2. 研究方法
2.1 融合颜色信息和多尺度几何特征的点云语义分割网络
本文的技术路线图如图1所示，整体流程从原始数据到结果分析自上而下顺序执行，核心部分的融合颜色信息和多尺度几何特征的点云语义分割网络(CMGF-Net)如图2所示。
图1 融合颜色信息和多尺度几何特征的点云语义分割方法总技术路线
图2 融合颜色信息和多尺度几何特征的点云语义分割网络(CMGF-Net)
2.2 局部邻域的相对位置特征提取
RPF主要是提取每个点与其邻域点相对位置的特征关系，如图3所示。
图3 局部邻域的相对位置特征提取模块示意图
2.3 局部邻域的几何属性提取
LGP模块主要是融合每个点附近邻域点的自身几何属性信息，如图8所示。
图4 局部邻域的几何属性提取示意图
几何属性计算公式
| 粗糙度 | C = Ωtruth/Ωpro |
| 高斯曲率 | K = k1∙k2 |
| 平均曲率 | H = (k1+k2)/2 |
| 垂直度 | V = (n∙nz)/||n||∙||nz|| |
| 全方差 | δ = ∛(r1∙r2∙r3) |
| 表面变化率 | S = r1/(r1+r2+r3) |
2.4 局部几何特征融合
局部几何特征融合模块旨在将点云局部邻域的相对位置特征和几何属性信息相互融合，以提高点云分割的结果精度。
首先将相对位置特征Rrelative和几何属性信息GL经过多层感知器进行升维，得到相同维度的特征，接着将二者拼接起来得到Fc：
Fc = Concat(MLP1(Rrelative), MLP2(GL))
对拼接后的特征Fc使用多层感知器MLP，得到融合相对位置特征和几何属性信息后的新特征Fm，接着对Fm使用softmax进行计算，得到每个邻域点在每一维特征中的权重矩阵Fs：
Fs = softmax(MLP(Fc))
将Fs与Fc的对应元素进行相乘操作，得到Fw，然后进行求和池化操作，最后使用多层感知器得到最终融合后的几何特征Fresult。