本發(fā)明屬于對話推薦，更為具體地講，涉及一種基于局部幾何輪廓和全局拓撲結(jié)構(gòu)保持的點云分類/分割方法。

背景技術(shù)：

1、深度神經(jīng)網(wǎng)絡(luò)已廣泛應(yīng)用于計算機視覺和模式識別任務(wù)。在此背景下，點云分析作為三維理解領(lǐng)域的熱門研究方向，近年來受到了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。隨著技術(shù)的進步，點云數(shù)據(jù)的獲取手段日益智能化和便捷化，方法種類繁多，如光學(xué)雷達(lidar)激光探測、三維模型計算生成點云、以及通過二維圖像進行三維重建等。在點云的處理過程中，相同類別的點云數(shù)據(jù)通常具有相似的反射強度、顏色等信息，且往往呈現(xiàn)出相似的宏觀特征和局部幾何特征。因此，能夠利用這些特征形成特征向量，對激光點云進行分類提取。點云分類作為基礎(chǔ)的點云分析任務(wù)，廣泛應(yīng)用于安防檢測、目標物體識別、醫(yī)學(xué)影像分析以及三維重建等多個領(lǐng)域。

2、與由規(guī)則二維網(wǎng)格表示的圖像不同，點云是一個無序且不規(guī)則的點集。此外，點云的稀疏性和噪聲等自然特性，進一步限制了傳統(tǒng)算法的性能。因此，直接將標準深度學(xué)習(xí)技術(shù)應(yīng)用于點云數(shù)據(jù)面臨巨大挑戰(zhàn)。盡管如此，得益于深度神經(jīng)網(wǎng)絡(luò)的迅猛發(fā)展，許多點云分析任務(wù)已經(jīng)取得了顯著進展，包括三維形狀分類、部件分割和語義分割等。受限于點云的無結(jié)構(gòu)化形式，現(xiàn)有方法主要依賴鄰域點特征聚合算法，這些算法實現(xiàn)了深度學(xué)習(xí)中的非連續(xù)點之間的消息傳遞。當前的特征聚合算法主要分為局部特征聚合和非局部特征聚合，例如，在2023年10月20日公布的、公布號為cn116912561a的發(fā)明專利申請中公開了一種基于多視角自適應(yīng)圖卷積網(wǎng)絡(luò)的點云數(shù)據(jù)分類及分割方法。通過在離線階段構(gòu)造圖網(wǎng)絡(luò)，將采集到的點云數(shù)據(jù)輸入自適應(yīng)旋轉(zhuǎn)矩陣生成器得到自適應(yīng)旋轉(zhuǎn)后的點云數(shù)據(jù)并生成三張多視角投影圖；將點云數(shù)據(jù)和三張多視角投影圖分別構(gòu)建得到全局信息圖數(shù)據(jù)和局部信息圖數(shù)據(jù)，進而分別輸入全局特征提取網(wǎng)絡(luò)和局部特征提取網(wǎng)絡(luò)，提取得到全局特征和局部特征后將二者融合并輸入功能型神經(jīng)網(wǎng)絡(luò)輸出頭，根據(jù)得到的結(jié)果計算損失函數(shù)以實現(xiàn)圖網(wǎng)絡(luò)的訓(xùn)練；在在線階段通過實時采集到的點云數(shù)據(jù)輸入訓(xùn)練后的圖網(wǎng)絡(luò)，得到點云分類或分割結(jié)果。本發(fā)明通過自適應(yīng)地將點云數(shù)據(jù)進行旋轉(zhuǎn)，得到優(yōu)化后的觀察視角，根據(jù)點云數(shù)據(jù)的幾何特征和空間分布，靈活地調(diào)整視角的位置，并引入特定投影面上深度不同的點之間的聯(lián)系，從而更好地捕捉點云數(shù)據(jù)的局部和全局特征，使構(gòu)圖更加精確和魯棒。該發(fā)明專利申請的全局特征提取網(wǎng)絡(luò)為具有最大池化層的六層串聯(lián)式神經(jīng)網(wǎng)絡(luò)，局部特征提取網(wǎng)絡(luò)為兩層串聯(lián)式神經(jīng)網(wǎng)絡(luò)，簡單地利用卷積神經(jīng)網(wǎng)絡(luò)提取全局特征和局部特征。其他一些方法通過不同的距離度量方法或不同的鄰域關(guān)系圖構(gòu)建方法進行特征提取，

3、然而現(xiàn)有的特征聚合方法存在以下問題：1.基于空間距離的局部鄰域構(gòu)建方法通常依賴點與點之間的幾何距離來選擇鄰居，這種方法在點云中容易受到點云分布疏密變化的影響。在稀疏區(qū)域中，鄰居點可能不足，導(dǎo)致局部特征信息不完整。2.基于特征距離的方法在捕捉全局結(jié)構(gòu)時能夠超越空間局限性，捕獲遠距離但特征相近的點。然而，這種方法容易導(dǎo)致特征冗余問題，因為它對特征的依賴使得相似的點被頻繁地包含在鄰域中，特別是在特征分布高度相似或重復(fù)的情況下。這種冗余會引發(fā)信息的過度集中，導(dǎo)致鄰域內(nèi)的信息差異性下降，從而削弱模型對局部細節(jié)的敏感性。3.現(xiàn)有方法使用簡單的拼接方法將局部和全局信息進行融合，雖然可以在一定程度上同時保留兩種尺度的信息，但這種方式往往導(dǎo)致信息的利用不充分。對于空間結(jié)構(gòu)復(fù)雜或語義層次豐富的點云場景，僅通過拼接無法讓局部特征在全局上下文中充分發(fā)揮作用

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于局部幾何輪廓和全局拓撲結(jié)構(gòu)保持的點云分類/分割方法，以充分考慮幾何輪廓信息即點所處部位的幾何特征以及拓撲結(jié)構(gòu)信息進行特征聚合，提高點云分類/分割的準確率和魯棒性。

2、為實現(xiàn)上述發(fā)明目的，本發(fā)明基于局部幾何輪廓和全局拓撲結(jié)構(gòu)保持的點云分類/分割方法，其特征在于，包括以下步驟：

3、(1)、采用多級串聯(lián)的特征提取器對點云數(shù)據(jù)進行特征提取

4、第一級特征提取器將點云數(shù)據(jù)中點的三維坐標作為輸入特征，之后的特征提取器將前一級特征提取器輸出的特征作為輸入特征，每一級特征提取器包括鄰域關(guān)系構(gòu)建模塊、鄰域關(guān)系擴散模塊，特征提取網(wǎng)絡(luò)以及最遠點采樣模塊，在每一級特征提取器中，將輸入特征分別輸入到鄰域關(guān)系構(gòu)建模塊；

5、1.1)、獲取鄰域關(guān)系圖

6、在鄰域關(guān)系構(gòu)建模塊中，首先依據(jù)輸入特征計算每個點到其它點之間的空間距離，然后根據(jù)空間距離從點云數(shù)據(jù)中確定每個點的鄰域點集合即通過選取前k個最小空間距離構(gòu)建鄰域關(guān)系圖a，將非對稱的鄰域關(guān)系圖a轉(zhuǎn)換為對稱矩陣并進行歸一化處理，所述鄰域關(guān)系圖的歸一化為：

7、

8、其中，a表示鄰域關(guān)系圖，d表示鄰域關(guān)系圖的度矩陣；

9、1.2)、利用自擴散機制進行特征的傳播與強化

10、在鄰域關(guān)系擴散模塊中，將獲取的鄰域關(guān)系圖利用自擴散機制進行特征的傳播與強化，從而快速擴展到點云表面輪廓點，最后確定擴散后的鄰域關(guān)系圖中的指定維度上的前k個最大值及索引作為特征提取網(wǎng)絡(luò)的輸入特征，其中，自擴散機制計算公式為：

11、

12、其中，下標n表示擴散次數(shù)，上標n+1、n-i表示冪次，α為自定義參數(shù)，用于調(diào)節(jié)局部鄰域視野范圍；

13、1.3)、提取特征

14、所述特征提取網(wǎng)絡(luò)為多層串聯(lián)式神經(jīng)網(wǎng)絡(luò)，每一層神經(jīng)網(wǎng)絡(luò)由兩個二維卷積層和一個最大池化層組成，其更新函數(shù)為帶有殘差連接的鄰域特征聚合函數(shù)，具體為：

15、

16、其中，hi(n)為第n層神經(jīng)網(wǎng)絡(luò)第i個點的輸入特征，hi(n+1)為第n層神經(jīng)網(wǎng)絡(luò)第i個點的輸出特征，pi為第i個點的點云坐標，n(i)表示第i個點的鄰域點集合，j表示鄰域點集合n(i)中的第j個點，pj為鄰域點集合n(i)中第j個點的點云坐標，θ與φ分別為兩個二維卷積層的參數(shù)，max()為最大池化函數(shù)，括號中的逗號表示拼接；

17、特征提取網(wǎng)絡(luò)的輸入特征輸入第一層神經(jīng)網(wǎng)絡(luò)，特征提取網(wǎng)絡(luò)最后一層的輸出特征即為提取特征；

18、1.4)、最遠點采樣

19、在最遠點采樣模塊中采用最遠點采樣方法，依據(jù)提取特征，通過迭代選取最遠點，從點云數(shù)據(jù)中提取代表性點集合，代表性點集合中各點對應(yīng)的特征構(gòu)成點云數(shù)據(jù)的特征；

20、(2)、點云分類/分割

21、采用分類/分割輸出頭，根據(jù)點云數(shù)據(jù)的特征進行分類/分割，得到點云分類/分割結(jié)果。

22、本發(fā)明的目的是這樣實現(xiàn)的。

23、本發(fā)明基于局部幾何輪廓和全局拓撲結(jié)構(gòu)保持的點云分類/分割方法首先通過鄰域關(guān)系構(gòu)建模塊，依據(jù)空間距離構(gòu)建鄰域關(guān)系圖，其中，空間距離計算和k-近鄰算法精確捕捉點云數(shù)據(jù)中復(fù)雜的幾何和語義信息，增強了特征提取的準確性和魯棒性，同時，鄰域關(guān)系圖自擴散機制進一步增強點云局部與全局特征的關(guān)聯(lián)性，使模型能夠更好地捕捉點云的幾何輪廓(形狀)和全局拓撲結(jié)構(gòu)特征，這樣充分考慮了點云數(shù)據(jù)中的幾何分布特性，增強了模型對點云局部幾何細節(jié)的敏感性，有效增強了局部特征聚合的效率，減少了冗余信息的影響，避免了僅依賴最近鄰方法提取特征的方法導(dǎo)致的特征冗余，提升了點云分類和分割任務(wù)的精度，同時加強了全局信息的共享實現(xiàn)了點云分類與分割任務(wù)的準確性和魯棒性的顯著提升。

24、本發(fā)明通過模塊化設(shè)計和創(chuàng)新技術(shù)的有機結(jié)合，在任務(wù)適配性、擴展能力及結(jié)合多視角構(gòu)圖方面表現(xiàn)出顯著優(yōu)勢，在點云稀疏或密度不均時，可通過將k-近鄰算法替換為球查詢算法并調(diào)整球查詢半徑或調(diào)整鄰域關(guān)系圖的自擴散次數(shù)，實現(xiàn)鄰域選擇的自適應(yīng)優(yōu)化。同時，鄰域關(guān)系圖自擴散算法本質(zhì)上是特征傳播的一種形式，能夠自然地與其他圖神經(jīng)網(wǎng)絡(luò)技術(shù)(如圖卷積、圖注意力等)無縫結(jié)合，進一步增強模型性能。