一种非等效三维点云分割方法与流程

本发明涉及三维点云分割技术领域，特别是涉及一种非等效三维点云分割方法。

背景技术：

点云分割是将点云划分为多个同质区域的过程，同一区域内的点将具有相同的属性，其方法主要有两种：第一种方法是使用纯数学模型和几何推理技术进行分割，如区域增长或模型拟合等，这种方法原理简单，易于编程，但是自动化程度不高，分割结果不够准确；第二种方法是使用机器学习技术进行分割，该方法提高了点云分割准确度，但耗时较长，并可能导致分割结果过度。

近年来，以卷积神经网络为代表的深度学习算法在诸多领域表现出很好的效果，并为点云分割提供了新的方法。目前，运用深度学习进行点云分割的研究大多针对点云数量多变与无序的特点进行展开，都未考虑在实际的分割过程中点云所存在的非等效性问题，即点云分割区域交界处的点对于分割结果的影响程度大于远离交界处的点。因此，在采用深度学习方法进行点云分割时，需要解决点云的非等效性对分割精度造成的影响。

技术实现要素：

本发明要解决的技术问题是：在采用深度学习方法进行点云分割时，如何避免因点云非等效性对分割精度造成的影响。

为了解决上述技术问题，本发明的技术方案是提供一种非等效三维点云分割方法，其特征在于，包括以下步骤：

步骤1：确定需要进行分割的非等效三维点云模型，并构建该模型的点云数据集；

步骤2：将点云数据集划分为训练集与测试集，其中，训练集中的点云数据用于分割模型训练，测试集中的点云数据用于对分割模型的分割性能进行评价；

步骤3：将训练集中的点云数据进行随机抽样，使各点云中的点数变为同一规格；

步骤4：设计基于卷积神经网络的点云分割模型；

步骤5：构造距离矩阵，具体为：遍历训练集中各点云模型的所有点，分别计算各点和与其不在同一分割区域的点之间的欧式距离，并选取两点之间最小的距离值构造距离矩阵，最后使得训练集中各点云模型的每个点都有距离矩阵中的一个距离值与其对应；

步骤6：设计惩罚函数，并以距离矩阵中的距离值作为惩罚函数的输入，使得越小的距离值经惩罚函数作用后输出的值越大，而越大的距离值经惩罚函数作用后输出的值越小；

步骤7：经惩罚函数作用后的距离矩阵与分割模型的损失函数相乘，实现对损失函数的加权处理，使得距离分割区域交界处越近的点因预测不准确导致的损失增加的程度越大，这样模型在训练的过程中，会着重对分割区域交界处的点进行优化；

步骤8：利用训练集中的点云数据对加权后的分割模型进行训练，在训练过程中使用小批量随机梯度下降方法以最小化模型预测输出和实际输出之间的误差，进而获得最优分割模型，并利用测试集中的点云数据对模型分割性能进行评价。

优选地，所述步骤1中，三维点云的非等效性定义为：在点云分割过程中，分割准确率由各区域交界处的点所决定，而距离区域交界处越远的点对分割准确率造成的影响越低，因此点云中各点距离分割区域交界处的远近造成了点云的非等效性。

优选地，所述步骤3中，采用随机抽样的方法对各点云模型进行精简，使其点数一致，具体按照以下方法：首先确定各点云模型的点数ni，确定所需要抽取的样本容量n，ni、n均为正整数，对这些点云模型中的点不放回地进行抽样，使得每个点入样的可能性均为n/ni。

优选地，所述步骤4中，所设计的基于卷积神经网络的点云分割模型首先通过5个卷积层对点云特征进行提取，然后通过池化层对点云进行下采样，最后将各卷积层与池化层的特征进行组合，并通过3个卷积层输出分割结果。

优选地，所述步骤5中，计算各点和与其不在同一分割区域的点之间的欧式距离时，首先根据各点所对应的标签判断其是否位于同一分割区域，然后按照点云数据文件中点的先后顺序分别进行距离计算，保证了点云数据文件中的各个点与距离矩阵中的值一一对应。

优选地，所述步骤6中，设计的惩罚函数表达式为其中，di为各点所对应的距离矩阵中距离值的大小；c是惩罚因子，表示对距离惩罚程度的大小；mi为距离矩阵中的距离值经惩罚函数作用后对应输出值的大小；

当di大于c时，输出mi为大于0小于1的实数；

当di等于c时，输出mi为1；

当di小于c时，输出mi为大于1的实数；

通过对距离矩阵中各距离区间的分布进行分析，并对各个c取值下的点云模型的分割效果进行实验，最终确定c的取值。

本发明采用深度学习的方法进行点云分割，解决了传统的点云方法中所存在的自动化程度不高以及耗时长的问题，并在分割过程中考虑了点云非等效性对分割结果造成的影响，提高了点云分割的精度。

附图说明

图1为本实施例提供的非等效三维点云分割方法流程图；

图2为基于卷积神经网络的点云分割模型架构图；

图3为用于分割实验的点云模型，其中，(a)为原点云物体模型，(b)为本发明分割之后的点云物体模型。

具体实施方式

下面结合具体实施例，进一步阐述本发明。

图1为本实施例提供的非等效三维点云分割方法示意图，所述的非等效三维点云分割方法包括以下各步骤：

首先需要获取用于分割的点云模型样本，并构建该模型的点云数据集，点云数据集中包括点云中各点的三维坐标及其对应的标签，图3(a)为需要进行点云分割的物体，此物体包括两个分割区域，且两分割区域分别位于该点云模型的左右两侧。

将点云数据集划分为训练集与测试集，其中训练集中的数据用于模型训练，测试集中的数据用于对模型的分割性能进行评价，训练集与测试集中模型比例为8∶2，并采用随机抽样的方式对训练集中的点云模型进行预处理，使各点云模型点数变为同一规格。

设计图2所示的卷积神经网络模型进行点云分割，该模型首先通过5个卷积层对点云特征进行提取，然后通过池化层对点云进行下采样，最后将各卷积层与池化层的特征进行组合，并通过3个卷积层输出分割结果。

遍历训练集中各点云模型的所有点，分别计算各点和与其不在同一分割区域的点之间的欧式距离，并选取两点之间最小的距离值构造距离矩阵，最后使得训练集中各点云模型的每个点都有距离矩阵中的一个距离值与其对应。

通过对距离矩阵中的各距离分布进行分析，设计惩罚函数，并将惩罚函数作用于距离矩阵，使得靠近分割区域交界处的点的值进一步放大，远离分割区域交界处的点的值进一步缩小。

设计惩罚函数其中，di为各点所对应的距离矩阵中距离值的大小，c为惩罚因子。当di大于c时，输出一个大于0小于1的实数；当di等于c时，输出1；当di小于c时，输出一个大于1的实数。通过对距离矩阵中各距离区间的分布进行分析，并对各个取值下的分割模型的分割效果进行实验来确定c的取值。

在分割模型的训练过程中，将惩罚函数作用后的距离矩阵与分割模型的损失函数相乘，实现对损失函数的加权处理，使得距离点云分割区域交界处越近的点预测不准确，损失增加的程度将越大，并使用小批量随机梯度下降方法以最小化模型预测输出和实际输出之间的误差，进而获得最优分割模型，并利用测试集中的点云数据对模型分割性能进行评价。图3(a)为原点云物体模型，图3(b)为本发明分割之后的点云模型，其中，a表示第一分割区域，b表示第二分割区域，c表示未分割区域。

不难发现，本发明首先进行模型总体数据信息读入及预处理，其次设计了可用于点云分割的卷积神经网络模型，然后计算点云中各点与其不在同一分割区域的点之间的欧式距离，并选取两点之间最小的距离值构造距离矩阵，通过设计惩罚函数作用于距离矩阵，使得距离点云分割区域交界处近的点的值进一步放大，距离分割区域交界处远的点的值进一步缩小，并将经惩罚函数作用后的距离矩阵与模型损失函数相乘，使得分割模型在训练的过程中着重对分割区域交界处的点进行优化，从而解决点云的非等效性对分割精度造成的影响。

本发明采用深度学习的方法进行点云分割，解决了传统的点云方法中所存在的自动化程度不高以及耗时长的问题，并在分割过程中考虑了点云非等效性对分割结果造成的影响，提高了分割精度。

以上所述，仅为本发明的较佳实施例，并非对本发明任何形式上和实质上的限制，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提下，还将可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。凡熟悉本专业的技术人员，在不脱离本发明的精神和范围的情况下，当可利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时，凡依据本发明的实质技术对上述实施例所作的任何等同变化的更动、修饰与演变，均仍属于本发明的技术方案的范围内。