向姝芬，毛 琳，楊大偉

(大連民族大學 機電工程學院，遼寧 大連 116605)

3D點云分割技術[1]已被廣泛應用在無人駕駛場景中，現(xiàn)有點云分割算法大多以點云坐標信息為輸入，利用邊緣提取算法提取邊緣特征，與全局特征融合獲取分割結果，但輸入的點云坐標信息數(shù)據(jù)量較大且具有無序性[2]，現(xiàn)有方法對邊緣特征的提取能力有限，不足以獲取完整的、表達能力較強的邊緣特征，導致點云分割不精確，因此怎樣獲取較為完整的點云邊緣特征成為熱點問題之一。

點云研究初期，Li Y、Hao S等人提出Pointnet[3]，利用多層感知機(Multilayer Perceptron，MLP)提取特征，但只考慮全局特征的完整性，忽略了局部特征，致使點云特征提取不全。在此基礎上，PointNet++基于分層抽取特征[4]的思想，單獨處理局部中的每個點，有效利用局部信息，但沒有考慮特征中心點與鄰近點之間的距離和邊緣向量，局部特征沒有得到精細化提取，使得點云分割效果一般。為解決此問題，動態(tài)圖CNN(Dynamic Graph CNN for Learning on Point Clouds，DGCNN)[5]和鏈接動態(tài)圖CNN(Linked Dynamic Graph CNN for Learning on Point Clouds，LDGCNN)[6]利用對邊緣特征的精細化處理，其中DGCNN基于邊緣卷積算子，利用最值近鄰算法(KNN)從點云中心點提取特征，再從其鄰域提取邊緣向量，在點云識別任務上獲得了當時最先進的結果。但DGCNN網(wǎng)絡依賴轉換網(wǎng)絡對點云進行旋轉，使得網(wǎng)絡模型相較于基礎網(wǎng)絡Pointnet復雜度增加，計算成本增大，同時在深度特征提取時無法提供有價值的邊緣向量。進一步地，LDGCNN刪除轉換網(wǎng)絡、減小網(wǎng)絡模型的大小，用K-NN和共享參數(shù)MLP提取中心點及其鄰居中的局部特征，鏈接來自不同動態(tài)圖的層次結構特征優(yōu)化網(wǎng)絡體系結構，通過鏈接層次特征提取有用的邊緣矢量，在Modelnet和Shapenet兩個數(shù)據(jù)集上均達到了較為良好的效果。但在邊緣特征提取過程中，原始點云信息沒有得到保持，導致邊緣特征提取不完整，影響分割精度。

為獲取更豐富的邊緣信息，本文提出一種3D點云分割改進型邊緣特征提取網(wǎng)絡(3D Point Cloud Segmentation Edge Detection Network Based On LDGCNN，ED-Net)，網(wǎng)絡的基本結構為改進型邊緣特征提取單元，受到Resnet[7]提出的Shortcut連接法啟發(fā)，將MLP的輸入與輸出進行融合，獲取更豐富的目標輪廓信息。采用該單元的復合形式——邊緣特征提取單元復合結構，進一步增強點云目標邊緣特征，同時保證特征后原始信息的完整性。該網(wǎng)絡可以獲取比較完整的邊緣信息，有效提高點云目標邊界分割的準確性。

1 ED-Net網(wǎng)絡算法

LDGCNN網(wǎng)絡的核心單元為邊緣卷積層，邊緣卷積層由KNN、MLP和池化層構成，如圖1。邊緣卷積層中KNN結構對點云數(shù)據(jù)進行處理，得到具備顯著特征的關鍵點，MLP結構以關鍵點特征為輸入，輸出點云目標中的語義標簽信息，采用池化層處理進一步獲取最占優(yōu)勢的特征，最終輸出經邊緣卷積層處理后的點云特征矩陣。在邊緣提取層中，MLP結構提取的語義標簽信息對網(wǎng)絡性能有較大影響，對該結構做進一步改進，有助于獲取表達能力更強的點云特征，提升模型性能。

圖1 LDGCNN中的邊緣卷積層

1.1 改進型邊緣特征提取單元

改進型邊緣特征提取單元是邊緣卷積網(wǎng)絡的基本組成單位，它由主副兩條干路組成，MLP所在的干路為主干路，捷徑連接的干路為副干路，改進型邊緣特征提取單元結構如圖2。

圖2 改進型邊緣特征提取單元

該單元的數(shù)學描述如下：

(1)

(2)

(3)

邊緣特征提取單元由前向網(wǎng)絡(主干路)和捷徑連接(副干路)構成實現(xiàn)。主干路執(zhí)行網(wǎng)絡功能操作完成萃取信息的過程，副干路通過恒等映射保留原始數(shù)據(jù)，保證下一級結構信息的完整性。改進型邊緣特征提取復合結構如圖3?；趶秃蠁卧?的特點，復合單元2能獲得完整的輸入特征，二者相結合作為改進型邊緣提取模塊的核心結構，兩個單元的結合對原始特征的提取利用程度是衡量鏈式網(wǎng)絡有效性的重要標準。為保證特征信息的有效傳遞，將復合單元2的主干路與復合單元1的輸出主干路連接。

(4)

(5)

其中，MLP實現(xiàn)對融合后的y1特征的二次提取，得到更深層的提取結果。在第n單元中輸出結果yn相當于yn-1在經過MLP的特征提取后再與自身融合的結果。復合單元n中接受了復合單元n-1中的特征yn-1，基于捷徑連接結構，在傳遞過程中，特征得以完整保持，且借助MLP提取隱藏層特征，可實現(xiàn)特征進一步的加強深化，最終得到增強特征yn。

1.2 改進型邊緣特征提取結構

改進型邊緣特征提取結構由三個模塊組成，分別是模塊Ⅰ邊緣特征預處理、模塊Ⅱ邊緣特征增強和模塊Ⅲ最大池化層。改進型邊緣特征提取結構如圖4。

圖4 改進型邊緣特征提取結構

模塊Ⅰ邊緣特征預處理，輸入的點云信息通過KNN搜索，更新邊緣各點之間的連接關系，對輸入點云矩陣進行聚類，構造局部有向圖，得到含有邊緣特征信息x0的局部有向圖Tpart(DV,DE)。

模塊Ⅲ則是對局部邊緣圖提取最具優(yōu)勢特征：

Li=fe(Tpart(pi,ei))=max{h(pi,ei1),h(pi,ei2)} 。

(6)

式中：pi是中心點；ei是邊緣向量；fe是特征提取函數(shù)。在此使用最大池化運算，利用模塊Ⅱ邊緣特征提取單元得到的隱藏層特征向量h(pi,eij)，從局部邊緣圖中提取最大特征Li。

1.3 ED-Net網(wǎng)絡算法步驟

基于Pointnet和Pointnet++在點云分割上的優(yōu)勢，將LDGCNN網(wǎng)絡邊緣特征提取層中的卷積等效為MLP，構建完整的點云分割網(wǎng)絡體系，在相同周期內提高分割精度，提升點云分割的整體質量，整體網(wǎng)絡結構如圖5。

圖5 ED-Net網(wǎng)絡結構圖

算法實施步驟如下：

第1步：輸入點云三維坐標，通過KNN構造一個局部有向圖，并在局部有向圖中找出最占優(yōu)勢特征點；

第2步：改進型邊緣特征提取模塊對含有最占優(yōu)勢特征的輸入點云信息進行邊緣特征的提取，獲得最占優(yōu)勢的邊緣特征；

第3步：將提取出的最占優(yōu)勢邊緣特征通過共享MLP與全局特征進行融合，將融合特征信息送入MLP中計算分割分數(shù)，輸出點云分割結果。

2 實驗結果分析

本文在Tensorflow實驗平臺上，使用2張GPU訓練點云分割網(wǎng)絡模型。ED-Net訓練網(wǎng)絡模型相關參數(shù)設置見表1。點云分割采用的是Shapenet[8]零件數(shù)據(jù)集，包含來自多種語義類別的3D模型，這組數(shù)據(jù)集為每個3D模型提供許多語義標注，已經索引超過300萬個模型，其中22萬個模型被分為3 135個類別。在該實驗中用到該數(shù)據(jù)集的16個類別模型，由16 881個CAD模型組成，共用50個部分進行注釋。

表1 ED-Net訓練網(wǎng)絡模型相關參數(shù)設置

為評估算法的實現(xiàn)，體現(xiàn)該算法對零件目標的分割效果，將每個類別模型的IoU值及其平均值作為衡量標準檢驗分割精度。IoU是一種測量在特定數(shù)據(jù)集中檢測相應物體準確度的一個標準，其值越高，代表分割質量越好，算法性能越優(yōu)，仿真結果對比見表2。

表2 ShapeNet數(shù)據(jù)集上的仿真結果

續(xù)表2 ShapeNet數(shù)據(jù)集上的仿真結果

仿真結果表明，改進型邊緣卷積網(wǎng)絡的平均IoU在第180周期為81.93%，高于作者LDGCNN同周期的80.76%，精度提升了1.17%。同周期平均IoU對比見表3。

表3 LDGCNN和ED-Net 180周期時平均IoU值對比

LDGCNN網(wǎng)絡和ED-Net網(wǎng)絡對同一組輸入點云模型的可視化對比如圖6，其中(a)～(e)的5組點云GT來自ShapeNet數(shù)據(jù)集。輸入相同點云類別模型，ED-Net能獲得更準確的邊緣信息，目標輪廓更清晰、顯著；其中真值對比更直觀地顯示對于輪廓更復雜的樣本模型，比如摩托車坦克等樣本，ED-Net對樣本的邊緣特征更敏感，邊緣刻畫更加細致，獲得的特征質量更高。

圖6 不同網(wǎng)絡模型可視化結果對比

3 結 語

針對3D點云對邊緣特征提取不完整導致分割精度不高的問題，本文提出ED-Net網(wǎng)絡算法，以改進型邊緣特征提取單元為核心，將單元內部MLP通過捷徑連接的方式進行連接，由此繼承不同層次的點云特征，實現(xiàn)網(wǎng)絡結構深化和特征的多角度增強，使邊緣特征信息更豐富，有效提高了3D點云的分割精度。ED-Net為無人駕駛識別邊緣特征提供了一種新的思路，在相同周期內提高了識別精度，使點云分割算法能更好地應用于無人車自主駕駛等場景。