(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 202210315804.5 (22)申请日 2022.03.29 (71)申请人 首都师范大学 地址 100048 北京市海淀区西三环北路10 5 号 申请人 北京空悟科技信息技 术有限公司 (72)发明人 张振鑫　冷思仪　钟若飞　 (74)专利代理 机构 苏州科洲知识产权代理事务 所(普通合伙) 3243 5 专利代理师 周亮 (51)Int.Cl. G06T 17/00(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06V 10/82(2022.01)G06V 10/80(2022.01) (54)发明名称 一种基于动态图卷积和注意力机制的点云 补全方法 (57)摘要 本发明介绍了一种基于动态图卷积和注意 力机制的点 云补全方法， 其包 括： 步骤S1、 使用动 态图卷积技术进行特征提取； 步骤S2、 结合注意 力池化方法和最大池化方法的进行特征聚合； 步 骤S3、 局部缺失空间目标特征补全与重建。 本申 请通过定义点云邻域和更新动态邻域图， 然后结 合动态邻域图进行点云的更新和密集连接； 并使 用注意力池化和最大池化结合的多通道方式进 行点云的特征聚合， 高效完成了缺失点云的补 全， 最大程度地保留和恢复了输入点云的细 节和 几何结构； 而且本申请提出了一个一阶段模式的 网络模型， 融合了点云的逐点特征和全局几何特 征， 在特征空间上对点云进行补全， 对特征进行 扩张与细化， 以此重建完整点云， 进而直接输出 完整的点云。 权利要求书2页 说明书8页 附图2页 CN 114693873 A 2022.07.01 CN 114693873 A 1.一种基于动态图卷积和注意力机制的点云补全方法， 其特 征在于， 其包括： 步骤S1、 使用动态图卷积技 术进行特征提取； 步骤S2、 结合注意力池化方法和最大池化方法的进行 特征聚合； 步骤S3、 局部缺失空间目标 特征补全与重建。 2.根据权利要求1所述的一种基于动态图卷积和注意力机制的点云补全方法， 其特征 在于， 所述 步骤S1中使用动态图卷积技 术进行特征提取的方法包括： 步骤S11、 定义邻域并更新动态邻域图； 步骤S12、 密集连接 。 3.根据权利要求2所述的一种基于动态图卷积和注意力机制的点云补全方法， 其特征 在于， 所述步骤S11中定义邻域并更新动态邻域图的具体方法为使用最近邻算法k ‑NN在特 征空间中构建每个点的局部图， 以聚合局部和结构感知的上下文特征； 对于点云中的每个 点xi， 根据它们在特征空间 中的接近度， 选择k个邻居节点xj＝{x1,x2,…,xk}， 结合特征嵌入 xi和xj‑xi， 得到边缘特征eij， 可以表示 为： 其中Ni表示点i的邻域， 表示连接操作。 4.根据权利要求2所述的一种基于动态图卷积和注意力机制的点云补全方法， 其特征 在于， 所述步骤S12中密集连接的具体方法为使用动态图卷积模块， 将 输入特征转换为具有 较小特征维数 的新特征嵌入， 并通过转换后的特征动态构建邻域图； 然后将构建的邻域图 的边缘特征传递给共享多层感知机层； 为了保留低 维层的信息， 将每一层的输出作为后续 所有层的输入， 表示 为： 其中 是第l层点xi的输出特征， 是第l‑1层点xi的输出特征， hθ(·)表示共享多层感 知机层， 表示连接操作； 最后， 我们使用最大池化来获取在每个局部图中具有排列不变 性的聚合局部特 征； 在子单元之外， 每个子单元的输出也通过跳跃连接操作传递给后 续每个子单元作为其 输入， 可以记为： 其中Fi表示第i个子单元的输出特征， Ei(·)表示第i个子单元， Fin表示输入特征， 表示连接操作。 5.根据权利要求1所述的一种基于动态图卷积和注意力机制的点云补全方法， 其特征 在于， 所述S2 步骤中特征聚合方法为： 注 意力池化和最大池化结合提取全局特征， 并与逐点 局部特征Fp聚合生成Fa。 6.根据权利要求5所述的一种基于动态图卷积和注意力机制的点云补全方法， 其特征 在于， 所述特征聚合为将逐点特征Fp和全局特征聚合作为下一阶段的输入， 生成细粒度的 形状的同时保留输入点云的原 始特征。 7.根据权利要求5所述的一种基于动态图卷积和注意力机制的点云补全方法， 其特征 在于， 所述注意力池化方法为计算输入特 征的每个元素的注意力得分ai：权　利　要　求　书 1/2 页 2 CN 114693873 A 2其中FC(·)表示全连接层， 表示第i个点的输入特 征； 然后将每 个元素乘以相应的分数并相加得到聚合特 征fout表示为： 其中fout表示输出 特征， hθ(·)表示共享多层感知机层。 8.根据权利要求1所述的一种基于动态图卷积和注意力机制的点云补全方法， 其特征 在于， 所述S 3步骤中特征补 全与重建方法为： 使用特征补 全模块对特征进 行扩展和细化， 并 以此重建完整点云的坐标。 9.根据权利要求8所述的一种基于动态图卷积和注意力机制的点云补全方法， 其特征 在于， 所述特 征补全模块为层次残差结构。 10.根据权利要求8所述的一种基于动态图卷积和注意力 机制的点云补全方法， 其特征 在于， 所述S3步骤中特 征补全与重建方法： S101、 首先通过共享多层感知机得到大小为N ×C的特征矩阵L0， C表示特征维度， N表示 个数； S102、 然后对变换后的特 征矩阵复制r倍以获得新的特 征图； S103、 生成r个不同的二维网格， 包含m个网格点， 然后将其扩展为重复特征的大小， 将 网格点的坐标与重复特 征进行拼接； S104、 通过自注意力机制单 元和共享多层感知机得到大小为rN3×C的扩张特 征矩阵H0； S105、 对特征H0进行重新塑形， 恢复到与L0维度相同的特征矩阵L1， 对L1和L0作差， 得到 残差△L； S106、 将△L再通过S102 ‑S104的步骤获得扩张残差特征H1， 最终将H1与H0相加得到扩张 特征Hout； S107、 最后通过参数为[C， 128， 64， 3]的共享多层感知机得到大小为rN3×3的完整点云。权　利　要　求　书 2/2 页 3 CN 114693873 A 3