本發(fā)明屬于計(jì)算機(jī)視覺(jué)及遙感領(lǐng)域，具體涉及一種基于注意力機(jī)制加強(qiáng)特征對(duì)比的三維點(diǎn)云變化檢測(cè)方法。

背景技術(shù)：

1、傳統(tǒng)的基于兩點(diǎn)距離計(jì)算的變化檢測(cè)方法和點(diǎn)云位移的差異分析方法的關(guān)鍵在于建立歐幾里得空間中點(diǎn)云之間的對(duì)應(yīng)關(guān)系，但這些對(duì)應(yīng)關(guān)系僅代表了曲面之間的距離，而不是點(diǎn)在曲面上的實(shí)際位移。因此，在通過(guò)比較不同時(shí)間點(diǎn)的點(diǎn)云數(shù)據(jù)的距離差異來(lái)檢測(cè)變化時(shí)，尤其是在與地表平行運(yùn)動(dòng)的情況下，難以估計(jì)出正確和顯著的變化。而基于人工提取特征的方法的總體思路是提取點(diǎn)云對(duì)之間的特征，然后使用機(jī)器學(xué)習(xí)模型進(jìn)行分類，從而獲得變化檢測(cè)的結(jié)果。

2、為了克服僅基于歐幾里得空間中距離對(duì)應(yīng)的變化檢測(cè)問(wèn)題，且在不需要人工的情況下提取更高級(jí)的抽象特征，深度學(xué)習(xí)方法被提出，目前的基于深度學(xué)習(xí)的三維點(diǎn)云變化檢測(cè)方法大多采用分類網(wǎng)絡(luò)，將兩個(gè)點(diǎn)云的特征提取后進(jìn)行轉(zhuǎn)換處理，然后通過(guò)具有共享權(quán)重的編碼器，最后通過(guò)分類網(wǎng)絡(luò)進(jìn)行變化及變化類別的檢測(cè)。然而，不同時(shí)間點(diǎn)云的密度分布和部分遮擋問(wèn)題仍未完全解決，在對(duì)點(diǎn)云進(jìn)行特征提取時(shí)會(huì)對(duì)其進(jìn)行轉(zhuǎn)換處理也會(huì)損失部分信息，且在很大程度上依賴于訓(xùn)練數(shù)據(jù)的高可用性來(lái)實(shí)現(xiàn)高質(zhì)量的變化檢測(cè)。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)中的上述不足，本發(fā)明提供的基于注意力機(jī)制加強(qiáng)特征對(duì)比的三維點(diǎn)云變化檢測(cè)方法解決了現(xiàn)有方法在對(duì)點(diǎn)云進(jìn)行特征提取時(shí)損失部分信息的問(wèn)題。

2、為了達(dá)到上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：一種基于注意力機(jī)制加強(qiáng)特征對(duì)比的三維點(diǎn)云變化檢測(cè)方法，包括以下步驟：

3、s1：提取點(diǎn)云數(shù)據(jù)，并對(duì)所述點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理；

4、s2：將預(yù)處理后的點(diǎn)云數(shù)據(jù)輸入核點(diǎn)卷積kpconv，提取點(diǎn)云數(shù)據(jù)初步特征，并將所述點(diǎn)云數(shù)據(jù)初步特征輸入殘差塊，獲得點(diǎn)云數(shù)據(jù)增強(qiáng)特征；

5、s3：將所述點(diǎn)云數(shù)據(jù)增強(qiáng)特征輸入transformer模塊進(jìn)行特征提取、全局最大池化和特征差異計(jì)算，獲得特征差異向量；

6、s4：將所述特征差異向量輸入特征增強(qiáng)模塊，獲得增強(qiáng)的特征向量；

7、s5：將所述增強(qiáng)的特征向量輸入多層感知器進(jìn)行分類，并通過(guò)softmax層輸出雙時(shí)相點(diǎn)云變化類別的概率分布，完成基于注意力機(jī)制加強(qiáng)特征對(duì)比的三維點(diǎn)云變化檢測(cè)。

8、進(jìn)一步地，所述s1中包括以下分步驟：

9、s11：對(duì)時(shí)間點(diǎn)和的點(diǎn)云數(shù)據(jù)和分別定義固定大小的三維邊界框，并提取出落在邊界框內(nèi)的所有點(diǎn)和；

10、s12：對(duì)所述和進(jìn)行隨機(jī)下采樣，得到下采樣后的點(diǎn)云數(shù)據(jù)；

11、s13：對(duì)所述下采樣后的點(diǎn)云數(shù)據(jù)進(jìn)行中心化和歸一化處理，得到標(biāo)準(zhǔn)化后的點(diǎn)云數(shù)據(jù)和，實(shí)現(xiàn)對(duì)點(diǎn)云數(shù)據(jù)的預(yù)處理。

12、進(jìn)一步地，所述s2中包括以下分步驟：

13、s21：將標(biāo)準(zhǔn)化后的點(diǎn)云數(shù)據(jù)和輸入核點(diǎn)卷積kpconv，得到時(shí)間點(diǎn)的卷積輸出特征向量和時(shí)間點(diǎn)的卷積輸出特征向量；

14、s22：將所述和輸入多個(gè)殘差塊進(jìn)行處理，得到點(diǎn)云數(shù)據(jù)增強(qiáng)特征和。

15、進(jìn)一步地，所述s21中核點(diǎn)卷積kpconv在點(diǎn)處的卷積定義為：

16、

17、其中，為以為半徑的點(diǎn)的鄰域，為核函數(shù)，為點(diǎn)云數(shù)據(jù)和中點(diǎn)的特征向量，表示三維歐氏空間，中的每個(gè)點(diǎn)都表示三維空間的坐標(biāo)點(diǎn)；

18、

19、其中，為輸入點(diǎn)與卷積核點(diǎn)之間的相對(duì)位移，為卷積核中的索引，為所有可能的卷積核點(diǎn)索引界限，為輸入點(diǎn)與核點(diǎn)之間的線性關(guān)系函數(shù)，為核點(diǎn)位置，為權(quán)重矩陣。

20、進(jìn)一步地，所述s22中點(diǎn)云數(shù)據(jù)增強(qiáng)特征和計(jì)算公式為：

21、

22、其中，為點(diǎn)云數(shù)據(jù)增強(qiáng)特征或的特征值，為殘差卷積操作，為卷積核的權(quán)重。

23、進(jìn)一步地，所述s3中包括以下分步驟：

24、s31：將點(diǎn)云數(shù)據(jù)增強(qiáng)特征和輸入transformer模塊進(jìn)行特征提取，得到時(shí)間點(diǎn)的transformer輸出特征向量和時(shí)間點(diǎn)的transformer輸出特征向量；

25、s32：將所述和進(jìn)行全局最大池化，得到全局特征向量和；

26、s33：根據(jù)全局特征向量和，得到特征差異向量：

27、。

28、進(jìn)一步地，所述s31中和的計(jì)算公式為：

29、

30、其中，為或的特征值，表示將拼接后的向量在最后一個(gè)維度上按順序連接，形成一個(gè)新的向量，為查詢矩陣，為鍵矩陣，為值矩陣，表示將多個(gè)注意力頭的輸出按維度拼接的操作，為各個(gè)注意力頭的加權(quán)特征表示，為線性變換矩陣；

31、

32、

33、

34、

35、其中，為每個(gè)頭分別通過(guò)注意力計(jì)算后得到的加權(quán)特征表示，為注意力計(jì)算，為將結(jié)果進(jìn)行歸一化，上標(biāo)為矩陣的轉(zhuǎn)置，為鍵向量的維度，為點(diǎn)云數(shù)據(jù)增強(qiáng)特征或的特征值，、和為能夠?qū)W習(xí)的權(quán)重矩陣。

36、進(jìn)一步地，所述s32中全局特征向量和的計(jì)算公式為：

37、

38、其中，為全局特征向量或的特征值，為對(duì)第個(gè)特征維度進(jìn)行最大池化操作。

39、進(jìn)一步地，所述s4中增強(qiáng)的特征向量計(jì)算公式為：

40、

41、

42、

43、其中，和為中間參數(shù)，、和為權(quán)重矩陣，、和為偏置項(xiàng)，為特征差異向量。

44、進(jìn)一步地，所述s5中雙時(shí)相點(diǎn)云變化類別的概率分布計(jì)算公式為：

45、

46、

47、其中，為增強(qiáng)的特征變量輸入多層感知器mlp進(jìn)行分類得到的變化檢測(cè)結(jié)果，表示多層感知器multilayer?perceptron。

48、本發(fā)明的有益效果是：本發(fā)明提出了一種結(jié)合了kpconv和transformer的基于注意力機(jī)制的多尺度三維點(diǎn)云變化檢測(cè)方法，為處理點(diǎn)云數(shù)據(jù)變化檢測(cè)和分類任務(wù)提供了新的解決方案。針對(duì)當(dāng)前點(diǎn)云處理方法中存在的特征提取不充分、局部特征缺乏全局信息等問(wèn)題，本發(fā)明通過(guò)引入kpconv卷積層和transformer模塊，有效地提取并融合了點(diǎn)云數(shù)據(jù)的局部和全局特征。此外，通過(guò)特征增強(qiáng)模塊，進(jìn)一步提升了特征的區(qū)分能力，使得模型在不同場(chǎng)景和應(yīng)用中表現(xiàn)出更高的魯棒性和準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明，新的模型框架在處理復(fù)雜點(diǎn)云數(shù)據(jù)任務(wù)時(shí)，精度和穩(wěn)定性均優(yōu)于現(xiàn)有方法，為三維點(diǎn)云的變化檢測(cè)與分類領(lǐng)域提供了更為有效的技術(shù)手段。

技術(shù)特征：

1.一種基于注意力機(jī)制加強(qiáng)特征對(duì)比的三維點(diǎn)云變化檢測(cè)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于注意力機(jī)制加強(qiáng)特征對(duì)比的三維點(diǎn)云變化檢測(cè)方法，其特征在于，所述s1中包括以下分步驟：

3.根據(jù)權(quán)利要求1所述的基于注意力機(jī)制加強(qiáng)特征對(duì)比的三維點(diǎn)云變化檢測(cè)方法，其特征在于，所述s2中包括以下分步驟：

4.根據(jù)權(quán)利要求3所述的基于注意力機(jī)制加強(qiáng)特征對(duì)比的三維點(diǎn)云變化檢測(cè)方法，其特征在于，所述s21中核點(diǎn)卷積kpconv在點(diǎn)處的卷積定義為：

5.根據(jù)權(quán)利要求4所述的基于注意力機(jī)制加強(qiáng)特征對(duì)比的三維點(diǎn)云變化檢測(cè)方法，其特征在于，所述s22中點(diǎn)云數(shù)據(jù)增強(qiáng)特征和計(jì)算公式為：

6.根據(jù)權(quán)利要求1所述的基于注意力機(jī)制加強(qiáng)特征對(duì)比的三維點(diǎn)云變化檢測(cè)方法，其特征在于，所述s3中包括以下分步驟：

7.根據(jù)權(quán)利要求6所述的基于注意力機(jī)制加強(qiáng)特征對(duì)比的三維點(diǎn)云變化檢測(cè)方法，其特征在于，所述s31中和的計(jì)算公式為：

8.根據(jù)權(quán)利要求7所述的基于注意力機(jī)制加強(qiáng)特征對(duì)比的三維點(diǎn)云變化檢測(cè)方法，其特征在于，所述s32中全局特征向量和的計(jì)算公式為：

9.根據(jù)權(quán)利要求1所述的基于注意力機(jī)制加強(qiáng)特征對(duì)比的三維點(diǎn)云變化檢測(cè)方法，其特征在于，所述s4中增強(qiáng)的特征向量計(jì)算公式為：

10.根據(jù)權(quán)利要求1所述的基于注意力機(jī)制加強(qiáng)特征對(duì)比的三維點(diǎn)云變化檢測(cè)方法，其特征在于，所述s5中雙時(shí)相點(diǎn)云變化類別的概率分布計(jì)算公式為：

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種基于注意力機(jī)制加強(qiáng)特征對(duì)比的三維點(diǎn)云變化檢測(cè)方法，涉及計(jì)算機(jī)視覺(jué)及遙感領(lǐng)域，包括以下步驟：提取點(diǎn)云數(shù)據(jù)，并對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理；將預(yù)處理后的點(diǎn)云數(shù)據(jù)輸入核點(diǎn)卷積KPConv，提取點(diǎn)云數(shù)據(jù)初步特征，并將初步特征輸入殘差塊，獲得點(diǎn)云數(shù)據(jù)增強(qiáng)特征；將點(diǎn)云數(shù)據(jù)增強(qiáng)特征輸入Transformer模塊進(jìn)行特征提取、全局最大池化和特征差異計(jì)算，獲得特征差異向量；將特征差異向量輸入特征增強(qiáng)模塊，獲得增強(qiáng)的特征向量；將增強(qiáng)的特征向量輸入多層感知器進(jìn)行分類，并通過(guò)Softmax層輸出雙時(shí)相點(diǎn)云變化類別的概率分布。本發(fā)明解決了現(xiàn)有方法在對(duì)點(diǎn)云進(jìn)行特征提取時(shí)損失部分信息的問(wèn)題。

技術(shù)研發(fā)人員：張艷寧,王鵬,曹楊凱,楊佳琪,田雪濤,席慶彪
受保護(hù)的技術(shù)使用者：西北工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/17