本發明涉及一種基于幾何特征提取和邊緣感知編碼的三維點云分割方法，該方法包括如下步驟：構建并訓練邊緣預測網絡以及分割網絡；邊緣預測網絡輸入為三維點云中各個點所在鄰域內的原始特征方差，輸出為三維點云中各個點是否為邊緣點；分割網絡采用編碼器解碼器的結構，每一層執行以下操作：幾何特征提取；幾何特征與已有輸入特征進行拼接；對拼接特征進行邊緣感知特征提取作為下一層的輸入特征；將對應分辨率下編碼器的特征與解碼器的特征融合得到原始分辨率的特征，使用激活函數對原始分辨率的特征進行歸一化，得到每個點屬于不同類別的概率。與現有技術相比，本發明提升了網絡的幾何特征感知能力，從而提高了點云特別是點云邊緣部分的分割效果。

技術領域

本發明涉及一種三維點云分割方法，尤其是涉及一種基于幾何特征提取和邊緣感知編碼的三維點云分割方法。

背景技術

點云是三維空間中一堆點的集合，可以用來表示三維的場景和物體。點云通常是由激光雷達、深度相機采集得到或著通過對三維mesh模型采樣得到。作為三維數據的常用表征形式，點云也可以與體素以及網格等常用的三維數據表征形式相互轉換。而基于點云的識別和理解技術發展緩慢。

隨著深度學習的不斷發展，于2017年，深度學習技術開始被應用于點云的識別和理解中。基于深度學習的點云識別和理解技術在之后的幾年時間里快速發展。點云的語義分割是點云場景理解里面重要的環節，可以為后續的虛擬增強現實技術、機器人技術以及自動駕駛技術等提供強有力的支持。

現有的基于深度學習的點云語義分割方法缺乏對點云獨有的幾何信息的利用，有很少人工設計出來的幾何特征，但是這些幾何特征缺乏對輸入點云的適應能力。此外現有點云特征提取過程中對所有的點不做區分，使得不同類別點的特征混合在一起，導致邊緣的分割效果很差。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于幾何特征提取和邊緣感知編碼的三維點云分割方法。

本發明的目的可以通過以下技術方案來實現：

一種基于幾何特征提取和邊緣感知編碼的三維點云分割方法，該方法包括如下步驟：

構建并訓練用于三維點云邊緣預測的邊緣預測網絡以及用于對三維點云中各點進行分割預測的分割網絡；

所述的邊緣預測網絡輸入為三維點云中各個點所在鄰域內的原始特征方差，輸出為三維點云中各個點是否為邊緣點；

所述的分割網絡采用編碼器解碼器的結構，包括多層依次級聯的且呈對稱結構的編碼器和解碼器，三維點云的原始特征作為分割網絡第一層的輸入，同時邊緣預測網絡預測的邊緣預測結果會在不同的尺度下進行使用，在點云進行采樣的過程中，邊緣預測結果隨著一起下采樣并與通常的下采樣共享下采樣的采樣點，分割網絡中的每一層執行以下操作：

首先，對當前采樣尺度下的點云進行幾何特征提取得到幾何特征；

然后，將幾何特征與當前層已有輸入特征進行拼接得到拼接特征；

接著，基于邊緣預測結果對拼接特征進行邊緣感知特征提取更具有表征能力的特征并輸出作為下一層的輸入特征；

最后，利用跳躍鏈接將對應分辨率下編碼器的特征與解碼器的特征融合在一起，得到原始分辨率的特征，使用激活函數對原始分辨率的特征進行歸一化，得到每個點屬于不同類別的概率，完成點云分割。

優選地，三維點云的原始特征包括顏色、坐標、反射強度、法向量方向中的一種或多種的組合。

優選地，所述的邊緣預測網絡的進行邊緣預測的過程包括：

對于三維點云中的每個點收集其原始特征，所述的原始特征包括多個維度；

對于每一個點的每一維特征，計算這一維特征周圍鄰域K個點的特征對應的方差，并將不同特征的方差作為新的輸入特征送入邊緣預測網絡；