(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211010334.8 (22)申请日 2022.08.23 (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 街道八一路2 99号 (72)发明人 何发智　宋宇鹏　郭庆　戴季成　 鄢小虎　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 许莲英 (51)Int.Cl. G06V 20/64(2022.01) G06V 10/764(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01)G06V 10/82(2022.01) (54)发明名称 一种动态局部自注意力卷积网络点云分析 系统及方法 (57)摘要 本发明提出了一种动态局部自注意力卷积 网络点云分析系统及方法。 本发 明包括动态局部 自注意力卷积网络点云分析系统。 本发明方法引 入多组原始三维点云数据， 通过数据预处理得到 每组预处理后三维点云数据并人工标记真实标 签类别； 构建动态局部自注意力卷积网络， 将预 处理后三维点云数据输入至动态局部自注意力 卷积网络并得到预测标签类别， 结合损失函数和 SGD算法进行网络优化； 上位机通过激光雷达实 时采集室内三维点云数据， 并通过数据预处理得 到实时预处理后室内三维点云数据， 然后通过优 化后的动态局部自注意力卷积网络预测得到点 云数据的预测标签类别； 本发明克服噪声、 空间 形变等不确定性问题， 提高了3D点云形状识别的 正确率。 权利要求书4页 说明书9页 附图2页 CN 115471833 A 2022.12.13 CN 115471833 A 1.一种动态局部自注意力卷积网络点云 分析系统， 其特 征在于， 包括： 三维激光雷达、 上位机； 所述三维激光雷达与所述上位机连接； 所述三维激光雷达用于实时采集室内三维点云数据， 将 实时采集的室内三维点云数据 传输至所述上位机； 所述上位机通过动态局部自注意力卷积网络点云分析方法处理得到实时采集的室内 三维点云数据的预测标签 类别。 2.一种利用权利要求1所述的动态局部自注意力卷积网络点云分析系统进行动态局部 自注意力卷积网络点云 分析方法， 其特 征在于， 包括以下步骤： 步骤1： 引入多组原始三维点云数据， 将每组原始三维点云数据通过数据 预处理得到每 组预处理后三维点云数据， 人工标记每组预处 理后三维点云数据的真实标签 类别； 步骤2： 构建动态局部自注意力卷积网络， 将每组预处理后 三维点云数据输入至动态局 部自注意力卷积网络进行预测得到每组预 处理后三维点云数据的预测标签类别， 结合每组 预处理后三维点云数据的真实标签类别构建损失函数模型， 通过SGD算法优化训练得到优 化后动态局部自注意力卷积网络； 步骤3： 上位机通过三维激光雷达实时采集室内三维点云数据， 将 实时采集的室内三维 点云数据通过步骤1所述数据预处理得到实时预处理后室内三维点云数据， 将实时预处理 后室内三维点云数据通过优化后动态局部 自注意力卷积网络预测得到实时预处理后室内 三维点云数据的预测标签 类别。 3.根据权利要求2所述的动态局部自注意力卷积网络点云 分析方法， 其特 征在于： 步骤2所述动态局部自注意力卷积网络包括： 第 一动态局部自注意学习模块， 第 二动态 局部自注意学习模块、 第三动态局部自注意学习模块、 第四动态局部自注意学习模块、 聚合 模块、 池化模块、 SofMax分类 器； 步骤2所述的第 一动态局部自注意学习模块， 第 二动态局部自注意学习模块、 第 三动态 局部自注意学习模块、 第四动态局部自注意学习模块依次级联 连接； 所述的第一动态局部自注意学习模块、 第二动态局部自注意学习模块、 第三动态局部 自注意学习模块、 第四动态局部自注意学习模块分别与所述聚合模块连接； 所述聚合模块与所述池化模块连接； 所述池化模块与所述SofMax分类 器连接。 4.根据权利要求3所述的动态局部自注意力卷积网络点云 分析方法， 其特 征在于： 所述第一个动态局部自注意学习模块以每组预处理后三维点云数据作为第一动态局 部自注意学习模块的输入特征， 对所述第一个动态局部自注意学习模块的输入特征中所有 三维点经 过动态局部自注意力学习， 得到所述第一动态局部自注意学习模块的输出 特征； 所述第二个动态局部自注意学习模块以所述第一动态局部自注意学习模块的输出特 征作为所述第二个动态局部自注意学习模块的输入特征， 对所述第二个动态局部自注意学 习模块的输入特征中所有三 维点经过动态局部自注意力学习， 得到所述第二动态局部自注 意学习模块的输出 特征； 所述第三个动态局部自注意学习模块以所述第二动态局部自注意学习模块的输出特 征作为所述第三个动态局部自注意学习模块的输入特征， 对点云所有点经过动态局部自注权　利　要　求　书 1/4 页 2 CN 115471833 A 2意力学习， 得到所述第三动态局部自注意学习模块的输出 特征； 第四个动态局部自注意学习模块以所述第三动态局部自注意学习模块的输出特征作 为所述第四个动态局部自注意学习模块的输入特征， 对点云所有点经过动态局部自注意力 学习， 得到所述第四动态局部自注意学习模块的输出 特征。 5.根据权利要求 4所述的动态局部自注意力卷积网络点云 分析方法， 其特 征在于： 所述的动态局部自注意力学习， 具体 计算过程如下： 在第T个动态局部自注意学习模块中， 将第T个动态局部自注意学习模块的输入特征通 过使用K近邻算法得到第T个动态局部自注意学习模块的输入特征中每个三维点的局部邻 域， 具体定义如下： 其中， 表示第T个动态局部自注意学习模块的输入特征中第i个三维点的局部邻域， xT， i， j表示第T个动态局部自注意 学习模块的输入特征中第i个 三维点的局部邻域中第j个局 部邻域点， M表示第T个动态局部自注意学习模块的输入特征中三维点的数量， N表示第T个 动态局部自注意学习模块的输入 特征中第i个三 维点的局部邻域中局部邻域点的数量， j∈ [1,N]； 根据 构建第T个动态局部自注意学习模块的输入特征中第i个三维点的局部邻域的 有向图， 具体定义如下： GT， l＝(VT， l， ET， l) T∈[1,4] i∈[1,M] 其中， GT， l表示第T个动态局部自注意学习模块的输入特征中第i个三维点的局部邻域 的有向图， VT， l表示第T个动态局部自注意学习模块的输入特征中第i个三维点的局 部邻域 的有向图中顶点的集合， 即第T个动态局部自注 意学习模块的输入特征中第i个三 维点的局 部邻域N个邻域点， ET， l表示第T个动态局部自注 意学习模块的输入 特征中第i个三 维点的局 部邻域的有向图中边的集合， 即为第T个动态局部自注意学习模块的输入特征中第i个三 维 点的局部邻域中每个邻域点与中心点xT， l之间的关系， M表示第T个动态局部自注意学习模 块的输入特 征中三维点的数量； 在GT， l上计算第T个动态局部自注意学习模块的输入特征中第i个三维点的局部邻域的 的自注意力特 征， 具体计算方式如下： 其中， 表示第T个动态局部自注意学习模块的输入特征中第i个三维点 的局部邻域的自注意力特征， 表示第T个动态局部自注意学习模块的输入特征中第i个 三维点的上查询维度的自注意力信息， 表示第T个动态局 部自注意学习模块的输入特 征中第i个三维点的上键维度上的注意力信息， 表示第T个动态局部自注意学习模块的权　利　要　求　书 2/4 页 3 CN 115471833 A 3