一种可变形点云邻域选择方法及用途

1.本发明属于深度神经网络在三维计算机视觉方面的应用，涉及一种可变形点云邻域选择方法及用途。


背景技术：

2.随着三维点云传感器的快速发展，点云在自动驾驶、遥感等领域得到了广泛的应用，基于深度神经网络的点云识别与分割算法逐渐成为热门的研究方向。现有深度神经网络方法绝大多数利用k-近邻算法选取局部特征提取的范围，并利用共享权值的多层感知机、注意力模块等方法计算局部特征。通过编码器-解码器的网络结构提取每个点的语义特征，最终利用全连接层实现对点云的识别与分割。
3.代璐，王俊亮等(《基于卷积神经网络的非等效点云分割方法》，东华大学学报(自然科学版)，2019，45(6):862—868)针对点云分割中的非等效性，提出基于cnn的点云分割神经网络，在设计网络随机抽样层与最大池化层解决点云数据量与顺序多变的基础上，引入经惩罚函数作用后的距离矩阵对各点分类误差进行加权，优化模型训练方法，但该方法由于人为设计的惩罚函数的设计存在不精确性，不能保证模型训练效果最优。
4.现有深度神经网络方法绝大多数利用k-近邻算法选取局部特征提取的范围，这种方法选取的邻域形状是相对固定的，对已有算法的分析发现，邻域形状可变形的方法通常比使用k-近邻算法的方法精度更高。


技术实现要素：

5.要解决的技术问题
6.为了避免现有技术的不足之处，本发明提出一种可变形点云邻域选择方法及用途，适用于现有的绝大多数深度神经网络方法，在不改变特征计算方法的同时，替换k-近邻算法，使现有方法的邻域形状可变，以提高现有方法的精度。
7.技术方案
8.一种可变形点云邻域选择方法，其特征在于步骤如下：
9.步骤1：随机选取云中的一个特征点p
key
，点云包含n个点，pi表示点云中第i个点的三维坐标；
10.步骤2：对点云中的每个点均乘以变换矩阵t，得到变换后的点云
[0011][0012]
所述变换矩阵t＝diag(t
x
,ty,tz)，其中t
x
,ty,tz分别是点云在x轴、y轴和z轴上的尺度变换参数；
[0013]
步骤3：计算变换后的特征点p
key
′
＝p
key
t；
[0014]
步骤4：采用k-近邻算法计算特征点p
key
′
在点云中的最近邻的k个点并记录这k个点的序号，根据序号选出原点云中对应的点，构成了特征点p
key
的邻域。
[0015]
所述尺度变换参数取值范围为t
x
,ty,tz∈(0,1]。
[0016]
一种所述可变形点云邻域选择方法的应用，其特征在于：替换使用k-近邻选取特征点邻域的过程，优化所有使用k-近邻算法的现有点云分割方法。
[0017]
有益效果
[0018]
本发明提出的一种可变形点云邻域选择方法及用途，通过在特定方向上压缩点云，来控制k-近邻算法选取的邻域的形状，该方法可以直接替换k-近邻算法，使深度神经网络的邻域选择具有可变形性。
[0019]
采用本发明的方法有益效果主要包括：
[0020]
(1)本发明提出的点云邻域选择方法可以根据需要变换邻域形状，有效克服了传统k-近邻算法选取邻域形状固定的弱点。
[0021]
(2)由于通过变换矩阵改变邻域空间，避免了计算复杂的不规则邻域形状，有效降低了计算复杂度。
[0022]
(3)本方法可替换使用k-近邻选取特征点邻域的过程，可用于优化所有使用k-近邻算法的现有点云分割方法。
附图说明
[0023]
图1是可变形邻域选择方法流程图
[0024]
图2是测试结果图
具体实施方式
[0025]
现结合实施例、附图对本发明作进一步描述：
[0026]
本发明为一种可变形点云邻域选择方法，流程如图1所示，以pointtransformer点云分割网络为实例说明本发明的具体实施方式，但本发明的技术内容不限于所述的范围，具体实施方式包括以下步骤：
[0027]
步骤1：分析网络结构。pointtransformer点云分割神经网络，包含5个特征编码层、5个特征解码层和3个分类层，这里仅对5个特征编码层进行操作。每个特征编码层是由一个邻域选择模块和一个特征提取模块串联组成，5个特征选择模块输出的特征向量维数分别为32、64、128、256、512。
[0028]
步骤2：采用本发明的方法修改网络结构。对于第一个编码层，设置四个变换矩阵t1、t2、t3、t4，分别为：
[0029]
t1＝diag(1,1,1)
[0030]
t2＝diag(0.5,1,1)
[0031]
t3＝diag(1,0.5,1)
[0032]
t4＝diag(1,1,0.5)
[0033]
输入的点云选取特征点，利用四个变换矩阵进行变换后，分别利用k-近邻算法得到四组邻域点。构建四个新的特征提取模块，结构与原特征提取模块相同，仅将输出向量维数改为原来的四分之一，即8，每个模块分别对应一组邻域点，利用特征提取模块计算每组邻域点的特征向量，最后将四个特征向量进行拼接，得到该层最终的输出特征。
[0034]
对于其余的特征编码层，进行相同的修改。
[0035]
步骤3：训练神经网络。利用stpls3d数据和反向传播算法对神经网络参数进行训练。直至模型误差收敛。
[0036]
步骤4：利用上述步骤训练的点云分割网络模型对测试样本进行分割，并计算类平均交并比，达到55.96％，提升了8.86％。测试结果如图2所示。


技术特征：
1.一种可变形点云邻域选择方法，其特征在于步骤如下：步骤1：随机选取云中的一个特征点p
key
，点云包含n个点，p
i
表示点云中第i个点的三维坐标；步骤2：对点云中的每个点均乘以变换矩阵t，得到变换后的点云中的每个点均乘以变换矩阵t，得到变换后的点云所述变换矩阵t＝diag(t
x
,t
y
,t
z
)，其中t
x
,t
y
,t
z
分别是点云在x轴、y轴和z轴上的尺度变换参数；步骤3：计算变换后的特征点p
key
′
＝p
key
t；步骤4：采用k-近邻算法计算特征点p
key
′
在点云中的最近邻的k个点并记录这k个点的序号，根据序号选出原点云中对应的点，构成了特征点p
key
的邻域。2.根据权利要求1所述可变形点云邻域选择方法，其特征在于：所述尺度变换参数取值范围为t
x
,t
y
,t
z
∈(0,1]。3.一种权利要求1或2所述可变形点云邻域选择方法的用途，其特征在于：替换使用k-近邻选取特征点邻域的过程，优化所有使用k-近邻算法的现有点云分割方法。

技术总结
本发明涉及一种可变形点云邻域选择方法及用途，通过在特定方向上压缩点云，来控制K-近邻算法选取的邻域的形状，该方法可以直接替换K-近邻算法，使深度神经网络的邻域选择具有可变形性。有益效果主要包括：可以根据需要变换邻域形状，有效克服了传统K-近邻算法选取邻域形状固定的弱点。由于通过变换矩阵改变邻域空间，避免了计算复杂的不规则邻域形状，有效降低了计算复杂度。本方法可替换使用K-近邻选取特征点邻域的过程，可用于优化所有使用K-近邻算法的现有点云分割方法。邻算法的现有点云分割方法。邻算法的现有点云分割方法。


技术研发人员：王靖宇 王霰禹 张科 苏雨 李浩宇
受保护的技术使用者：西北工业大学
技术研发日：2023.04.08
技术公布日：2023/7/13