一种点云数据分类方法和装置

本发明主要涉及点云分类，具体涉及一种点云数据分类方法和装置。

背景技术：

1、随着激光雷达、rgb-d相机及三维扫描仪的普及，点云作为一种能够精确描述三维场景和物体几何形状的数据形式，在自动驾驶、机器人感知、数字孪生、医学影像分析以及工业自动化检测等领域得到了广泛应用。点云数据具有离散性、无序性、不均匀性和稀疏性等特点，这使得直接采用传统的二维卷积神经网络难以对其进行有效建模。

2、为了处理点云数据分类问题，研究者们提出了多种架构。早期的pointnet采用共享权重的多层感知机提取点级特征，并通过全局最大池化解决无序性问题，但会丢失局部几何细节。因此，pointnet++等方法引入了局部分组聚合机制，通过k近邻搜索或球查询构建局部邻域，再对邻域内点特征进行聚合，但邻域聚合仅依赖特征层面的融合，未显式建模邻域点与中心点的几何关系。近年来，基于transformer的点云模型利用自注意力机制建立了强大的建模能力，但其计算复杂度随点数增加呈平方级增长，限制了在大规模点云场景中的应用，为解决这一问题，研究者们提出了稀疏注意力、分层注意力等改进方案，但仍未突破亚二次级复杂度的瓶颈，且注意力权重的学习缺乏几何先验约束，易出现注意力分散问题。

3、状态空间模型（state space model, ssm），尤其是以mamba为代表的选择性状态空间模型，凭借其线性计算复杂度和卓越的长程依赖建模能力，成为点云处理领域的新兴研究热点。在基于mamba的点云骨干网络中，点云通常需要先经过局部分组和下采样形成若干token，再依据坐标轴顺序、空间填充曲线或其他扫描路径重排为一维序列，最后输入状态空间模型序列模块进行建模。

4、然而，将具有强空间拓扑属性的点云转化为序列输入状态空间模型时，存在以下亟待解决的问题：

5、一、空间邻接关系弱化：序列化扫描虽然能覆盖所有点，但序列中位置相邻的token在实际三维空间中可能相距甚远，而空间中的真实邻域点在序列中可能被排在极其遥远的位置。这种空间与序列的不匹配导致ssm难以高效捕获精细的局部几何结构，如部件连接处的微小变化、曲面的连续性等。

6、二、缺乏显式几何引导：现有的mamba类点云模型主要依赖序列内的隐藏状态转移来隐式学习特征，缺少来自真实物理空间几何关系的直接约束。尤其是在复杂的工业零部件或医学器官点云中，细微的几何差异往往是区分关键语义的关键。

7、三、过增强与不稳定性：虽然可以通过添加额外的局部算子来增强特征，但如果不加区别地对所有token进行增强，容易引入冗余信息或导致过调制现象，破坏已经学习到的全局语义稳定性，增加训练难度。

8、因此，如何在保持状态空间模型高效序列建模能力的基础上，设计一种既能显式利用物理空间几何关系补偿序列化损失，又能根据特征上下文实现选择性调制，且能保证ssm训练稳定性的技术方案，是当前点云数据分类空间模型研究中的核心技术难题。

技术实现思路

1、本发明所要解决的技术问题是针对现有技术的不足，提供一种点云数据分类方法和装置。

2、本发明解决上述技术问题的技术方案如下：一种点云数据分类方法，包括如下步骤：

3、导入待处理点云数据，对所述待处理点云数据进行特征分析，得到中心点数据和待处理点云特征集合；

4、对所述中心点数据和所述待处理点云特征集合进行几何特征分析，得到目标几何特征集合；

5、对所述目标几何特征集合进行预测分析，并将预测分析结果作为点云数据分类结果。

6、本发明解决上述技术问题的另一技术方案如下：一种点云数据分类装置，包括：

7、特征分析模块，用于导入待处理点云数据，对所述待处理点云数据进行特征分析，得到中心点数据和待处理点云特征集合；

8、几何特征分析模块，用于对所述中心点数据和所述待处理点云特征集合进行几何特征分析，得到目标几何特征集合；

9、分类结果获得模块，用于对所述目标几何特征集合进行预测分析，并将预测分析结果作为点云数据分类结果。

10、基于上述一种点云数据分类方法，本发明还提供一种点云数据分类系统。

11、本发明解决上述技术问题的另一技术方案如下：一种点云数据分类系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的点云数据分类方法。

12、基于上述一种点云数据分类方法，本发明还提供一种计算机可读存储介质。

13、本发明解决上述技术问题的另一技术方案如下：一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的点云数据分类方法。

14、本发明的有益效果是：通过对待处理点云数据的特征分析得到中心点数据和待处理点云特征集合，对中心点数据和待处理点云特征集合的几何特征分析得到目标几何特征集合，对目标几何特征集合进行预测分析，并将预测分析结果作为点云数据分类结果，能够在保持状态空间模型线性建模效率的同时显式地补偿了局部物理空间几何关系，提高了点云任务的几何判别能力和训练稳定性，解决了点云序列化导致局部空间拓扑关系弱化、现有状态空间模型缺乏显式几何引导、统一增强容易造成特征漂移和训练不稳定的问题，有效地缓解了序列化过程对局部拓扑的破坏，保证了模型收敛的平滑性。

1.一种点云数据分类方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的点云数据分类方法，其特征在于，所述待处理点云数据包括原始点云坐标；所述对所述待处理点云数据进行特征分析，得到中心点数据和待处理点云特征集合的过程包括：

3.根据权利要求2所述的点云数据分类方法，其特征在于，所述对所述中心点数据和所述待处理点云特征集合进行几何特征分析，得到目标几何特征集合的过程包括：

4.根据权利要求3所述的点云数据分类方法，其特征在于，所述对所述中心点数据进行几何上下文分析，得到几何上下文特征集合的过程包括：

5.根据权利要求3所述的点云数据分类方法，其特征在于，所述对所述待处理点云特征集合进行语义上下文分析，得到语义上下文特征集合的过程包括：

6.根据权利要求3所述的点云数据分类方法，其特征在于，所述对所述待处理点云特征集合、所述几何上下文特征集合以及所述语义上下文特征集合进行调制量分析，得到缩放调制量集合、偏置调制量集合以及全局上下文偏置矩阵的过程包括：

7.根据权利要求3所述的点云数据分类方法，其特征在于，所述对所述待处理点云特征集合、所述几何上下文特征集合、所述语义上下文特征集合、所述缩放调制量集合、所述偏置调制量集合以及所述全局上下文偏置矩阵进行特征优化分析，得到目标几何特征集合的过程包括：

8.根据权利要求3所述的点云数据分类方法，其特征在于，所述对所述目标几何特征集合进行预测分析，并将预测分析结果作为点云数据分类结果的过程包括：

9.一种点云数据分类装置，其特征在于，包括：

10.根据权利要求9所述的点云数据分类装置，其特征在于，所述待处理点云数据包括原始点云坐标；所述特征分析模块中，对所述待处理点云数据进行特征分析，得到中心点数据和待处理点云特征集合的过程包括：