
| CN110853070A (zh) | 基于显著性与Grabcut的水下海参图像分割方法 | |
| CN113628211B (zh) | 参数预测推荐方法、设备及计算机可读存储介质 | |
| CN114897782B (zh) | 基于生成式对抗网络的胃癌病理切片图像分割预测方法 | |
| CN111178438A (zh) | 一种基于ResNet101的天气类型识别方法 | |
| CN116468995A (zh) | 一种联合slic超像素和图注意力网络的声呐图像分类方法 | |
| CN114492619A (zh) | 一种基于统计和凹凸性的点云数据集构建方法及装置 | |
| CN115147862A (zh) | 底栖动物自动识别方法、系统、电子设备和可读存储介质 | |
| CN110738166B (zh) | 基于PCNN和PCANet的渔政监控系统红外目标识别方法及存储介质 | |
| CN115565019A (zh) | 基于深度自监督生成对抗的单通道高分辨sar图像地物分类方法 | |
| CN114693524A (zh) | 侧扫声呐图像准确匹配快速拼接方法、设备及存储介质 | |
| CN114492744A (zh) | 一种基于对抗生成网络的地海杂波谱数据样本生成方法 | |
| CN117994527B (zh) | 基于区域生长的点云分割方法及系统 | |
| CN116563636A (zh) | 一种合成孔径雷达图像生成方法及系统 | |
| CN116206208A (zh) | 一种基于人工智能的林业病虫害快速分析系统 | |
| CN114202694A (zh) | 基于流形混合插值和对比学习的小样本遥感场景图像分类方法 | |
| CN114283323A (zh) | 一种基于图像深度学习的海上目标识别系统 | |
| CN113159218A (zh) | 一种基于改进cnn的雷达hrrp多目标识别方法及系统 | |
| CN113837062A (zh) | 一种分类方法、装置、存储介质及电子设备 | |
| CN111291820A (zh) | 一种结合定位信息和分类信息的目标检测方法 | |
| CN117936105B (zh) | 基于深度学习网络的多模态黑色素瘤免疫治疗预测方法 |
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 | ||
| GR01 | Patent grant |