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！

申请/专利权人：湖北大学

摘要：本发明属于点云图像处理技术领域，具体涉及一种基于A‑EdgeConv的室外大场景点云分割方法，结合局部几何信息与图割算法实现超点的获取，并采用局部邻接图结合注意力机制的方式更加准确的提取超点特征，通过GRU循环神经网络实现超点、超边的特征聚合，不仅极大的提高了大场景下点云分割的速度，也因局部邻接图与注意力机制的结合提升特征表现力，关注有效信息与点云局部结构，提高分割精度，减少优化复杂程度。

主权项：1.一种基于A-EdgeConv的室外大场景点云分割方法，其特征在于，包括如下步骤：步骤1，利用局部几何特征对点云的局部信息进行描述；所述步骤1包括：步骤1.1，对室外大场景点云进行预处理，去除噪声点；步骤1.2，通过最小化特征熵进行最优邻域的选择；步骤1.3，结合点云的每个最优邻域，通过计算相邻点的协方差矩阵获取特征值，根据协方差特征值，计算线性Lλ、平面度Pλ、散射度Sλ、全方差Oλ、曲率变化Cλ五个特征指标；步骤2，通过图割的方式对点云进行几何同质划分，获取超点；所述步骤2包括：步骤2.1，根据步骤1描述到的点云局部信息，构建最小化能量函数；步骤2.2，采用one-cut算法解决最小化能量问题，依据局部几何复杂度自适应地调整划分片段的大小，通过图割实现超点的获取；所述步骤2.1中，最小化能量函数EG的构建如公式7所示：EG＝∑p∈PDpGp+λ∑p，q∈EVp，qGp，Gq7其中，DpGp是数据代价项，是所有点与其分配标签号的惩罚之和，DpGp表示将标签Gp分配给结点p时的惩罚；∑p，q∈EVp，qGp，Gq为平滑代价项，是所有相邻标签不相同的惩罚之和，Vp，qGp，Gq表示相邻结点p和q之间标签号不同的惩罚；λ为权重系数，数值大小反应数据代价项与平滑代价项在图割中的比重；假设点p的特征表示为fp，其与标签Lp的数据代价DpGp计算如公式8所示：dpGp＝gp-fp28其中，gp表示标签号Gp对应分割对象的点云特征；平滑代价用来惩罚相邻结点p和q之间标签号不一致，一般来讲如果结点p和q距离越小，两者间的平滑代价Vp，qGp，Gq越大，结点p和q标签号相同的概率越大；相邻结点间的平滑代价Vp，qGp，Gq计算公式如公式9～10所示：Vp，qGp，Gq＝exp-ds9 其中，fp、fq分别表示相邻点云p、q的几何特征；步骤3，基于步骤2得到的超点构建局部邻接图，对局部特征进行描述，通过注意力机制算法，突出关键信息；步骤4，利用超点的邻接关系构建超点图，获取超边特征；步骤5，结合GRU门控循环单元与GNN图神经网络模型聚合超点、超边特征，实现点云的准确语义分割。

全文数据：

权利要求：

百度查询： 湖北大学 一种基于A-EdgeConv的室外大场景点云分割方法