买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉天津工业大学申请的专利一种基于位置融合的高效点云分类方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115841593B 。

龙图腾网通过国家知识产权局官网在2026-02-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211533503.6，技术领域涉及：G06V10/764；该发明授权一种基于位置融合的高效点云分类方法及系统是由孙玉宽;刘云铭;陈婷;汪剑鸣设计研发完成，并于2022-12-02向国家知识产权局提交的专利申请。

本一种基于位置融合的高效点云分类方法及系统在说明书摘要公布了：本发明公开了一种基于位置信息融合的高效点云分类识别方法及系统，识别方法包括：从坐标中提取点的位置与特征嵌入表示；通过最远点下采样得到不同尺度的点云，以此为质心，通过搜索以质心为中心的K近邻邻居，建立KNN局部关系；根据邻接关系，得到具有全局信息与局部信息的权重矩阵与元素矩阵；将两个矩阵进行映射，做Hadamard积运算，得到特征矩阵；利用变换函数与局部最大池化得到质心的全局特征表示；使用映射函数、残差结构和最大池化得到全局特征；通过分类器基于全局特征进行点云分类。本发明可取代点云中的注意力机制，在保证高精度的前提下，降低计算复杂度，更加适合点云的数据结构来学习点云局部的形状信息。

本发明授权一种基于位置融合的高效点云分类方法及系统在权利要求书中公布了：1.一种基于位置融合的高效点云分类方法及系统，其特征在于，包括以下步骤： S1，从输入的点云三维坐标中提取点云中的点的初始嵌入表示，获取点云中点的初始的全局位置信息与全局特征信息； S2，通过使用最远点下采样，在不改变点云基本形状的前提下，将点云中的点的个数减少，并以下采样后的点为质心，以采样前的点为搜索空间，搜索以质心为中心的K近邻K-NearestNeighbor,KNN邻居，建立KNN局部关系图结构； S3，通过KNN局部邻接关系，构建连接特征信息与连接位置信息的F矩阵与P矩阵，得到具有全局信息与局部信息的权重矩阵与元素矩阵； S4，将F矩阵与P矩阵进行映射，映射到相同维度，并将二者做Hadamard积运算，得到新的F′矩阵，即新的特征矩阵并输入到S5中； S5，将S4得到的F′矩阵利用线性变换函数与局部最大池化得到每个质心的新的全局特征表示，将此输送到下一阶段； S6，接收到S5阶段的新的全局特征表示，并重复步骤S2、S3、S4、S5，得到不同采样个数的点的特征表示； S7，将S6中得到的特征表示输入到映射函数中，并进一步再次输入到映射函数中，将两次得到的结果使用残差结构进行串联连接，得到点云中所有点的特征； S8，为了进行点云分类，将S7中得到的所有点的特征使用最大池化层在点数的维度上进行池化，得到点云的全局特征表示； S9，利用分类器基于全局特征表示进行点云分类识别； 所述步骤S2，具体为： 定义初始点云集合中点的个数为N，采样后的Ni可分别表示为如公式1、公式2所示： S21，以同一个质心为中心，建立不同尺度大小的KNN图，并将不同尺度的特征串联起来，针对不同分辨率级别的特征使用不同维度的表示，以获得不同大小的感受野； 所述步骤S3中，具体为： S31，我们定义：点i的绝对位置为p，以该点为中心，建立KNN图，得到该点的k个邻居，设其中一个邻居为点j，则点i与点j之间的相对位置信息为如公式3所示： Δpij＝p-p3 P矩阵由相对位置信息与绝对位置信息融合得到，点i的P矩阵块可以表示为如公式4所示： ＝R[concatp,Δpij]4 其中，R表示将操作重复k次，j表示点i的k个邻居，concat表示串联操作； S32，F矩阵由相对特征信息与绝对特征信息融合得到，这二者我们分别定义为：f与Δfij，其中点i与点j之间的相对特征信息如公式5所示： Δfij＝f-f5 点i的F矩阵块可以用如下公式6所示： ＝R[concatf，Δfij]6 所述步骤S4中，具体为： S41，使用不同的映射函数α与β分别作用在矩阵P与矩阵F上，使得映射后的两个矩阵维度一致； 所述不同的映射函数α与β均通过反向传播学习并优化； S42，将映射后的矩阵P与矩阵F分别看作点云局部结构的权重矩阵与特征元素矩阵，特征更新使用两矩阵乘法来实现，如公式7所示： F′＝αP⊙βF7 其中，“⊙”表示两个矩阵的按元素乘积，αP为点云中局域块的权重矩阵，通过融合权重得到新的F′特征表示，进行特征提取； 所述步骤S5中，所述线性变换函数通过反向传播学习并优化； 所述步骤S6中，为了获得多层次特征，采用重复步骤S2、S3、S4、S5的策略，其中不同的是采样后的点数为上一次步骤S2、S3、S4、S5中点集中点个数的一半； 所述步骤S7中，具体为： 先后使用两个可学习、可训练的线性映射函数，为了避免过拟合与过度学习，采用残差结构连接； 所述步骤S8中，利用点云的无序性以及点之间的交互性，将S7得到的特征矩阵，使用最大池化得到点云的全局特征，如公式8所示： fglobal＝MaxPoolingNUMF8 其中，MaxPoolingNUM表示在点云数维度上对F矩阵做最大池化操作，进行进一步的特征融合，得到点云全局特征表示； 所述步骤S9中，分类器，用于基于位置信息融合的高效的点云学习与特征提取，得到最终的分类结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人天津工业大学，其通讯地址为：300387 天津市西青区宾水西道399号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。