一种基于点云语义标注和优化的点云分类方法技术

本发明专利技术涉及一种基于点云语义标注和优化的点云分类方法，该方法包括以下步骤：步骤1：使用PointNet++对原始点云数据进行预分类，获得点云预分类结果；步骤2：针对预分类结果使用全局空间正则化进行分类结果优化，得到最终点云分类结果。与现有技术相比，本发明专利技术提出了获取点云语义标签并改进分类结果的通用框架。在提出的通用框架内，可以使用同类算法对现有步骤进行替换，对三维点云的初始标注结果进行了基于图结构正则化的优化方法，实现了语义标注的空间平滑性，可以在实现相同点云分类结果的前提下，仅需求较少量的训练数据。

A Classification Method of Point Cloud Based on Semantic Annotation and Optimization of Point Cloud

【技术实现步骤摘要】
一种基于点云语义标注和优化的点云分类方法
本专利技术涉及计算机
，尤其是涉及一种基于点云语义标注和优化的点云分类方法。
技术介绍
LiDAR技术可以在城市场景中容易地获取三维空间信息，其被表示为三维点云。然而，一组非结构化的点并不能直接和明确地描述现实世界中的对象的语义信息。具体而言，点云的实际应用与该三维原始数据的原始表示之间存在着语义的缺失。因此，给点云赋予准确的语义信息已经成为了许多三维应用项目的基础。然而，由于城市环境的复杂性，获取点云的质量可能受到许多方面的影响，例如由扫描误差引起的噪声和异常值，由扫描仪测量距离变化引起的不均匀点云密度，由此引起的遮挡，受限的观察位置和动态物体引起的干扰等等，这些都使得城市场景下点云的语义场景分析仍然是一项具有挑战性的任务。通常，语义场景分析的目标是为点云中的每个点分配语义标签。传统上，语义标记折衷地为点云中的每个点提取各种手工设计的特征，并将它们连接成特征向量，然后将该特征向量应用在训练样本上，并投入分类器进行训练。所使用的分类器包括AdaBoost，支持向量机(SVM)和随机森林等等。这些监督统计方法是应用于此任务的最常用方法。然而，对于这些监督的逐点分类方法，尽管由于手工设计特征已经表现了极佳的能力，可以通过这种简单的程序产生良好的分类结果，但是分类结果可能是不均匀的，尤其是在具有低密度点的区域中。点云密度的不同会引起邻域选取的不足，从而造成物体类别边界的失准。为了增强语义标注结果的区域平滑性，目前已经提出了一些基于上下文分类方法(例如，马尔可夫随机场或条件随机场)。在此类方法中，不仅考虑所提取的特征而且考虑其周围点的标记来对每个点进行分类。随着空间平滑度的提高，分类结果无可置疑地得到改进，同时伴随着高昂的计算成本。随着高性能计算资源的可用性和对大规模数据集的访问，近年来深度学习技术已经蓬勃发展，并且在许多领域中似乎是引人注目的工具(例如，图像分类，分割以及对象检测和跟踪)。在三维点云分类中，从PointNet派生的深度学习技术，使得三维点集可以直接用作网络的输入，并且结合上面提到的特征提取和监督分类步骤来实现端到端分类策略，这大大简化了语义标注的流程。同时在PointNet的流程中，学习了本地和全局特征，这提高了考虑每个点的本地上下文的能力。然而，对于像PointNet这样的深度学习技术，在某种程度上，分类的结果依赖于预处理中的采样和分割方法，以及后处理的插值方式，因为输入的样本数量需要在被馈送到网络时固定。在这些步骤中将引入每个分裂点集的边界中的一些分类错误和无效性。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于点云语义标注和优化的点云分类方法。本专利技术的目的可以通过以下技术方案来实现：一种基于点云语义标注和优化的点云分类方法，其特征在于，该方法包括以下步骤：步骤1：使用PointNet++对原始点云数据进行预分类，获得点云预分类结果；步骤2：针对预分类结果使用全局空间正则化进行分类结果优化，得到最终点云分类结果。优选地，所述的步骤1具体包括：使用PointNet++的自动编码器部分对原始点云数据进行预分类，获得点云预分类结果。优选地，所述PointNet++的自动编码器部分的输入为城市场景与预训练模型对应的ShapeNet数据集。优选地，所述PointNet++的自动编码器部分的输出为城市场景与预训练模型对应的ShapeNet数据集中每个类别的分类概率。优选地，所述步骤2包括以下分步骤：步骤21：将点云预分类结果细分为多个子点集，并对每个子点集进行基于图像的正则化操作，获得多个经过基于图像的正则化操作的子点集；步骤22：针对每个经过基于图像的正则化操作的子点集构建加权图并进行图分割操作，获得多个经过图分割操作的图模型；步骤23：针对每个经过图分割操作的图模型的能量函数进行求解并最终得到最终点云分类结果。优选地，所述步骤22具体包括：针对每个经过基于图像的正则化操作的子点集构建加权图并通过GraphCuts算法进行图分割操作，获得多个经过图分割操作的图模型。优选地，所述步骤23具体包括：针对每个经过图分割操作的图模型的能量函数通过alpha扩展算法进行求解并最终得到最终点云分类结果。优选地，所述alpha扩展算法的求解过程具体包括：通过切割将所有alpha标记和alpha未标记的节点分开，在每次迭代时改变alpha标签，并且当迭代期间出现两个相邻节点不共享相同标签时插入中间节点，循环迭代至alpha的每个可能标签收敛时迭代结束。与现有技术相比，本专利技术具有以下优点：(1)本专利技术方法提出了获取点云语义标签并改进分类结果的通用框架。在提出的通用框架内，可以使用同类算法对现有步骤进行替换。(2)本专利技术方法不是利用手工设计的特征作为分类和细化的输入，而是通过自动编码器(PointNet++)将点的局部上下文嵌入到深维空间中，同时获得软标签作为下一个细化的初始结果，分类精度得到提升。(3)本专利技术方法对三维点云的初始标注结果进行了基于图结构正则化的优化方法，实现了语义标注的空间平滑性。可以在实现相同点云分类结果的前提下，仅需求较少量的训练数据。附图说明图1为本专利技术实施例原始数据的真实分类结果图；图2为本专利技术实施例使用PointNet++得到的预分类结果图；图3为本专利技术实施例使用图模型优化后得到的分类结果图；图4为本专利技术的方法过程示意图；图5为本专利技术方法中的图模型优化过程示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例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专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本专利技术保护的范围。实施例如图4所示为本专利技术的方法流程示意图，该方法具体可概括为：步骤1：使用PointNet++对原始点云数据进行预分类，获得点云预分类结果；步骤2：针对预分类结果使用全局空间正则化进行分类结果优化，得到最终点云分类结果。在第一步中，通过将细分的点云馈送到PointNet++中来获得具有软标签的初始分类结果。随后，通过构建用于全局正则化的加权图模型来优化初始标记，在这一步中考虑了邻域中的点的空间相关性和初始标记。(1)使用PointNet++进行预分类在点云的语义标注任务中，目标是为点云中的每个点获取唯一标签。因此，应用了PointNet++的自动编码器部分。对于输入的每个点及其包含8096个点邻域集，自动编码器提供的输出为该点对应的1088维的几何特征，其中包含64维的局部几何特征与1024维的全局几何特征。这些点及其特征将在一个全连接网络层中完成分类。这里分类结果为每个点对应不同类别的概率值，即软标签。同时，由于城市场景与预训练模型所使用的ShapeNet数据集中基于对象的输入之间的区别，城市场景被细分为子点集，作为使用整个场景的体素化策略的网络输入。这里的子点集即为完整城市场景数据集的抽稀与降采样，可以理解为把整个城市场景数据集分为不同的组，分别投入PointNet++网络中进行点云分类处理，以提高计算效率，减少运算时间，具体将在实验部分的预处理步骤中呈现细节。在该步骤中，以每个本文档来自技高网...

【技术保护点】
1.一种基于点云语义标注和优化的点云分类方法，其特征在于，该方法包括以下步骤：步骤1：使用PointNet++对原始点云数据进行预分类，获得点云预分类结果；步骤2：针对预分类结果使用全局空间正则化进行分类结果优化，得到最终点云分类结果。

【技术特征摘要】
1.一种基于点云语义标注和优化的点云分类方法，其特征在于，该方法包括以下步骤：步骤1：使用PointNet++对原始点云数据进行预分类，获得点云预分类结果；步骤2：针对预分类结果使用全局空间正则化进行分类结果优化，得到最终点云分类结果。2.根据权利要求1所述的一种基于点云语义标注和优化的点云分类方法，其特征在于，所述的步骤1具体包括：使用PointNet++的自动编码器部分对原始点云数据进行预分类，获得点云预分类结果。3.根据权利要求2所述的一种基于点云语义标注和优化的点云分类方法，其特征在于，所述PointNet++的自动编码器部分的输入为城市场景与预训练模型对应的ShapeNet数据集。4.根据权利要求2所述的一种基于点云语义标注和优化的点云分类方法，其特征在于，所述PointNet++的自动编码器部分的输出为城市场景与预训练模型对应的ShapeNet数据集中每个类别的分类概率。5.根据权利要求1所述的一种基于点云语义标注和优化的点云分类方法，其特征在于，所述步骤2包括以下分步骤：步骤21：将点云预分类结果细分为多个子点集，并对每个子点集进行基于图像的正则化操作，...

【专利技术属性】
技术研发人员：黄荣，叶真，徐聿升，潘玥，顾振雄，
申请(专利权)人：上海黑塞智能科技有限公司，
类型：发明
国别省市：上海,31