基于亲疏度矩阵的点云置换不变特征提取方式

作者：许嘉麟; 姚双; 张蕊华; 许浩; 沈洋

来源：计算机工程, 2022, 1-9.

DOI：10.19678/j.issn.1000-3428.0062801

• 点云
• 三维物体
• 旋转不变性
• 置换不变性
• 神经网络

点云是一种重要的三维物体表示，在自主驾驶、机器人等行业有着广泛应用。点云识别与分割已成为计算机图形学和计算机视觉与模式识别领域的研究热点。这些应用需要提取空间旋转不变和置换不变的点云特征。现有的方法例如PointCNN通常采用监督学习的方式来提取空间旋转不变及置换不变的特征，这会产生额外的计算量。PointNet等使用最大池化算子的方法会忽略点云的局部信息。在本文中，点云空间坐标被映射到曲率特征空间以提取空间旋转不变特征。K邻域内的点集合被用于构建基于欧式内积的亲疏度矩阵。亲疏度矩阵特征值排序后所对应的特征向量组成变换矩阵，从而对点云特征进行变换以实现置换不变性，因此该方法可以实现置换不变的点云特征卷积操作。相较于以往监督学习的方法，该方法通过代数计算的方式获得变换矩阵，可以提高模型训练的效率，FLOPs（floating point operations，浮点运算次数）仅为36.6M，大大降低了训练的复杂度。基准数据集上的实验结果表明该方法能提取有效的点云特征，达到更高的准确率。在ModelNet40数据集上进行分类任务，总体准确率和类别平均准确率分别可以达到92.28%和88.80%，超过PointCNN、PointNet等卷积方法。

• 单位
  丽水学院; 宁波大学