论文部分内容阅读
三维场景散乱点云语义分割是实现室内三维场景理解与智能环境感知的前提和基础。近年来,国内外学者不断尝试将深度学习用于室内三维场景散乱点云分割与识别。然而,三维散乱点云数据本质上的无序性,使得现有的散乱点云深度学习模型仍无法避免特征信息抽取能力不足、网络框架泛化能力差等问题。本课题以提升点云深度学习网络特征抽取能力与网络框架泛化能力为目标,基于局部有序化思想和奇异值分解理论,对室内三维场景散乱点云语义分割开展研究,研究工作如下:首先,针对室内三维场景散乱点云语义分割模型在处理采样点分布不均的点云时无法避免邻域聚集,易导致特征信息提取误差大的问题,提出一种有向邻域搜索策略。该方法将最近邻与局部空间二次划分相结合,通过在每个卦限内进行“最远-最近”点采样搜索有向邻近点,以避免采样点分布不均情况下的邻域聚集与特征刻画不足问题;参考Unet网络框架,将有向邻域搜索与PointNet网络相结合,设计一种新的用于散乱三维点云场景分割的PointUnet网络框架。其次,为了解决室内三维场景散乱点云语义分割模型网络框架适应能力差的问题,提出一种奇异值分解有向卷积计算模型。该模型通过对局部协方差矩阵进行奇异值分解确定邻近点的搜索范围和实现局部坐标转换;继而通过对坐标变换后的局部邻域点进行有向邻域搜索,以提高模型特征刻画能力;证明该基于奇异值分解的有向邻域的旋转不变性;通过奇异值分解有向邻域有序化表达构建奇异值分解有向卷积计算模型。应用该卷积模型改进PointUnet网络,并引入残差模块,建立ResPointUnet散乱点云语义分割网络。最后,以ScanNet数据集和S3DIS数据集为对象,开展室内三维场景散乱点云数据语义分割实验研究,测试分析本文提出的PointUnet网络和ResPointUet用于点云场景分割的总体精确率(oAc)、类别平均精确率(acA)和平均交并比(mIoU),检验本文提出方法在室内三维场景散乱点云语义分割方面的性能;开展卷积模型移植实验,验证本文提出的构建奇异值分解有向卷积模型的网络框架适应能力。