基于深度学习的三维点云分类分割算法的研究.pdf

基于深度学习的三维点云分类分割算法的研究

摘要

三维点云是一个庞大的点的集合，而且拥有重要的空间几何结构，在计算机

视觉、人工智能，无人驾驶汽车等领域有着广泛的应用，如何对三维点云数据数

进行高效的处理是上述工作的关键。然而，由于其庞大的数据量以及特殊的几何

结构，不可避免地就会在某些区域内出现一些相似点，这就使得在进行特征提取

的过程中提取到一些重复的信息，造成计算冗余，降低分类分割的准确率。针对

上述问题，本文首先对点云分类分割算法的现状进行介绍，对深度学习理论知识

以及点云的相关理论知识进行了研究，然后对点云分类分割算法进行研究，分析

这些算法的优劣势，最后本文在前人研究的基础上提出了一种新的特征提取框架

——主成分分析点云网络（PrincipalComponentAnalysisPointNet，PCAPN）。

其主要分为三个模块：采样模块、特征提取模块和拼接模块。

(1)采样模块：针对最远点采样与随机存在时间和效率的问题，本文提出了两种

新的采样方式——平均点采样（AveragePointSampling，APS）和主点采样

(MainPointSampling，MPS)。对这两种采样方式从理论方面进行了分析，

而且与最远点采样和随机采样进行实验对比，证明APS采样和MPS采样在

点的覆盖率以及效率方面优于最远点采样和随机采样。

(2)特征提取模块：针对特征提取不充分等问题，本文基于PointNet++提出的分

层提取思想，提出了一种新的多尺度分层提取模式。主要包括：多尺度层、

采样层、分组层以及PointNet层。多尺度层主要对输入的点云进行一次分组，

将输入点云划分为多个尺度，针对每一个尺度进行一次特征信息的提取；采

样层主要利用APS方式或者MPS方式进行采样，将采样得到的点作为质点，

并以这些质点为圆心画一个圆；分组层是将这些圆内的点进行分组，作为局

部邻域的特征提取区域；PointNet层利用Max-Pooling操作对局部邻域的特

征信息进行整合。

(3)拼接模块：其作用主要将多尺度的特征进行融合，并通过全连接层对整合之

后的特征向量进行处理，得到检测物体的标签。

本文在ShapeNet零件数据集和ModelNet40数据集上做了大量的实验，对

PCAPN模型进行了评估。实验结果表明，PCAPN框架在mIoU方面、准确率以

及效率方面都存在明显的优势。在mIoU方面，PCAPN框架比PointNet高0.2个

百分点；在准确率方面，PCAPN框架的准确率比PointNet框架高4.6%；比

PointNet++框架高1.1%；在效率方面，与PointNet++相比，达到90%准确率的时

间以及达到最高准确率的时间要快。通过和这些具有代表性的算法相比较，可以

明显看出PCAPN算法存在的优势。

关键词：分类分割，三维点云，深度学习，特征提取

Researchon3Dpointcloudclassificationandsegmentation

algorithmbasedondeeplearning

ABSTRACT

3Dpointcloudisahugecollectionofpoints,andhasimportantspatialgeometry.

Itiswidelyusedincomputervision,artificialintelligence,driverlesscarsandother

fields.Howtoefficientlyprocessthedataof3Dpointcloudisthekeytotheabove

work.However,duetoitshugeamountofdataandspecialgeometry,somesimilarities

willinevitablyappearinsomeregions,whichma