本发明属于3d点云分析技术，具体为一种基于方向诱导卷积的点云分析方法。
背景技术：
：：点云作为一种简单直接的三维数据表示，可以很好地描述三维空间中物体的几何和拓扑信息，在理解周围环境上应用广泛，近年来点云分析越来越受到关注。与一般图像不同，三维空间的点云具有不规则的无序拓扑结构，很难运用标准的卷积运算。为从数据表示上弥补这个问题，有些工作通过将原始点云数据转换为一组2d图像或3d体素表示，从而在常规网格上直接进行卷积处理。然而，这些转换通常会丢失大量固有几何信息，同时复杂性较高。技术实现要素：本发明的目的在于提供一种基于方向诱导卷积的点云分析方法。实现本发明目的技术解决方案为：一种基于方向诱导卷积的点云分析方法，包括以下步骤：步骤1、构建方向诱导卷积模块，所述方向诱导卷积模块用于提取点云无序邻域的特征；步骤2、基于方向诱导卷积模块，构建残差方向诱导卷积模块和最远点采样残差方向诱导卷积模块；步骤3、根据残差方向诱导卷积模块和最远点采样残差方向诱导卷积模块构建方向诱导卷积网络；步骤4：将点云数据输入方向诱导卷积网络，获得点云分割结果和分类结果。优选地，所述方向诱导卷积模块用于提取点云无序邻域的特征的具体步骤为：计算点云局部邻域点的空间方向特征；计算邻域点与空间方向集各项之间的空间方向相似性权重并归一化；将点云无序邻域点的特征转换到方向集空间中；在方向集空间中，使用标准卷积对投影到空间方向集各项上的空间转换特征进行编码，以完成对点云无序邻域的特征提取。优选地，空间方向相似性权重的计算公式为：式中，为每个点的领域点的空间方向特征，每项xm∈d为3d空间中的一个方向。优选地，每个点pi的邻域点的空间方向特征编码为：优选地，特征转换表示为：其中，是邻域点的特征；代表串接；表示归一化的空间方向相似性；表示邻域点的相对位置编码，n(pi)表示以点pi为中心的局部点云区域。优选地，使用标准卷积对投影到空间方向集各项上的空间转换特征进行编码的具体过程为：式中，ψconv表示对转换特征做卷积，w1,……,wm表示不同的可学习参数，表示所有邻域点特征在方向集d中各项xm上投影的加权和。优选地，所述方向集空间的生成方法为：在点云数据中采样s组点云；对于每个采样点云ps＝{ps,i∈r3|i＝1,……,n}，模拟方向诱导卷积网络编码阶段中各残差方向诱导卷积模块和最远点采样残差方向诱导卷积模块的最远点采样和邻域构建过程，计算各层所有采样点云的空间方向特征将s组点云相应层的所有空间方向特征合并得到使用k均值算法对每一层的空间方向特征进行聚类，生成方向诱导卷积网络各层的空间方向集dl。优选地，所述残差方向诱导卷积模块包括第一多层感知机、方向诱导卷积分支、第二多层感知机以及第三多层感知机；所述第一多层感知机用于提取输入点云的逐点特征，并分别输入方向诱导卷积分支和第二多层感知机；所述方向诱导卷积分支包括第一方向诱导卷积模块、第四多层感知机，所述第一方向诱导卷积用于提取点云无序邻域的特征，所述第四多层感知机用于升高特征维度；所述第二多层感知机用于升高特征维度，使其和方向诱导卷积分支输出的特征维度相同；方向诱导卷积分支、第二多层感知机输出特征串接后经第三多层感知机进行特征融合，得到残差方向诱导卷积模块的输出。优选地，所述最远点采样残差方向诱导卷积模块包括最远点采样模块、第五多层感知机、方向诱导卷积分支、最大池化分支和第八多层感知机，所述最远点采样模块用于对输入的点云进行降采样；所述第五多层感知机用于提取逐点特征分别输入方向诱导卷积分支和最大池化分支；所述方向诱导卷积分支包括第二方向诱导卷积、第六多层感知机，所述最大池化分支包括最大池化层、第七多层感知机；所述第二方向诱导卷积用于提取点云无序邻域的特征，所述最大池化分支用于聚合局部特征，所述第六多层感知机、第七多层感知机均用于升高特征维度，并使两分支输出特征的维度相等；两个分支输出的特征串接后经第八多层感知机进行特征融合，得到最远点采样残差方向诱导卷积模块的输出。本发明与现有技术相比，其显著优点为：1)本发明更好地捕获了点云的局部空间结构，其中每个点的邻域信息都能投射到规范有序的方向集空间；2)本发明通过交替堆叠残差方向诱导卷积模块和最远点采样残差方向诱导卷积模块，构建了一个方向诱导卷积网络，以端到端的方式进行点云分析，提高了点云分类以及点云分割的准确率；3)本发明在点云分类以及语义分割任务上都取得了较优的性能。附图说明图1为本发明方向诱导卷积的结构示意图。图2为本发明残差方向诱导卷积模块的结构示意图。图3为本发明最远点采样残差方向诱导卷积模块的结构示意图。图4为本发明方向诱导卷积网络的结构示意图。具体实施方式下面结合附图和具体实施例，进一步说明本发明方案。如图1～4所示，一种基于方向诱导卷积的点云分析方法，包括如下步骤：步骤1、构建方向诱导卷积模块，所述方向诱导卷积模块用于提取点云无序邻域的特征；进一步的实施例中，提取点云无序邻域的特征的具体过程为：计算点云局部邻域点的空间方向特征；使用表示一组点云输入，使用f＝{fi|i＝1,……,n}∈rd表示其对应特征集，其中n表示点的数量，pi表示三维坐标(x，y，z)，fi表示附加特征(例如rgb颜色、曲面法线、激光反射强度等)。对于每个点pi∈p，使用n(pi)表示一个以pi为中心的局部点云区域，其中r∈r为选定的半径。对每个点pi的邻域点其空间方向特征编码如下：计算邻域点与空间方向集各项之间的空间方向相似性权重并归一化；使用表示一个含有m项的空间方向集，其中每项xm∈d代表3d空间中的一个方向。对每个邻域点计算其空间方向特征与空间方向集中各项xm的相似性，以获得每个邻域点在xm方向的相似性权重该相似性权重计算过程表示为以下形式：将邻域点与方向集d各项所计算得到的相似性权重进行归一化，这里使用softmax进行归一化，以使得相似性权重更加稀疏，该相似性权重归一化计算过程表示为以下形式：其中表示每个邻域点在xm项上的归一化相似性权重。进行特征空间转换，将点云无序邻域点的特征转换到规范有序的方向集空间中，具体为：基于归一化相似性权重，将点pi的所有邻域点的特征投影到规范有序的方向集空间d中，该过程称为特征空间转换，表示为以下形式：其中是邻域点的特征；代表串接；表示该点的相对位置编码，表示为：特征空间转换得到的表示所有邻域点特征在方向集d中各项xm上投影的加权和。至此，点pi的所有无序邻域点的特征都被转换到规则有序的方向集空间中。在方向集空间中，使用标准卷积对投影到空间方向集各项上的空间转换特征进行编码，以完成对点云无序邻域的特征提取，体现对点云无序局部区域更加鲁棒的表示，具体过程表示如下：其中，ψconv表示对转换特征做卷积，w1,……,wm表示不同的可学习参数。步骤2、基于方向诱导卷积模块，构建残差方向诱导卷积模块和最远点采样残差方向诱导卷积模块，保留更丰富的点云特征信息；如图2所示，进一步的实施例中，所述残差方向诱导卷积模块包括第一多层感知机、方向诱导卷积分支、第二多层感知机以及第三多层感知机；所述第一多层感知机用于提取输入点云的逐点特征，然后分别输入方向诱导卷积分支和第二多层感知机，所述方向诱导卷积分支包括第一方向诱导卷积模块、第四多层感知机，所述第一方向诱导卷积用于提取点云无序邻域的特征，所述第四多层感知机用于升高特征维度，以保留更多特征信息；所述第二多层感知机用于升高特征维度，使其和方向诱导卷积分支输出的特征维度相同。最后将两个分支的输出特征串接，经过第三多层感知机进行特征融合，得到残差方向诱导卷积模块的输出。如图3所示，进一步的实施例中，所述最远点采样残差方向诱导卷积模块包括最远点采样模块、第五多层感知机、方向诱导卷积分支、最大池化分支和第八多层感知机。首先使用最远点采样模块对输入的点云进行降采样，减少点的数量，进行多尺度分析，然后使用第五多层感知机提取逐点特征，之后分别输入方向诱导卷积分支和最大池化分支；所述方向诱导卷积分支包括第二方向诱导卷积、第六多层感知机，所述最大池化分支包括最大池化层、第七多层感知机。所述第二方向诱导卷积用于提取点云无序邻域的特征，在最大池化分支中使用最大池化操作来聚合局部特征，然后两个分支均使用第六多层感知机、第七多层感知机升高特征维度，以保留更多特征信息，并使两分支输出特征的维度相等，最后将两个分支输出的特征串接，经过第八多层感知机进行特征融合，得到最远点采样残差方向诱导卷积模块的输出。步骤3、根据残差方向诱导卷积模块和最远点采样残差方向诱导卷积模块构建方向诱导卷积网络，用于捕获输入点云的分层特征，以端到端的方式进行点云分析。如图4所示，方向诱导卷积网络包含点云分割子网络和分类子网络。点云分割子网络和分类子网络使用相同的编码器对输入点云进行特征编码。所述编码器由残差方向诱导卷积模块和最远点采样残差方向诱导卷积模块交替连接形成，包括第一残差方向诱导卷积模块、第一最远点采样残差方向诱导卷积模块、第二残差方向诱导卷积模块、第二最远点采样残差方向诱导卷积模块，第三残差方向诱导卷积模块。输入点云p经第一残差方向诱导卷积模块提取特征后，输入第一最远点采样残差方向诱导卷积模块，得到降采样点云p1及其特征。同理，第一最远点采样残差方向诱导卷积模块的输出p1经第二残差方向诱导卷积模块提取特征后，输入第二最远点采样残差方向诱导卷积模块，得到降采样点云p2及其特征。第一残差方向诱导卷积模块，第一最远点采样残差方向诱导卷积模块，第二残差方向诱导卷积模块，第二最远点采样残差方向诱导卷积模块，第三残差方向诱导卷积模块交替连接，分层提取点云局部邻域特征，以进行多尺度分析。点云分割子网络的解码器包括：第一上采样、第二上采样、第九多层感知机、第十多层感知机和第一全连接层。解码器采用k近邻插值对编码器编码的降采样点云进行上采样，逐层恢复点云数量，并传播点的特征。同时，采用跨连接和多层感知机来结合编码器和解码器中相应层的特征。具体来说，编码器中第三残差方向诱导卷积模块的输出p2经过第一上采样后得到上采样点云p1'及其特征，p1'点云数量与第二残差方向诱导卷积模块的输出点云p1一致，将p1,p1'点云的特征进行串接，然后使用第九多层感知机进行特征融合得到新的p1点云及其特征。同理，对第九多层感知机的输出点云p1进行上采样得到点云p'及其特征，使用第十多层感知机将点云p'和第一残差方向诱导卷积模块的输出点云p进行特征融合，得到新的p点云及其特征。最后，使用第一全连接层预测每个点的标签，得到分割结果。点云分类子网络的解码器包括全局最大池化、第二全连接层。对编码器中第三残差方向诱导卷积模块的输出进行全局最大池化，得到整个点云的全局特征。最后，使用第二全连接层预测全局特征的标签，得到分类结果。步骤4：将点云数据输入方向诱导卷积网络，获得点云分割结果和分类结果。在点云分割和分类数据集上训练方向诱导卷积网络，使用自适应矩估计(adam)优化器，学习率为0.001，衰减率为0.7，同时使用交叉熵损失对网络参数进行优化。网络中所有多层感知机都是由1×1卷积，批量归一化(bn)和非线性激活(relu)串接构成。测试阶段，将点云数据输入训练好的方向诱导卷积网络，获得点云分割结果和分类结果。进一步的实施例中，所述空间方向集的生成方法为：根据不同点云数据集，在训练点云数据中采样s组点云，即{ps},s＝1,……,s。对于每个采样点云ps＝{ps,i∈r3|i＝1,……,n}，模拟方向诱导卷积网络编码阶段中各残差方向诱导卷积模块和最远点采样残差方向诱导卷积模块的最远点采样和邻域构建过程，计算各层所有采样点云的空间方向特征将s组点云相应层的所有空间方向特征合并得到使用k均值算法对每一层的空间方向特征进行聚类，生成方向诱导卷积网络各层的空间方向集dl。本发明利用新的方向诱导卷积来提高点云分析的性能。对密集点云来说，局部邻域的大多数点具有相似特征，例如空间位置和颜色信息，因此很难利用这些特征对邻域点进行稀疏量化。由于点云局部邻域点在中心点的不同方向，它们的空间方向蕴含大量有用的信息。为此，本发明提出利用点云局部邻域点的空间方向特征对其进行稀疏量化，使用方向诱导卷积将无序邻域点的特征投影到规范有序的方向集空间并提取特征。基于方向诱导卷积构建了残差方向诱导卷积模块和最远点采样残差方向诱导卷积模块，得到更丰富的点云表示。通过交替堆叠残差方向诱导卷积模块和最远点采样残差方向诱导卷积模块，以提取点云分层特征，构建了具有广泛使用的跨连接编解码器体系结构方向诱导卷积网络用以完成点云分类和分割任务。实施例为了验证本发明方案的有效性，进行如下实验。为验证方向诱导卷积方法的有效性，对方向诱导卷积网络在各项任务(如点云分类、零件分割、大规模场景分割)上的性能进行评估。完成不同的任务时，使用不同的网络配置。对于点云分类任务，交替堆叠3个残差方向诱导卷积模块和2个最远点采样残差方向诱导卷积模块；对于形状零件分割任务，交替堆叠4个残差方向诱导卷积模块和3个最远点采样残差方向诱导卷积模块；对于语义分割任务，交替堆叠5个残差方向诱导卷积模块和4个最远点采样残差方向诱导卷积模块。在所有分类和分割任务中，设置自适应矩估计(adam)优化器的学习率为0.001，衰减率为0.7，同时利用交叉熵损失对网络参数进行优化。网络中所有多层感知机都是由1×1卷积，批量归一化(bn)和非线性激活(relu)串接构成。方向集的项数设置为15(即m＝15)。所有实验在单块titanxpgpu上进行。表1：modelnet40数据集上的形状分类性能比较方法输入点数oa(％)pointwise-cnnxyz1k86.1deepsetsxyz1k87.1eccxyz1k87.4pointnetxyz1k89.2scnxyz1k90.0kd-net(depth＝10)xyz1k90.6pointnet xyz1k90.7kcnetxyz1k91.0mrtnetxyz1k91.2spec-gcnxyz1k91.5pointcnnxyz1k92.2dgcnnxyz1k92.2pcnnxyz1k92.3so-netxyz2k90.9kd-net(depth＝15)xyz32k91.8dicnet(ours)xyz1k91.5o-cnnxyz,nor-90.6spec-gcnxyz,nor1k91.8geo-cnnxyz,nor1k93.4pointnet xyz,nor5k91.9spidercnnxyz,nor5k92.4so-netxyz,nor5k93.4对于点云分类任务，在modelnet40数据集上评估本发明。modelnet40包括40类物体，其中9843个用于训练，2468个用于测试。将modelnet40的点云数据作为输入，其中每个点云均匀采样1024个点。实验仅使用采样点的几何坐标(x,y,z)。将该坐标归一化使3d目标转换到单位球中。同时，使用了简单的点云数据增强技术，包括对原始点云进行随机缩放、平移、和扰动。最后，对每个测试实例进行10次测试，计算10次的平均值作为最终的预测值，并使用40个类别的总体精度(oa)来评估不同方法的性能。将本发明与几种最新的方法进行了比较(根据输入点云的数量以及是否具有额外特征分为两组，xyz表示三维坐标，nor表示法向量)，结果如表1所示。本发明在点云分类任务中得到oa值为91.5％，取得了显著的效果。相比于其他以点云三维坐标为输入的方法，所提出的方向诱导卷积网络取得了更优异的结果。与其他利用更多输入信息的方法相比，所提出的方法仍然具有竞争力。实验结果表明，方向诱导卷积具有对整个点云建模的能力。表2：shapenet零件数据集上的形状零件分割性能比较methodmciou(％)miou(％)aerobagcapcarchaireare.guit.kniflamplapt.moto.mugpistrockskate.tablekd-net77.482.380.174.674.370.388.673.590.287.281.094.957.486.778.151.869.980.3pointnet80.483.783.478.782.574.989.673.091.585.980.895.365.293.081.257.972.880.6so-net81.084.982.877.888.077.390.673.590.783.982.894.869.194.280.953.172.983.0rs-net81.484.982.786.484.178.290.469.391.487.083.595.466.092.681.856.175.882.2pcnn81.885.182.480.185.579.590.873.291.386.085.095.773.294.883.351.075.081.8pointnet 81.985.182.479.087.777.390.871.891.085.983.795.371.694.181.358.776.482.6splatnet82.084.681.983.988.679.590.173.591.384.784.596.369.795.081.759.270.481.3kcnet82.284.782.881.586.477.690.376.891.087.284.595.569.294.481.660.175.281.3synspeccnn82.084.781.681.781.975.290.274.993.086.184.795.666.792.781.660.682.982.1dgcnn82.385.184.283.784.477.190.978.591.587.382.996.067.893.382.659.775.582.0spidercnn82.485.383.581.087.277.590.776.891.187.383.395.870.293.582.759.775.882.8subsparsecnn83.386.084.183.084.080.891.478.291.689.185.095.873.795.284.058.576.082.7pointcnn84.686.184.186.586.080.890.679.792.388.485.396.177.295.384.264.280.083.0dicnet(ours)82.985.783.084.086.080.491.072.191.587.283.995.873.195.083.659.377.183.2零件分割是形状分析中一项具有挑战性的任务。为此，在shapenet零件数据集上评估本发明方案的有效性。该数据集包含16881个三维对象，涵盖16个形状类别。每个点云实例都有2到6个零件标签注释，总共有50个零件标签。随机选择2048个点作为输入，并在最后一个特征层中串接对象标签的独热(one-hot)编码。实验采用点云零件分割结果的类平均交并比(mciou)和实例平均交并比(miou)作为评估指标。如表2所示，本发明在形状零件分割任务上的性能优于最先进的方法。达到82.9％mciou和85.7％miou。所有的实验结果充分表明，本发明能够达到更为优异的性能，这也证明了所提出的方向诱导卷积对于零件建模任务的有效性。在大规模室内数据集s3dis上评估本发明。s3dis数据集包含来自3个不同建筑群的6个大型室内区域的2.73亿个点，每个点都有13个类别的语义标签标注。其中area-5场景用于测试，其他场景用于训练。在训练和测试数据集的准备中，将每个房间划分为多个区块，每块的大小为1m×1m,步长为0.5m。横跨六个区域的数据集共包含23585个区块。在每个区块中，采样4096个点进行训练。每个点都用一个9维向量(xyz、rgb和归一化的xyz)表示。实验采用13个类的平均交并比(miou)、平均类精度(macc)和总体准确率(oa)作为评估指标。表3：s3disarea-5数据集上的语义分割性能比较methodoa(％)macc(％)miou(％)ceil.floorwallbeamcol.winddoortablechairsofabook.boardclut.pointnet-49.041.188.897.369.80.13.946.310.858.952.65.940.326.433.2segcloud-57.448.990.196.169.90.018.438.423.170.475.940.958.413.041.6tangentconv-62.252.690.597.774.00.020.739.031.377.569.457.338.548.839.8spgraph86.466.558.089.496.978.10.042.848.961.684.775.469.852.62.152.2pointcnn85.963.957.392.398.279.40.017.622.862.174.480.631.766.762.156.7pointconv85.464.758.392.896.377.00.018.247.754.387.972.861.665.933.949.3pointweb87.066.760.392.098.579.40.021.159.734.876.388.346.969.364.952.5dicnet(ours)88.168.962.592.197.381.20.09.662.163.279.486.654.770.563.852.6定量结果如表3所示，本发明在三个度量指标中都取得了最优的效果。同时，模型的miou得分显著超过了pointnet21.4％、pointcnn5.3％。与之前性能最好的点云语义分割方法相比，在oa、macc和miou上分别提高了1.1％、2.2％和2.2％。实验表明，方向诱导卷积能够更好地对点云的语义进行建模。此外，模型在墙、窗、门和书柜类别上都达到了最先进的性能。通常窗户、门和书柜嵌在墙上难以区分，而方向诱导卷积网络仍然可以进行准确的分割，得到更好的效果。这表明方向诱导卷积可以捕捉局部区域的细微差异，准确地分割复杂场景，这进一步验证了方向诱导卷积对复杂场景语义进行建模的能力。上述实施例仅是本发明的优选实施方式，应当指出，对于本
技术领域：
：的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和等同替换，这些对本发明权利要求进行改进和等同替换后的技术方案，均落入本发明的保护范围。当前第1页1 2 3 当前第1页1 2 3
技术特征：1.一种基于方向诱导卷积的点云分析方法，其特征在于，包括以下步骤：
步骤1、构建方向诱导卷积模块，所述方向诱导卷积模块用于提取点云无序邻域的特征；
步骤2、基于方向诱导卷积模块，构建残差方向诱导卷积模块和最远点采样残差方向诱导卷积模块；
步骤3、根据残差方向诱导卷积模块和最远点采样残差方向诱导卷积模块构建方向诱导卷积网络；
步骤4：将点云数据输入方向诱导卷积网络，获得点云分割结果和分类结果。
2.根据权利要求1所述的基于方向诱导卷积的点云分析方法，其特征在于，所述方向诱导卷积模块用于提取点云无序邻域的特征的具体步骤为：
计算点云局部邻域点的空间方向特征；
计算邻域点与空间方向集各项之间的空间方向相似性权重并归一化；
将点云无序邻域点的特征转换到方向集空间中；
在方向集空间中，使用标准卷积对投影到空间方向集各项上的空间转换特征进行编码，以完成对点云无序邻域的特征提取。
3.根据权利要求2所述的基于方向诱导卷积的点云分析方法，其特征在于，空间方向相似性权重的计算公式为：
式中，为每个点的领域点的空间方向特征，每项xm∈d为3d空间中的一个方向。
4.根据权利要求2所述的基于方向诱导卷积的点云分析方法，其特征在于，每个点pi的邻域点的空间方向特征编码为：
5.根据权利要求2所述的基于方向诱导卷积的点云分析方法，其特征在于，特征转换表示为：
其中，是邻域点的特征；代表串接；表示归一化的空间方向相似性；表示邻域点的相对位置编码，n(pi)表示以点pi为中心的局部点云区域。
6.根据权利要求2所述的基于方向诱导卷积的点云分析方法，其特征在于，使用标准卷积对投影到空间方向集各项上的空间转换特征进行编码的具体过程为：
式中，ψconv表示对转换特征做卷积，w1,……,wm表示不同的可学习参数，表示所有邻域点特征在方向集d中各项xm上投影的加权和。
7.根据权利要求1所述的基于方向诱导卷积的点云分析方法，其特征在于，所述方向集空间的生成方法为：
在点云数据中采样s组点云；
对于每个采样点云ps＝{ps,i∈r3|i＝1,……,n}，模拟方向诱导卷积网络编码阶段中各残差方向诱导卷积模块和最远点采样残差方向诱导卷积模块的最远点采样和邻域构建过程，计算各层所有采样点云的空间方向特征
将s组点云相应层的所有空间方向特征合并得到使用k均值算法对每一层的空间方向特征进行聚类，生成方向诱导卷积网络各层的空间方向集dl。
8.根据权利要求1所述的基于方向诱导卷积的点云分析方法，其特征在于，所述残差方向诱导卷积模块包括第一多层感知机、方向诱导卷积分支、第二多层感知机以及第三多层感知机；所述第一多层感知机用于提取输入点云的逐点特征，并分别输入方向诱导卷积分支和第二多层感知机；
所述方向诱导卷积分支包括第一方向诱导卷积模块、第四多层感知机，所述第一方向诱导卷积用于提取点云无序邻域的特征，所述第四多层感知机用于升高特征维度；所述第二多层感知机用于升高特征维度，使其和方向诱导卷积分支输出的特征维度相同；方向诱导卷积分支、第二多层感知机输出特征串接后经第三多层感知机进行特征融合，得到残差方向诱导卷积模块的输出。
9.根据权利要求1所述的基于方向诱导卷积的点云分析方法，其特征在于，所述最远点采样残差方向诱导卷积模块包括最远点采样模块、第五多层感知机、方向诱导卷积分支、最大池化分支和第八多层感知机，所述最远点采样模块用于对输入的点云进行降采样；所述第五多层感知机用于提取逐点特征分别输入方向诱导卷积分支和最大池化分支；所述方向诱导卷积分支包括第二方向诱导卷积、第六多层感知机，所述最大池化分支包括最大池化层、第七多层感知机；所述第二方向诱导卷积用于提取点云无序邻域的特征，所述最大池化分支用于聚合局部特征，所述第六多层感知机、第七多层感知机均用于升高特征维度，并使两分支输出特征的维度相等；两个分支输出的特征串接后经第八多层感知机进行特征融合，得到最远点采样残差方向诱导卷积模块的输出。
10.根据权利要求1所述的基于方向诱导卷积的点云分析方法，其特征在于，所述方向诱导卷积网络包括：点云分割子网络和分类子网络，所述点云分割子网络和分类子网络使用相同的编码器对输入点云进行特征编码；所述编码器由残差方向诱导卷积模块和最远点采样残差方向诱导卷积模块交替连接形成；
点云分割子网络的解码器包括：第一上采样、第二上采样、第九多层感知机、第十多层感知机和第一全连接层；解码器采用k近邻插值对编码器编码的降采样点云进行上采样，逐层恢复点云数量，并传播点的特征；同时，采用跨连接和多层感知机来结合编码器和解码器中相应层的特征；
点云分类子网络的解码器包括：全局最大池化、第二全连接层；对编码器中的输出进行全局最大池化，得到整个点云的全局特征；使用第二全连接层预测全局特征的标签，得到分类结果。
技术总结本发明公开了一种基于方向诱导卷积的点云分析方法，包括构建方向诱导卷积模块，所述方向诱导卷积模块用于提取点云无序邻域的特征；基于方向诱导卷积模块，构建残差方向诱导卷积模块和最远点采样残差方向诱导卷积模块；根据残差方向诱导卷积模块和最远点采样残差方向诱导卷积模块构建方向诱导卷积网络；将点云数据输入方向诱导卷积网络，获得点云分割结果和分类结果。本发明以一种端到端的方式更好的捕获了点云的局部空间结构，提高了点云分类以及点云分割的准确率。
技术研发人员：许春燕;方远;张书敏;张亮方;崔振
受保护的技术使用者：南京理工大学
技术研发日：2020.12.11
技术公布日：2021.03.12
