胡 昊 尹 令，2 張素敏，2 溫志坤 朱紀(jì)民 林潤(rùn)恒

（1.華南農(nóng)業(yè)大學(xué)數(shù)學(xué)與信息學(xué)院 廣州 510642）

（2.國(guó)家生豬種業(yè)工程技術(shù)研究中心 廣州 510642）

1 引言

點(diǎn)云分割作為三維點(diǎn)云處理任務(wù)中的關(guān)鍵技術(shù)，在三維計(jì)算機(jī)視覺(jué)場(chǎng)景下得到了非常廣泛的應(yīng)用。在通過(guò)激光雷達(dá)獲取的城市場(chǎng)景點(diǎn)云中，將馬路、建筑、路燈、花壇、行道樹(shù)等場(chǎng)景中的元素進(jìn)行區(qū)分，實(shí)現(xiàn)了對(duì)大規(guī)模場(chǎng)景中的各種物體進(jìn)行精細(xì)化處理［1～2］。在醫(yī)療數(shù)據(jù)處理領(lǐng)域，使用基于深度學(xué)習(xí)的點(diǎn)云模型分割三維頸椎骨的各組成部分［3］，在分割的基礎(chǔ)上再進(jìn)行生物力學(xué)分析，提高了醫(yī)療輔助診斷的自動(dòng)化水平。在建筑建模領(lǐng)域，采用多視圖CNN 能夠?qū)⒔ㄖ仡?lèi)型進(jìn)行自動(dòng)化分類(lèi)，并取得了良好的效果［4］。在無(wú)人機(jī)精準(zhǔn)飛行領(lǐng)域，基于深度學(xué)習(xí)的點(diǎn)云網(wǎng)絡(luò)對(duì)激光雷達(dá)掃描到的物體進(jìn)行了精準(zhǔn)分割，且具有良好的實(shí)時(shí)性［5］。在智慧農(nóng)業(yè)領(lǐng)域，采用深度相機(jī)對(duì)植物點(diǎn)云進(jìn)行采集，再將采集到的數(shù)據(jù)送入神經(jīng)網(wǎng)絡(luò)將植物的葉和莖進(jìn)行分割，有助于選擇育種以及性狀分析［6］。一種基于二維圖像以及深度信息的點(diǎn)云二次分割方法被提出用于在復(fù)雜背景中提取出水果的輪廓［7］。

基于三維點(diǎn)云的牲畜尺參數(shù)自動(dòng)測(cè)量是目前智能養(yǎng)殖業(yè)的研究熱點(diǎn)。但在現(xiàn)實(shí)場(chǎng)景中，通過(guò)深度設(shè)備獲取的牲畜點(diǎn)云存在數(shù)據(jù)散亂、密度大的特點(diǎn)，因此數(shù)據(jù)處理的效果不佳。采用深度學(xué)習(xí)的方法先對(duì)豬體點(diǎn)云各部分進(jìn)行分割，在分割的基礎(chǔ)上再進(jìn)行體尺測(cè)量點(diǎn)定位，將有助于提升測(cè)量的準(zhǔn)確率。

基于深度學(xué)習(xí)的點(diǎn)云分割方法是計(jì)算機(jī)三維視覺(jué)的研究熱點(diǎn)之一，按照其基本思想可分為以下三類(lèi)［26～28］。第一類(lèi)是將三維點(diǎn)云數(shù)據(jù)轉(zhuǎn)化為二維圖像的處理方法［8～11］，其主要通過(guò)在不同角度將原始點(diǎn)云投影到二維平面，從而得到多個(gè)二維圖像，再通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)多視圖進(jìn)行聚合，最后輸出結(jié)果。第二類(lèi)是基于體素網(wǎng)格的方法［12～14］，該類(lèi)方法將原始點(diǎn)云轉(zhuǎn)化為了體素小立方體，再通過(guò)3D 卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分割。前兩種方法均需要消耗大量時(shí)間和資源進(jìn)行數(shù)據(jù)預(yù)處理，而第三類(lèi)方法是直接對(duì)原始點(diǎn)云進(jìn)行處理。PointNet［15］首次采取了端到端的處理模式，主要解決了點(diǎn)云通過(guò)深度網(wǎng)絡(luò)進(jìn)行編碼過(guò)程中，保證其原有的置換不變性，能夠直接將原始點(diǎn)云作為深度網(wǎng)絡(luò)的輸入進(jìn)行分割。然而，PointNet 不具備在度量空間點(diǎn)中捕捉布局信息的能力，極大地限制了對(duì)細(xì)節(jié)的識(shí)別能力以及對(duì)大規(guī)模復(fù)雜場(chǎng)景的普適性。為改進(jìn)PointNet 的不足，PointNet++網(wǎng)絡(luò)［16］增加了逐層抽象結(jié)構(gòu)，通過(guò)計(jì)算度量空間中的距離，增加上下文比例來(lái)提取目標(biāo)點(diǎn)云的局部空間特征，取得了更好的效果。馬利等［17］通過(guò)在PointNet 中引入跳躍連接，提取不同層次的特征，更好地捕捉了三維手部姿態(tài)。姚鉞等［18］在PointNet++的基礎(chǔ)上加入了自頂向下的網(wǎng)絡(luò)分支，將原網(wǎng)絡(luò)的中間特征融入最終預(yù)測(cè)網(wǎng)絡(luò)，獲得了更好的分類(lèi)效果。為了增強(qiáng)獲取局部特征的能力，吳軍等［19］將自注意力機(jī)制引入了PointNet++，提高了場(chǎng)景語(yǔ)義分割的精度。

活體牲畜獲取的點(diǎn)云數(shù)量龐大，且局部會(huì)存在空洞或者缺失，不同姿態(tài)使得牲畜點(diǎn)云各部分分割特征不明顯，因此為對(duì)豬體點(diǎn)云進(jìn)行部分精確的分割，本文在PointNet++的基礎(chǔ)上采用了Octree 結(jié)構(gòu)改進(jìn)了采樣層和分組層，使其能夠更好地在大規(guī)模點(diǎn)云數(shù)據(jù)中捕捉到豬體由于不用姿態(tài)所引起的非剛性變化，充分提取不同層次下的局部信息，獲得了更好的部分分割效果。

2 方法

2.1 豬體點(diǎn)云獲取與預(yù)處理

在試驗(yàn)場(chǎng)地采集通道的上、左、右三個(gè)方向分別設(shè)置Kinect相機(jī)，當(dāng)目標(biāo)豬體進(jìn)入數(shù)據(jù)采集區(qū)域時(shí)，三個(gè)方向的相機(jī)會(huì)同時(shí)采集點(diǎn)云，再經(jīng)過(guò)配準(zhǔn)，去除背景以及去噪等預(yù)處理后，即可獲得完整的豬體三維點(diǎn)云數(shù)據(jù)［20～21］。所獲得的豬體點(diǎn)云因個(gè)體不同，在進(jìn)入采集區(qū)域的姿態(tài)不同，因此數(shù)據(jù)之間存在較大差異。

2.2 PointNet++基本原理

PointNet++采用了逐層抽象結(jié)構(gòu)，如圖1 所示。相比于PointNet 結(jié)構(gòu)，PointNet++具備了在不同尺度下提取空間信息的能力，代替了PointNet 直接提取整體點(diǎn)云特征的做法，能夠在不同尺度局部區(qū)域使用PointNet 對(duì)點(diǎn)云進(jìn)行特征提取，再進(jìn)行特征拼接。PointNet++分割網(wǎng)絡(luò)結(jié)構(gòu)包括分層點(diǎn)集特征學(xué)習(xí)和集合分割點(diǎn)特征傳播兩個(gè)部分。分層點(diǎn)集特征學(xué)習(xí)分為兩個(gè)集合抽象（Set Abstraction）模塊，每個(gè)集合抽象模塊又包含采樣層（Sampling Layer）、分組層（Grouping Layer）、PointNet層［22］。其中，采樣層使用最遠(yuǎn)點(diǎn)采樣（Farthest Point Sampling，F(xiàn)PS）選取點(diǎn)云數(shù)據(jù)的部分特征點(diǎn)。分組層的作用是按照球查詢(xún)（Ball Query）方法選取采樣中心點(diǎn)的鄰域點(diǎn)，將選出的各個(gè)子點(diǎn)云送入PointNet層，運(yùn)用局部區(qū)域的信息編碼成特征向量。

圖1 PointNet++網(wǎng)絡(luò)結(jié)構(gòu)

2.3 基于改進(jìn)PointNet++豬體點(diǎn)云分割網(wǎng)絡(luò)

2.3.1 基于八叉樹(shù)的點(diǎn)云劃分與采樣

PointNet++通過(guò)最遠(yuǎn)點(diǎn)采樣的方法提取局部特征點(diǎn)進(jìn)行編碼，在ShapeNetCore［23］數(shù)據(jù)集上取得了很好的部分分割效果。然而，雖然與隨機(jī)采樣相比，在給定相同數(shù)量的采樣點(diǎn)情況下，最遠(yuǎn)點(diǎn)采樣方法能更好地提取ShapeNetCore 數(shù)據(jù)集中的特征點(diǎn)，但是對(duì)于在真實(shí)場(chǎng)景下通過(guò)Kinect相機(jī)所采集到的豬體點(diǎn)云數(shù)據(jù)，最遠(yuǎn)點(diǎn)采樣無(wú)法精確捕捉不同姿態(tài)下豬體點(diǎn)云的非剛性形變，因?yàn)樽钸h(yuǎn)點(diǎn)采樣更關(guān)注的是點(diǎn)與點(diǎn)之間的距離，而八叉樹(shù)下采樣法是基于空間結(jié)構(gòu)的均勻采樣，能夠很好地保留豬體點(diǎn)云空間結(jié)構(gòu)信息，其本身層次化的樹(shù)結(jié)構(gòu)不僅能劃分出體素相鄰點(diǎn)，且更適合后續(xù)PointNet 層進(jìn)行逐層的局部特征提取。

采用八叉樹(shù)進(jìn)行豬體點(diǎn)云分組及采樣算法步驟如下：

步驟1）采用最小立方體對(duì)豬體點(diǎn)云包圍。

步驟2）設(shè)置最大八叉樹(shù)深度即最多可細(xì)分的次數(shù)N，將初始點(diǎn)云包圍盒的立方體劃分為8個(gè)均勻大小的子立方體。

步驟3）判斷沒(méi)有子節(jié)點(diǎn)的立方體內(nèi)是否包含點(diǎn)云。若包含點(diǎn)云且沒(méi)有達(dá)到最大遞歸深度，繼續(xù)對(duì)該立方體進(jìn)行細(xì)分，劃分到8 個(gè)子立方體。若沒(méi)有或達(dá)到最大遞歸深度則停止細(xì)分。

步驟4）若子立方體所分配到的單位元元素?cái)?shù)量為0或?yàn)?，則該子立方體停止劃分。

步驟5）重復(fù)步驟3）和步驟4）進(jìn)行遞歸劃分直到達(dá)到最大遞歸深度，使用不同層數(shù)八叉樹(shù)劃分豬體點(diǎn)云過(guò)程如圖2所示。

圖2 不同層數(shù)八叉樹(shù)結(jié)構(gòu)劃分豬體點(diǎn)云

步驟6）假設(shè)任意立方體內(nèi)包含n個(gè)點(diǎn)，那么此立方體內(nèi)第i個(gè)點(diǎn)的坐標(biāo)則為(xi，yi，zi)，計(jì)算中點(diǎn)pmid坐標(biāo)(xmid，ymid，zmid)。

步驟7）計(jì)算體素內(nèi)所有點(diǎn)到中點(diǎn)pmid的距離并進(jìn)行排序，將距離中點(diǎn)pmid最近點(diǎn)作為特征點(diǎn)pfeature進(jìn)行采樣，選取第2 到k+1 個(gè)距離較小值點(diǎn)作為特征點(diǎn)pfeature的鄰近點(diǎn)：

式（1）中Sort為排序函數(shù)，d為距離函數(shù)。如圖3 所示，紅色點(diǎn)為采樣特征點(diǎn)，與紅色點(diǎn)在同一立方體內(nèi)的黑色點(diǎn)為其鄰域點(diǎn)。

圖3 采用八叉樹(shù)進(jìn)行豬體點(diǎn)云采樣及分組

2.3.2 改進(jìn)PointNet++的分割網(wǎng)絡(luò)算法

采用八叉樹(shù)改進(jìn)PointNet++采樣和分組方式的豬體點(diǎn)云部位分割網(wǎng)絡(luò)具體結(jié)構(gòu)如圖4 所示，算法步驟如下：

圖4 改進(jìn)后的PointNet++具體網(wǎng)絡(luò)結(jié)構(gòu)

步驟1）輸入為經(jīng)過(guò)預(yù)處理后的單個(gè)完整豬體點(diǎn)云數(shù)據(jù)[ ]N×npoint×6 ，其中N為批處理輸入豬體點(diǎn)云數(shù)據(jù)的數(shù)量，npoint為單個(gè)豬體點(diǎn)云的點(diǎn)云點(diǎn)數(shù)。

步驟2） 將豬體點(diǎn)云進(jìn)行八叉樹(shù)采樣及分組。其中，采用5 層八叉樹(shù)結(jié)構(gòu)進(jìn)行采樣及分組，采樣中心點(diǎn)的個(gè)數(shù)為n1，中心點(diǎn)鄰域內(nèi)的點(diǎn)的最大數(shù)量（nsample）為64。

步驟3）對(duì)同一分組內(nèi)的局部點(diǎn)云進(jìn)行卷積（Convolution，Conv），其中一維卷積公式如下：

式（2）中w1，w2…wk為濾波器，x1，x2…xk為信號(hào)序列，K為濾波器長(zhǎng)度。為簡(jiǎn)單起見(jiàn)，這里假設(shè)卷積的輸出yt的下標(biāo)t從K開(kāi)始。二維卷積的公式如下：

式（3）中X∈RM×N，濾波器W∈RU×V，一般U?M，V?N，這里假設(shè)卷積的輸出Yij的下標(biāo)(i，j)從(U，V)開(kāi)始。

步驟4）采用批量歸一化（Batch normalizaion，Bn）的方法提高網(wǎng)絡(luò)的學(xué)習(xí)效率。假設(shè)有N個(gè)樣本，對(duì)于每一維的特征x，先計(jì)算其均值和方差：

然后，將特征x(n)減去均值，再除以標(biāo)準(zhǔn)差，得到新的特征值x(n)：

步驟5）采用Relu 函數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)的線(xiàn)性層進(jìn)行激活，再通過(guò)最大池化（Max Pooling）對(duì)卷積層提取到的局部特征的進(jìn)行特征選擇，降低特征維度，得到局部特征向量[N×1024×256] 。具體地，對(duì)于一個(gè)局部區(qū)域Rdm，n，選擇該區(qū)域所有神經(jīng)元的最大值表示該區(qū)域：

式（7）中xi為局部區(qū)域內(nèi)每個(gè)神經(jīng)元的值。

步驟6）重復(fù)步驟2）～5），這里采用4層八叉樹(shù)結(jié)構(gòu)進(jìn)行采樣及分組，采樣中心點(diǎn)的個(gè)數(shù)為n2，中心點(diǎn)鄰域內(nèi)的點(diǎn)的數(shù)量為128，得到特征向量[N×256×512] 。

步驟7）采用PointNet 對(duì)整體點(diǎn)云進(jìn)行全局特征向量編碼。

步驟8）經(jīng)過(guò)分層點(diǎn)集特征學(xué)習(xí)后，對(duì)輸入的特征點(diǎn)進(jìn)行二次抽樣，利用IDW（Inverse Distance Weighted）插值算法，將采樣點(diǎn)的特征傳遞回原始點(diǎn)集，得到[N×4096×256] 的數(shù)據(jù)。其中，IDW 插值的公式如下：

式（8）中，f為插值的特征值，d(x，xi)為x，xi的距離，p為d(x，xi)的指數(shù)，k為鄰域點(diǎn)的個(gè)數(shù)（默認(rèn)情況使用p=2，k=3），wi為x，xi距離平方的倒數(shù)，j為點(diǎn)云的索引編號(hào)，C為任意常數(shù)。

步驟9）再對(duì)原始點(diǎn)集特征向量進(jìn)行卷積，批量標(biāo)準(zhǔn)化和激活函數(shù)處理，并使用反向傳播（Back propagation，Bp）算法對(duì)卷積網(wǎng)絡(luò)中參數(shù)進(jìn)行調(diào)整，當(dāng)l+1 為卷積層時(shí)，假設(shè)特征映射輸入為Z(l+1)∈RM'×N'×P，其中第p( )1 ≤p≤P個(gè)特征映射的輸入為

式（9）中W(l+1，p)和b(l+1，p)為第l+1 層的卷積核以及偏置，共有P×D個(gè)卷積核和P個(gè)偏置。第l層的第d個(gè)特征映射的誤差項(xiàng)為

式（10）中?～為寬卷積，rot 180()· 表示旋轉(zhuǎn)180°。

步驟10）使用Softmax回歸對(duì)豬體點(diǎn)云每個(gè)點(diǎn)進(jìn)行分類(lèi)預(yù)測(cè)，其中類(lèi)別標(biāo)簽y∈{ }1，2…，C，C=8分別對(duì)應(yīng)著豬體的八個(gè)部位（左前腿、右前腿、左后腿、右后腿、耳朵、頭部、尾巴、身體）。給定一個(gè)點(diǎn)x，采用Softmax回歸預(yù)測(cè)的屬于c的條件概率為

式（11）中wc是第c類(lèi)的權(quán)重向量，則Softmax決策函數(shù)可以表示為

3 實(shí)驗(yàn)結(jié)果與分析

本文訓(xùn)練模型系統(tǒng)環(huán)境為Intel i5-11400 CPU，RTX2060 GPU，6GB 顯存，深度學(xué)習(xí)框架Pytorch1.4，Cuda10.0。設(shè)置模型初始學(xué)習(xí)率（Learning Rate）為0.001，衰減率（Learning Rate Decay）為0.5，每20輪迭代輪數(shù)衰減一次，模型訓(xùn)練每次輸入點(diǎn)云數(shù)量批尺寸（Batch Size）為4。圖5對(duì)比了采用八叉樹(shù)改進(jìn)后的PointNet++網(wǎng)絡(luò)與PointNet++基礎(chǔ)網(wǎng)絡(luò)訓(xùn)練過(guò)程的mIoU 與OA 變化。由圖5 所示，改進(jìn)后的PointNet++獲得了更好的學(xué)習(xí)能力，在經(jīng)過(guò)40 輪左右的訓(xùn)練后，幾乎已經(jīng)收斂，在100 輪的訓(xùn)練中最佳的mIoU 為88.27%，OA 為96.97%。而原PointNet++網(wǎng)絡(luò)在60 輪訓(xùn)練后才逐漸收斂，在100輪的訓(xùn)練中最佳mIoU 為85.12%，OA 為94.45%。實(shí)驗(yàn)結(jié)果證明，改進(jìn)后的PointNet++網(wǎng)絡(luò)在豬體點(diǎn)云數(shù)據(jù)集上具有更強(qiáng)的學(xué)習(xí)能力。

圖5 訓(xùn)練過(guò)程性能指標(biāo)變化

采集的活體豬點(diǎn)云其姿態(tài)呈現(xiàn)多樣性，從不同視角觀(guān)察可以分為不同姿態(tài)，俯視圖的豬體點(diǎn)云姿態(tài)可大致分為直線(xiàn)型、左扭頭型、右扭頭型，側(cè)視圖的豬體點(diǎn)云姿態(tài)可大致分為平視型、微低頭型、重低頭型，共9 種姿態(tài)。為了進(jìn)一步驗(yàn)證本文采用八叉樹(shù)結(jié)構(gòu)對(duì)PointNet++網(wǎng)絡(luò)改進(jìn)的有效性，以9 種姿態(tài)的豬體點(diǎn)云為測(cè)試樣本，在PointNet++基礎(chǔ)上采用平面擬合的方法計(jì)算法向量（+Normal），在第一個(gè)逐層抽象模塊使用Octree 的采樣與分組方式（+Octree1），在第二個(gè)逐層抽象模塊使用Octree 的采樣與分組方式（+Octree2）進(jìn)行不同模塊組合下的消融實(shí)驗(yàn)，如表1 所示。表2 為在不同模塊組合下的分割結(jié)果。由表2 可知，相比于基礎(chǔ)模型PointNet++的分割結(jié)果，采用平面擬合的方法計(jì)算法向量信息（+Normal）后，除去Post8 外其他類(lèi)別的mIoU 均有提升，法向量作為點(diǎn)云各點(diǎn)的屬性包含了重要的空間信息。在第一個(gè)逐層抽象模塊改用八叉樹(shù)結(jié)構(gòu)進(jìn)行采樣與分組（+Octree1）之后，對(duì)所有類(lèi)別的分割精確度均有提高，尤其對(duì)于Post6，Post9 等扭頭且低頭的不規(guī)則姿態(tài)豬體點(diǎn)云的分割效果提升更為明顯。第二個(gè)逐層抽象模塊改用八叉樹(shù)結(jié)構(gòu)進(jìn)行采樣與分組（+Octree2）的方式，從各個(gè)姿態(tài)的分割結(jié)果上來(lái)看，相比于PointNet++基礎(chǔ)結(jié)構(gòu)雖有提高，但是提升效果不如前者（+Octree1），原因是第一次采樣在原始豬體點(diǎn)云上進(jìn)行的，基于八叉樹(shù)的采樣方式比最遠(yuǎn)點(diǎn)采樣能保留更多豬體點(diǎn)云的空間結(jié)構(gòu)信息，而第二次采樣是在第一次采樣的基礎(chǔ)上再進(jìn)行采樣，是第一次采樣更細(xì)節(jié)化，因此第一次采樣更關(guān)鍵。兩個(gè)逐層抽象模塊均使用Octree 的采樣與分組方式并使用法向量（Octree-PointNet++）的模型，在除了Post4 的其他姿態(tài)的豬體點(diǎn)云分割結(jié)果上均取得了最佳，總體的平均mIoU 和OA 相較于原PointNet++模型分別提升了3.04%、4.54%。

表1 用于消融實(shí)驗(yàn)的不同模塊說(shuō)明

表2 不同姿態(tài)的豬體點(diǎn)云數(shù)據(jù)的消融實(shí)驗(yàn)結(jié)果（單位：%）

注：粗體表示最優(yōu)結(jié)果，Post1為直線(xiàn)平視型、Post2為直線(xiàn)微低頭型、Post3為直線(xiàn)重低頭型、Post4為左扭頭平視型、Post5為左扭頭微低頭型、Post6為左扭頭重低頭型、Post7為右扭頭平視型、Post8為右扭頭微低頭型、Post9為右扭頭重低頭型。

圖6 所示為部分姿態(tài)豬體點(diǎn)云的可視化結(jié)果，圖中每列表示一類(lèi)姿態(tài)，每行表示對(duì)應(yīng)結(jié)果。從第1、2 列相對(duì)簡(jiǎn)單的姿態(tài)來(lái)看，原始的PointNet++模型會(huì)把部分頭部的點(diǎn)云分成是耳朵，還會(huì)把部分身體的點(diǎn)云分成是尾巴。+Normal 分割效果雖有提升，但是對(duì)于頭部和耳朵的分割仍然不理想。+Octree1 和+Octree2 對(duì)于局部細(xì)節(jié)的捕捉能力明顯更強(qiáng)，基本可以將耳朵與頭部分割開(kāi)來(lái)。第3、4 列為較復(fù)雜的扭頭且重低頭的姿態(tài)，PointNet++網(wǎng)絡(luò)對(duì)于此類(lèi)姿態(tài)的分割結(jié)果較為糟糕，由于豬在低頭時(shí)腿部離頭部很近，還會(huì)出現(xiàn)左右腳交叉的現(xiàn)象，因此會(huì)把部分頭部點(diǎn)云看成是腿部，左腿分為了右腿。+Normal 的分割結(jié)果雖有所改善，但仍然不理想，會(huì)把頭部分為了后腿。+Octree1 和+Octee2 分割的效果要明顯由于前二者，但是對(duì)于一些細(xì)節(jié)的分割仍然存在不足?？梢钥闯鯫ctree-PointNet++無(wú)論是對(duì)于復(fù)雜姿態(tài)還是相對(duì)標(biāo)準(zhǔn)的姿態(tài)，其分割效果都理想，除去分割邊界不如人工數(shù)據(jù)處理得平滑之外，基本與手工標(biāo)記無(wú)異。

圖6 部分姿態(tài)豬體點(diǎn)云部分分割可視化效果對(duì)比

不同的點(diǎn)云分割算法在我們采集的數(shù)據(jù)集上的分割效果如表3 所示。PointNet++根據(jù)其點(diǎn)云采樣及分組方式的不同分為單一范圍分組（ssg，single-scale grouping），即通過(guò)深度網(wǎng)絡(luò)提取在相同半徑下的點(diǎn)云局部空間特征，以及多尺度范圍分組（msg，Multi-scale grouping），即在不同分組半徑下提取點(diǎn)云局部信息，再編碼成特征向量。從結(jié)果上看，msg版本的平均分割精確率要略?xún)?yōu)于ssg。相比于PointNet 直接對(duì)原始點(diǎn)云整體提取特征的方法，PointNet++的層次化特征提取模式具備了更好的分割效果。3D Point in 2D Space［24］是將三維點(diǎn)云降維為二維數(shù)據(jù)，再通過(guò)U-Net 網(wǎng)絡(luò)進(jìn)行分割，DG-CNN［25］則是先對(duì)原始輸入點(diǎn)云構(gòu)建圖結(jié)構(gòu)，增強(qiáng)了點(diǎn)之間的關(guān)聯(lián)性，再送入Edge-Conv 進(jìn)行處理。然而，在實(shí)際的豬體點(diǎn)云分割實(shí)驗(yàn)中，兩者的分割效果均不如PointNet++網(wǎng)絡(luò)算法。原因可能是其對(duì)不同姿態(tài)豬體點(diǎn)云變化不敏感，缺乏對(duì)非剛性形變目標(biāo)物體的特征學(xué)習(xí)能力。

表3 各算法在我們數(shù)據(jù)集上的性能對(duì)比

4 結(jié)語(yǔ)

針對(duì)現(xiàn)有的PointNet++網(wǎng)絡(luò)不能很好地提取不同姿態(tài)豬體點(diǎn)云數(shù)據(jù)的局部特征問(wèn)題，采用八叉樹(shù)結(jié)構(gòu)改進(jìn)了其采樣及分組方式，實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的網(wǎng)絡(luò)更加適合于大規(guī)模點(diǎn)云數(shù)據(jù)中提取豬體不同姿態(tài)的非剛性變化特征，能夠更加精確地對(duì)不同姿態(tài)的豬體點(diǎn)云數(shù)據(jù)進(jìn)行部位分割，尤其是對(duì)于復(fù)雜姿態(tài)的豬體點(diǎn)云數(shù)據(jù)，分割精確度的提升更為明顯，且可視化效果與人工標(biāo)記幾乎無(wú)異。