买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜上海交通大学申请的专利融合时序特征的在线密集点云语义分割系统及方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115116013B 。

龙图腾网通过国家知识产权局官网在2025-06-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202110305389.0，技术领域涉及：G06V20/56；该发明授权融合时序特征的在线密集点云语义分割系统及方法是由朱弘恣;周云松;李淳钦;崔天凯;过敏意设计研发完成，并于2021-03-19向国家知识产权局提交的专利申请。

本融合时序特征的在线密集点云语义分割系统及方法在说明书摘要公布了：一种融合时序特征的在线密集点云语义分割系统及方法，包括：自适应帧调度器、静态分割模块、时序特征聚合网络和部分特征更新网络，自适应帧调度器对来自部分特征更新网络的信息，以更新部分与未更新部分的比率决定下一帧被视为关键帧还是非关键帧；静态分割模块通过其骨干网络对关键帧原始点云通过静态点云分割实现特征提取，得到单帧的语义分割结果；时序特征聚合网络利用相邻两帧的时序相关性，通过聚合关键帧上的特征对语义分割结果进行精确优化；部分特征更新网络根据相邻两帧中非关键帧的局部重要关键点，通过选择性地更新继承特征，对语义分割结果进行快速更新。本发明在同时考虑了特征一致性和计算成本的基础上，利用连续点云帧之间的时间相关性聚合特征，聚合后每一帧的特征得到增强，使分割更准确且帧间的特征一致，消除处理点云系列时的闪烁。

本发明授权融合时序特征的在线密集点云语义分割系统及方法在权利要求书中公布了：1.一种融合时序特征的在线密集点云语义分割系统，其特征在于，包括：自适应帧调度器、静态分割模块、时序特征聚合网络和部分特征更新网络，其中：自适应帧调度器对来自部分特征更新网络的信息，以更新部分与未更新部分的比率决定下一帧被视为关键帧还是非关键帧；静态分割模块通过其骨干网络对关键帧原始点云通过静态点云分割实现特征提取，得到单帧的语义分割结果；时序特征聚合网络利用相邻两帧的时序相关性，通过聚合关键帧上的特征对语义分割结果进行精确优化；部分特征更新网络根据相邻两帧中非关键帧的局部重要关键点，通过选择性地更新继承特征，对语义分割结果进行快速更新； 所述的自适应帧调度器以等时间间隔确定关键帧和非关键帧，并根据最近观察到的非关键帧的差异程度，动态调整关键帧的数量； 所述的聚合是指：首先测量由运动引起的两个连续帧之间的位置和特征差异，然后用来计算注意力得分；这样的注意力得分被用作从两个特征中采样的关键点的汇总权重，从而使那些运动一致的关键点在汇总中贡献更大，具体为：对于两个连续的帧i和j，帧j的预测关键帧特征其中：⊙为元素乘法；为时序特征聚合网络；Wi→j和Wj→j为正则化权重，预测关键帧特征将历史特征与当前特征递归聚合，矩阵H为点云特征向量空间，W为加权系数； 所述的时序特征聚合，具体包括： ①通过差分位置矩阵对两帧之间的位置差进行编码，差分位置矩阵Mpospj＝mlpconcatpi,l,pj，其中： 为通过KNN算法收集关键点pj的点云Pi中的关键点邻居，i、j为两个连续帧，mlp是指：多层感知器； ②通过微分特征矩阵对两帧之间的特征差进行编码，微分特征矩阵Mfeapj＝concatconcathi,l,hj，其中：对于中的每个相邻关键点，将编码后的相对点位置与其对应的点信息连接，得到一个增强的特征向量； ③将上述两个矩阵连接得到运动差分矩阵Mdiffpj＝concatMpospj,Mfeapj，其中：concat为矩阵拼接函数，该运动差分矩阵Mdiffp实现关键点的特征增强； 所述的运动差分矩阵，通过注意力机制进一步判断对当前关键点的影响更大的相邻点，具体步骤为： 1计算注意力分数：根据运动差分矩阵通过计算共享函数g·学习每个邻点的唯一注意力分数，该共享函数其中：H、M、P为向量的集合，h、m、p、s为对应集合中的单个向量； 2对注意力分数进行加权求和：关键点更新后的表示向量 所述的部分特征更新网络通过计算特征Qi→j的空间一致性指标，判断从前一帧i传递过来的特征Hi→j是否是帧j的良好近似，从而选择性地更新继承特征； 所述的空间一致性指标其中：为通过部分特征更新网络实现的空间相关性检测网络；Pi为帧i的关键点并且Xi、Xj分别为帧i和j的点云数据，对于每一个pi∈Pi，检验其帧间局部空间特征的相似性，当空间一致性指标小于等于一致性阈值，即Qi→jpi≤τ，则认为聚合特征hi与当前特征hj之间存在不一致，即表示hi应用特征hj更新； 所述的部分特征更新，通过以下步骤确定需要更新的部分，具体包括： i根据相邻两帧i、j的所有点Xi、Xj和前一帧i的关键点Pi，对于帧i的每个关键点pi∈Pi，通过KNN搜索点云中的邻居以拼接成邻接矩阵其中：xi,l∈Xi，X为输入点云的几何坐标的集合x-y-z三维坐标，P为输入点云的属性特征的集合，H为点云经过特征提取后的表征向量的集合； 所述的邻接矩阵即局部空间信息编码矩阵，对帧i中的关键点pi与其邻点之间的空间关系进行编码； ii对应地，对于帧j的每个关键点，构造一个局部空间信息编码矩阵 iii根据局部空间信息编码矩阵和构建卷积-全连接层ConvFC以衡量一致性，具体为：其中：Qi→j利用指示函数I·产生特征更新掩码Ui→j＝IQi→j≤τ，当Qi→jpi满足阈值要求，则当前帧继承关键点pi∈Pi及其特征向量hi∈Hi，否则丢弃关键点pi； 所述的卷积-全连接层包括两个3×3的二维卷积层，每个卷积层后面都有一个池化层，将大小减少到原来的一半后，通过两层FC来预测特征一致性指数，其中：特征一致性指数通过正则化限制在[0,1]；因此掩码确定的阈值可以指定在[0,1]之间，每个关键点需要保留其更新的掩码信息； iv将特征提取网络重新应用于当前帧中的被丢弃的特征点，收集局部空间特征来补充关键点，即将点云局部空间中的空间几何结构进行编码，以便通过神经网络进行处理并得到语义分割标签。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人上海交通大学，其通讯地址为：200240 上海市闵行区东川路800号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。