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！

龙图腾网获悉西安交通大学申请的专利一种基于多视图特征的三维点云形状识别方法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：CN118968493B 。

龙图腾网通过国家知识产权局官网在2025-11-28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：202410923082.0，技术领域涉及：G06V20/64；该发明授权一种基于多视图特征的三维点云形状识别方法是由杜少毅;肖晓阳;田智强;郭昱成;王娟;祝继华设计研发完成，并于2024-07-10向国家知识产权局提交的专利申请。

本一种基于多视图特征的三维点云形状识别方法在说明书摘要公布了：本发明属于三维点云处理技术领域，涉及一种基于多视图特征的三维点云形状识别方法，包括：1获取点云数据与相应的分类标签；2对原始点云进行预处理并得到数据增强后的点云和多视角深度图；3构建包含点云和投影分支的分类模型；在点云分支中，将与采样点具有相似语义内容的点云聚类到同一类中，并采用多头自注意力计算每个聚类内的局部注意力，捕获点云长距离依赖关系；在投影分支中，多个不同视角的深度图像经过一个浅层卷积网络来生成判别特征；4训练分类模型；5完成三维点云形状识别分类；本发明结合点云局部特征和全局深度图特征，捕获长距离依赖关系，能够高效地实现点云形状识别分类准确性和鲁棒性。

本发明授权一种基于多视图特征的三维点云形状识别方法在权利要求书中公布了：1.一种基于多视图特征的三维点云形状识别方法，其特征在于，包括以下步骤： 步骤S1、获取三维点云的公开分类数据集与对应的分类标签； 步骤S2、数据预处理；对步骤S1获取数据集中的点云进行增强处理，随后将增强处理得到的点云进行投影，并生成多视角深度投影图； 步骤S3、构建分类网络结构；依序构建点云分支模块、构建投影分支模块，随后将构建点云分支模块得到的点云局部特征，经过最大池化处理后，与构建投影分支模块得到的多视图全局特征进行拼接，拼接后的特征通过分类器进行聚合，最终得到三维形状分类的预测结果； 步骤S4、训练分类模型；利用步骤S2得到的样本数据集训练步骤S3构建完成的分类模型，使用交叉熵损失函数得到损失值，并使用随机梯度下降法更新模型内的参数，直至损失值趋于稳定，得到训练好的分类模型； 步骤S5、完成测试：使用步骤S4训练好的分类模型完成对测试点云数据集的推理，得到点云数据的推理结果； 所述步骤S3中，构建点云分支模块的方式包括：点云分支模块由四个不同阶段组成，每个阶段均包含局部嵌入模块和层数d的注意力层；每个注意力层的结构保持一致；在每个阶段的开始，输入的点云首先通过局部嵌入模块进行处理；局部嵌入模块的输出随后被送入多个注意力层，在注意力层中，使用平衡层次聚类动态地将具有相似语义内容的点云聚类到同一类，并使用多头自注意力机制计算每个聚类的局部注意力，捕获点云长距离依赖关系；经过四个阶段的特征提取，实现对点云局部特征的全局上下文信息提取； 所述步骤S3中，所述局部嵌入模块通过增强特定点的局部邻域来实现；接收输入点坐标和点云特征其中表示第i-1层的嵌入维度，N表示输入点云数量； 首先执行最远点采样操作以获取质心点特征随后使用K-近邻查询原始点并提取邻近特征 将中心点特征fi与每个邻近特征fj合并；局部邻域特征的计算方式如下： 式1中，RPx,k为通过对向量x重复k次形成矩阵，k为邻域大小，fj-fi为用于评估相对于质心的邻近点之间的特征差异，fj表示邻近点特征，fi表示中心点特征，||·||表示拼接操作； 通过RPx,k处理后的特征与原始特征进行拼接，并将结果输入到一个卷积层中，以生成局部嵌入模块的输出特征f′；该过程定义为： 式2、式3中，mlp1和mlp2分别由卷积层、批量归一化和激活函数组成，max代表最大池化操作，用于聚合局部块的特征； 所述步骤S3中，所述注意力层由κ层堆叠的多头自注意力模块和标准的前馈网络组成；在第κ层，给定特征向量Xκ-1，通过以下操作获得新的特征Xκ： 式4、式5中，LN表示层归一化；MSA模块的输出经过层归一化处理后，被送入FFN模块，FFN模块包含两个全连接层，第一层将维度从C扩展到rC，以有效捕捉更丰富的特征表示；第二层随后将维度压缩回C，以实现高效的计算。

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西安交通大学，其通讯地址为：710049 陕西省西安市咸宁西路28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。