点云分割方法、装置、设备及存储介质制造方法及图纸

本申请提供了一种点云分割方法、装置、设备及存储介质，其中，该方法包括：对三维点云切层，得到三维点云的多个点云层；对各点云层进行特征点提取，得到点云层中的多个特征点；分别确定各特征点的K近邻邻域以及测地线邻域，并将特征点在K近邻邻域以及测地线邻域的特征表达作为特征点的局部特征；通过特征点的局部特征学习特征点的全局特征，并将全局特征以及局部特征串联以确定特征点的特征表达向量；最后根据各点云层中各特征点的特征表达向量，对三维点云中的各点按照点的分类结果进行聚合，得到三维点云的点云分割结果。本申请的方法可以增强点云的局部信息量，提高点云分割的精确度。度。度。

【技术实现步骤摘要】
点云分割方法、装置、设备及存储介质


[0001]本申请涉及点云分割
，具体而言，涉及一种点云分割方法、装置、设备及存储介质。

技术介绍

[0002]对三维环境的有效认知与识别是智能机器人完成自主行为的前提和基础，三维空间的物体通常用点云的形式表达。因此，点云的精确分割工作至关重要。
[0003]现有技术中通常使用传感器对物体的点云数据进行采集，将采集到的点云数据体素化、表面网格化，或是从多视角将三维点云转化为易于表达的形式从而完成物体分割。
[0004]但是现有技术中传感器采集到的点云稀疏，存在上下文信息缺失的问题，因此导致分割出的物体独立性差，点云分割的精确度低。

技术实现思路

[0005]本申请的目的在于，针对上述现有技术中的不足，提供一种点云分割方法、装置、设备及存储介质，以解决现有技术中点云分割的精确度低的问题。
[0006]为实现上述目的，本申请采用的技术方案如下：
[0007]第一方面，本申请提供了一种点云分割方法，所述方法包括：
[0008]对三维点云切层，得到所述三维点云的多个点云层；
[0009]对各点云层进行特征点提取，得到所述点云层中的多个特征点；
[0010]分别确定各特征点的K近邻邻域以及测地线邻域，并根据所述特征点的K近邻邻域以及测地线邻域得到所述特征点的局部特征；
[0011]根据所述特征点的局部特征确定所述特征点的全局特征，并根据所述全局特征以及所述局部特征确定所述特征点的特征表达向量，所述特征表达向量用于表征所述特征点的类别；
[0012]根据各点云层中各特征点的特征表达向量，对所述三维点云进行分割，得到所述三维点云的点云分割结果。
[0013]可选的，所述分别确定各特征点的K近邻邻域以及测地线邻域，并根据所述特征点的K近邻邻域以及测地线邻域得到所述特征点的局部特征，包括：
[0014]采用K近邻算法确定所述特征点的K近邻邻域；
[0015]基于测地线距离确定所述特征点的测地线邻域；
[0016]根据所述K近邻邻域得到所述特征点的第一局部特征，根据所述测地线邻域得到所述特征点的第二局部特征，将所述第一局部特征和所述第二局部特征拼接，得到所述特征点的局部特征。
[0017]可选的，所述基于测地线距离确定所述特征点的测地线邻域，包括：
[0018]以所述特征点为起始点，确定与所述特征点的测地线距离满足预设距离阈值的K个邻近点，将K个邻近点组成的区域作为所述特征点的测地线邻域。
[0019]可选的，所述根据所述K近邻邻域得到所述特征点的第一局部特征，根据所述测地线邻域得到所述特征点的第二局部特征，将所述第一局部特征和所述第二局部特征拼接，得到所述特征点的局部特征，包括：
[0020]将所述K近邻邻域、所述测地线邻域以及所述特征点输入预先训练的神经网络模型，由所述神经网络模型分别提取得到所述第一局部特征和所述第二局部特征，并将所述第一局部特征和所述第二局部特征拼接，得到所述特征点的局部特征。
[0021]可选的，所述根据所述特征点的局部特征确定所述特征点的全局特征，并根据所述全局特征以及所述局部特征确定所述特征点的特征表达向量，包括：
[0022]由所述神经网络模型将所述特征点的局部特征进行最大池化处理，得到所述特征点的全局特征，并根据所述全局特征以及所述局部特征确定所述特征点的特征表达向量。
[0023]可选的，所述根据所述全局特征以及所述局部特征确定所述特征点的特征表达向量，包括：
[0024]将所述全局特征和所述局部特征拼接，得到所述特征点的特征表达向量。
[0025]可选的，所述根据各点云层中各特征点的特征表达向量，对所述三维点云进行分割，得到所述三维点云的点云分割结果，包括：
[0026]基于所述特征表达向量得到所述特征点的类别；
[0027]将三维点云中的特征点按照类别进行聚合，得到所述三维点云的点云分割结果。
[0028]第二方面，本申请提供了一种点云分割装置，所述装置包括：
[0029]切层模块，用于对三维点云切层，得到所述三维点云的多个点云层；
[0030]提取模块，用于对各点云层进行特征点提取，得到所述点云层中的多个特征点；
[0031]第一确定模块，用于分别确定各特征点的K近邻邻域以及测地线邻域，并根据所述特征点的K近邻邻域以及测地线邻域得到所述特征点的局部特征；
[0032]第二确定模块，用于根据所述特征点的局部特征确定所述特征点的全局特征，并根据所述全局特征以及所述局部特征确定所述特征点的特征表达向量，所述特征表达向量用于表征所述特征点的类别；
[0033]分割模块，用于根据各点云层中各特征点的特征表达向量，对所述三维点云进行分割，得到所述三维点云的点云分割结果。
[0034]可选的，所述第一确定模块具体用于：
[0035]采用K近邻算法确定所述特征点的K近邻邻域；
[0036]基于测地线距离确定所述特征点的测地线邻域；
[0037]根据所述K近邻邻域得到所述特征点的第一局部特征，根据所述测地线邻域得到所述特征点的第二局部特征，将所述第一局部特征和所述第二局部特征拼接，得到所述特征点的局部特征。
[0038]可选的，所述第一确定模块还具体用于：
[0039]以所述特征点为起始点，确定与所述特征点的测地线距离满足预设距离阈值的K个邻近点，将K个邻近点组成的区域作为所述特征点的测地线邻域。
[0040]可选的，所述第一确定模块还具体用于：
[0041]将所述K近邻邻域、所述测地线邻域以及所述特征点输入预先训练的神经网络模型，由所述神经网络模型分别提取得到所述第一局部特征和所述第二局部特征，并将所述
第一局部特征和所述第二局部特征拼接，得到所述特征点的局部特征。
[0042]可选的，所述第二确定模块还具体用于：
[0043]由所述神经网络模型将所述特征点的局部特征进行最大池化处理，得到所述特征点的全局特征，并根据所述全局特征以及所述局部特征确定所述特征点的特征表达向量。
[0044]可选的，所述第二确定模块还具体用于：
[0045]将所述全局特征和所述局部特征拼接，得到所述特征点的特征表达向量。
[0046]可选的，所述分割模块还具体用于：
[0047]基于所述特征表达向量得到所述特征点的类别；
[0048]将三维点云中的特征点按照类别进行聚合，得到所述三维点云的点云分割结果。
[0049]第三方面，本申请提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如上述点云分割方法的步骤。
[0050]第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种点云分割方法，其特征在于，包括：对三维点云切层，得到所述三维点云的多个点云层；对各点云层进行特征点提取，得到所述点云层中的多个特征点；分别确定各特征点的K近邻邻域以及测地线邻域，并根据所述特征点的K近邻邻域以及测地线邻域得到所述特征点的局部特征；根据所述特征点的局部特征确定所述特征点的全局特征，并根据所述全局特征以及所述局部特征确定所述特征点的特征表达向量，所述特征表达向量用于表征所述特征点的类别；根据各点云层中各特征点的特征表达向量，对所述三维点云进行分割，得到所述三维点云的点云分割结果。2.根据权利要求1所述的方法，其特征在于，所述分别确定各特征点的K近邻邻域以及测地线邻域，并根据所述特征点的K近邻邻域以及测地线邻域得到所述特征点的局部特征，包括：采用K近邻算法确定所述特征点的K近邻邻域；基于测地线距离确定所述特征点的测地线邻域；根据所述K近邻邻域得到所述特征点的第一局部特征，根据所述测地线邻域得到所述特征点的第二局部特征，将所述第一局部特征和所述第二局部特征拼接，得到所述特征点的局部特征。3.根据权利要求2所述的方法，其特征在于，所述基于测地线距离确定所述特征点的测地线邻域，包括：以所述特征点为起始点，确定与所述特征点的测地线距离满足预设距离阈值的K个邻近点，将K个邻近点组成的区域作为所述特征点的测地线邻域。4.根据权利要求2所述的方法，其特征在于，所述根据所述K近邻邻域得到所述特征点的第一局部特征，根据所述测地线邻域得到所述特征点的第二局部特征，将所述第一局部特征和所述第二局部特征拼接，得到所述特征点的局部特征，包括：将所述K近邻邻域、所述测地线邻域以及所述特征点输入预先训练的神经网络模型，由所述神经网络模型分别提取得到所述第一局部特征和所述第二局部特征，并将所述第一局部特征和所述第二局部特征拼接，得到所述特征点的局部特征。5.根据权利要求4所述的方法，其特征在于，所述根据所述特征点的局部特征确定所述特征点的全局特征，并根据所述全局特征以及所述...

【专利技术属性】
技术研发人员：杨志新，朱蕾，
申请(专利权)人：澳门大学，
类型：发明
国别省市：