(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210499455.7 (22)申请日 2022.05.09 (71)申请人 中国地质大 学 （武汉） 地址 430000 湖北省武汉市洪山区鲁磨路 388号 (72)发明人 张甜甜　吴亦奇　张德军　韩放　 蒙明圆　 (74)专利代理 机构 武汉知产时代知识产权代理 有限公司 42 238 专利代理师 王佩 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 10/764(2022.01)G06V 10/26(2022.01) G06V 20/70(2022.01) G06V 20/64(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于局部点云位置关系的点云特征提 取方法 (57)摘要 本发明提供了一种基于局部点云位置关系 的点云特征提取方法， 使用公开三维点云数据集 作为数据来源， 对原始三维点云数据依据空间填 充曲线Z曲线的编码规则进行编码并排序； 对排 序后的数据采用位置信息编码方式提取并保存 点云在Zorder序列中的位置信息从而进行进一 步地数据增强； 构建网络模型， 基于Pointnet++ 网络结构构建一个迭代的特征提取网络模型； 在 网络模型中应用局部区域的注意力机制， 以突出 关注重要区域的重要特征； 将特征提取网络得到 的点云特征分别应用于点云分类、 分割任务中， 进行模型训练并对结果进行对比与展示。 本发明 的有益效果是： 有效的提高网络的可靠性与鲁棒 性， 能够为更高层的应用如分类分割等提供更精 确的结果。 权利要求书3页 说明书9页 附图4页 CN 114998604 A 2022.09.02 CN 114998604 A 1.一种基于局部点云位置关系的点云特 征提取方法， 其特 征在于： 包括以下步骤： S1： 从公开的三维点云数据集中得到原始点云数据， 对原始三维点云数据依据空间填 充曲线—Z曲线的编码规则进行编码并排序； S2： 采用正余弦函数的位置信息编码技术对排序后的原始点云数据进行编码， 编码完 成后的数据与原 始点云数据进行融合， 得到数据增强后的点云数据； S3： 基于Pointnet++网络结构， 对点云数据进行分组采样， 然后在每个分组上迭代地使 用采样层和多层感知机层这样的网络结构来提取特征， 以此构建一个迭代的特征提取网络 模型； S4： 结合注意力机制， 在所述特征提取网络模型中对关键点的局部邻域内的点云数据 进行点云特 征提取， 得到局部邻域的点云特 征向量； S5： 将步骤S1 ‑S4的点云特征向量提取方法分别应用于点云分类、 分割任务中， 用于得 到具体的点云 分类结果， 并对结果进行对比与展示。 2.如权利要求1所述的一种基于局部点云位置关系的点云特征提取方法， 其特征在于： 步骤S1的具体步骤如下： S11： 所述公开的三维点云数据集包括标准数据集modelnet40、 shapenet、 S3DIS， 作为 原始点云数据的来源； S12： 对所有原始点云数据依据空间填充曲线—Zorder曲线的编码规则 进行编码， 得到 Zorder值； S13： 对所述Zorder值按照从大到小的顺序进行排序， 得到这些点云数据在Z曲线中的 序列编号， 也即位置信息 。 3.如权利要求1所述的一种基于局部点云位置关系的点云特征提取方法， 其特征在于： 步骤S2具体为： S21： 对按照Zorder值大小排序后的点云数据， 采用正余弦函数的位置信息编码技术进 行编码， 使用的正 余弦函数位置信息编码技 术如公式1和公式2所示： 上式中dmodel表示编码的维度， pos表示编 码顺序， P E(pos； 2i)和P E(pos； 2i+1)表示编码 的偶数维度和奇数维度值分别用正弦函数和余弦函数计算； S22： 对每个原始点云数据使用Zorder曲线序列的位置信息编码技术编码完成后， 将所 得到的数据与原 始点云数据相融合， 形成增强后的点云数据。 4.如权利要求1所述的一种基于局部点云位置关系的点云特征提取方法， 其特征在于： 步骤S3具体为： S31： 基于Po intnet++网络结构， 采用平均采样方式进行关键点的采样； 关键点采样流程如下： 假 设根据Zorder值排序后得到的点 云数据集合为 其中上标{1,2, …,N}表示点云数据经过Zorder曲线编码排序后的序列， 即点与点之间的逻 辑距离， 若随机选取xn为关键点， 则下一个关键点为x(n+d)％N， d＝N/M， N为点云数据的总量， M 为采样的关键点数量； S32： 采样得到关键点后， 使用球邻域法， 通过分组构 建每个关键点的局部邻域， 即以每权　利　要　求　书 1/3 页 2 CN 114998604 A 2个关键点为原点， r为半径所形成的球邻域所有点归为一组局部邻域点， 得到分组层； 分组 层输入大小为M ×(3+C)的点集， 其中M为关键点数目， 3表示点云的坐标维度， C表示关键点 的特征维度， 分组层的输出 大小为M×K×(3+C)， K表示每 个关键点的相邻点数量； S33： 为了提取每个关键点的局部邻域特征， 对每个关键点先进行坐标转换， 转换为以 关键点为原 点的三维局部坐标系， 然后对局部区域内的每个点使用一个PointNet多层感知 机进行特征提取， 就是对局 部区域内的K个点输入至PointNet多层感知机中， 得到K个大小 为1×(3+C′)的特征， C ′是得到的新的特征维度， 最后使用最大池化方法将K个点的特征进 行聚合， 最终得到大小为1 ×(3+C′)的点云特 征， 该特征即代表关键点的局部邻域特 征； S34： 交替使用采样层与PointNet多层感知机层， 堆叠形成基于一个迭代的特征提取网 络模型。 5.如权利要求1所述的一种基于局部点云位置关系的点云特征提取方法， 其特征在于： 步骤S4具体为： S41： 向应用局部区域的注意力机制后的特征提取网络模型中， 输入一个中间特征图F ∈RC×H×W， 依次通过一维通道注意力Mc∈RC×1×1和二维空间注意力Ms∈R1×H×W； 以特征图F＝H ×W×C作为输入， 先分别进行一个空间的全局平均池化和最大池化获得两个1 ×1×C的通 道描述， 然后将它们分别送入一个两层的神经网络， 再将神经网络输出 的两个特征相加后 通过一个Sigmoid激活函数获得权重系数Mc， 最后， 根据该权重系数和原来的特征F相乘， 获 得缩放后的新特 征F'： S42： 在通道注意力以后， 给定一个H ×W×C的特征F'， 先分别 进行一个通道维度的平均 池化和最大池化获得两个H ×W×1的通道描述， 然后通过一个7 ×7的卷积层， 激活函数为 Sigmoid， 获得权 重系数Ms， 最后， 根据权 重系数和特 征F'相乘， 获得缩放后的新特 征F”： 6.如权利要求1所述的一种基于局部点云位置关系的点云特征提取方法， 其特征在于： 步骤S5中， 应用于点云分类任务时， 需要构建分类网络， 分类网络的输入是经S4步骤处理后 得到的特征向量， 维度为N ×256， 输入特征经过网络层数为(256,512,1024)的多层感知机 的升维处理后， 得到1024 ×1维度的特征向量， 随后再依次经过(1024,512)、 (512， 256,)、 (256， k)的全连接层， 每个全连接层都加上relu函数处理， 最后输出每个类别的分数， 得到 的分数即为每个样本属于各个类别的概率， 分类网络使用交叉熵损失函数作为点云分类的 目标函数， 损失函数的计算公式如式5所示： 式中M为总类别数， yc为分类指示变量， 如果预测类别和真实类别相同为1， 否则为0， pc 为模型预测属于c类别的概 率。 7.如权利要求1所述的一种基于局部点云位置关系的点云特征提取方法， 其特征在于： 步骤S5中， 应用于点云分割任务时， 需要构建分割网络， 分割网络的设计采用级联的方式将 前面经过Zorder曲线序列的位置信息编码方式得到的特征向量与后面的特征提取中提取 到的特征相融合， 最后输出每 个点的预测概 率； 点云部件分割任务损失函数定义如公式6所示：权　利　要　求　书 2/3 页 3 CN 114998604 A 3