【技术实现步骤摘要】
一种基于多特征融合点云分割的三维建模方法
[0001]本专利技术属于三维建模
,具体涉及一种基于多特征融合点云分割的三维建模方法。
技术介绍
[0002]运用激光点云数据进行三维几何建模技术在VR(virtualreality,虚拟现实)、AR(augmentedreality,增强现实)、自动驾驶、机器人技术等应用方面有着至关重要的作用。为了能够更好的进行三维几何建模,对于大量的激光点云数据如何进行分割和提取是非常重要的一环。
[0003]点云数据指的是目标对方表面的大量点点集合,可以看作是三维空间的表示。随着深度学习在二维图像取得的成功,一些研究者致力于三维点云的分割模型。但是三维数据的主要缺点之一是它固有地依赖特定的采样模式,使得它对遮挡、噪声和稀疏采样非常敏感。将CNN应用在不规则结构的数据中仍然是一个挑战,这些挑战包括:一、在几何上,由于三维点云特殊的空间结构,很难用矩阵表示点云中的点,这就使得全局和局部几何表示变得相当困难;二、三维点云是非结构化的数据,因此没有一个结构化的网格进行卷积操作;三、点云的本质是一长串点,导致了旋转、位移、平移的不变性。然而,并不是所有的深度神经网络可以都能完全解决这些问题。
[0004]PointNet网络是一个开创性的方法,它将原始点云作为深度神经网络的输入,但是这种方法不涉及局部特征的学习。后来相继提出了PointNet++网络,使用底层空间的距离度量,将点云分割成重叠的局部区域,并从邻近节点中提取和捕获精细的几何局部特征。但是,这种神经网络只考虑局
【技术保护点】
【技术特征摘要】
1.一种基于多特征融合点云分割的三维建模方法,其特征在于:包括以下步骤:步骤1:利用NARF算法从3D点云原始数据中提取出相关点,作为关键点;步骤2:采用自注意力机制构建自注意力机制层,将原始3D点云数据输入到自注意力机制层,来提取点云的邻域细粒度特征和全局信息;步骤3:在多层感知器中嵌入图注意力机制,将3D点云原始数据输入构建的图注意力机制层,来提取局部几何信息;步骤4:采用多头图形注意力机制来聚合步骤3中提取出的特征,并加入步骤1中提取的关键点得到权重矩阵;步骤5:通过局部特征聚合描述符VLAD进一步提取步骤1
‑
3中获得的点云的深度语义特征;步骤6:将步骤1
‑
5中提取的点云特征经过由多层感知器组成的全连接层,得到最后的分割数据;步骤7:利用步骤6中获得的点云分割数据,构建出三维模型。2.根据权利要求1所述的一种基于多特征融合点云分割的三维建模方法,其特征在于所述步骤2的具体过程如下:将3D点云输入到自注意力机制层后,得到了输入向量Q,K,V的线性映射,Q,K,V向量的值组合成三维点云的邻接向量X,通过自注意力机制层中的编码器聚合局部和全局信息,输入向量Q,K,V的线性映射公式如下:其中R表示输入向量,n
×
d
k
与m
×
d
k
代表输入向量的维度;对于单个输入向量q
t
,q
t
∈Q,Q,K,V的计算公式如下:其中Z为标准化因子,v
s
∈V,k
s
∈K,q,k,v分别是query,key,value的缩写,作为调节器,这样输入激活函数的内积不会太大;自注意力机制的核心部分是用于测量q
t
和v
s
之间的非线性映射关系;每个k
s
和q
t
相乘,利用softmax函数去评估k
s
和q
t
之间的相似性,最后经过计算的结果是一个加权和向量d
v
。3.根据权利要求1所述的一种基于多特征融合点云分割的三维建模方法,其特征在于所述步骤3的具体过程如下:3.1、使用邻近算法KNN构建K最邻近图G=(V,E),其中V代表节点集,每个点用x
i
表示,E表示邻接点对应的边集,每条边用y
ij
表示,并将其定义为邻接特征;3.2分别对节点、邻接点对应的边进行编码得到自系数和局部系数,其输出结果的维度均为F0,公式如下:
x
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。