一种3D点云分割改进型边缘特征提取网络

向姝芬，毛 琳，杨大伟

(大连民族大学 机电工程学院，辽宁 大连 116605)

3D点云分割技术[1]已被广泛应用在无人驾驶场景中，现有点云分割算法大多以点云坐标信息为输入，利用边缘提取算法提取边缘特征，与全局特征融合获取分割结果，但输入的点云坐标信息数据量较大且具有无序性[2]，现有方法对边缘特征的提取能力有限，不足以获取完整的、表达能力较强的边缘特征，导致点云分割不精确，因此怎样获取较为完整的点云边缘特征成为热点问题之一。

点云研究初期，Li Y、Hao S等人提出Pointnet[3]，利用多层感知机(Multilayer Perceptron，MLP)提取特征，但只考虑全局特征的完整性，忽略了局部特征，致使点云特征提取不全。在此基础上，PointNet++基于分层抽取特征[4]的思想，单独处理局部中的每个点，有效利用局部信息，但没有考虑特征中心点与邻近点之间的距离和边缘向量，局部特征没有得到精细化提取，使得点云分割效果一般。为解决此问题，动态图CNN(Dynamic Graph CNN for Learning on Point Clouds，DGCNN)[5]和链接动态图CNN(Linked Dynamic Graph CNN for Learning on Point Clouds，LDGCNN)[6]利用对边缘特征的精细化处理，其中DGCNN基于边缘卷积算子，利用最值近邻算法(KNN)从点云中心点提取特征，再从其邻域提取边缘向量，在点云识别任务上获得了当时最先进的结果。但DGCNN网络依赖转换网络对点云进行旋转，使得网络模型相较于基础网络Pointnet复杂度增加，计算成本增大，同时在深度特征提取时无法提供有价值的边缘向量。进一步地，LDGCNN删除转换网络、减小网络模型的大小，用K-NN和共享参数MLP提取中心点及其邻居中的局部特征，链接来自不同动态图的层次结构特征优化网络体系结构，通过链接层次特征提取有用的边缘矢量，在Modelnet和Shapenet两个数据集上均达到了较为良好的效果。……