買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉西安工業大學申請的專利基于三維點云的建筑物識別方法及系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120526319B 。

龍圖騰網通過國家知識產權局官網在2025-09-23發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202511024040.4，技術領域涉及：G06V20/10；該發明授權基于三維點云的建筑物識別方法及系統是由肖鋒;王帥普;齊珂;黃姝娟;鐵小輝;范寶余;陳磊設計研發完成，并于2025-07-24向國家知識產權局提交的專利申請。

本基于三維點云的建筑物識別方法及系統在說明書摘要公布了：本申請提供的基于三維點云的建筑物識別方法及系統，具體涉及計算機視覺與三維目標識別技術領域，該方法先對輸入的建筑物屋頂點云數據進行欠采樣、過采樣及數據增強預處理，再經T?net網絡空間對齊輸出對齊后數據。接著通過改進PCT模型獲得NEW_PCT模型，并將對齊后數據輸入NEW_PCT模型，通過線性編碼層生成點云特征矩陣，經線性變換得查詢、鍵、值矩陣，引入偏置矩陣計算多頭注意力輸出，拼接融合后得中間關聯特征，經全局最大池化生成全局特征向量。最后將該向量輸入分類器，輸出建筑物屋頂類型，該方法解決了如何在提升三維點云建筑物識別的精度與魯棒性的同時，克服幾何變換敏感性與局部特征丟失的技術問題，從而有效提升識別精度與魯棒性。

本發明授權基于三維點云的建筑物識別方法及系統在權利要求書中公布了：1.一種基于三維點云的建筑物識別方法，其特征在于，包括： 步驟1、對輸入的建筑物屋頂點云數據通過欠采樣、過采樣、數據增強以獲得預處理后屋頂點云數據； 步驟2、將所述預處理后屋頂點云數據通過T-net網絡進行空間對齊，并輸出對齊后的屋頂點云數據P'=P·T，其中P為原始點云數據，T為T-net網絡生成的3×3變換矩陣； 步驟3、改進PCT模型以獲取NEW_PCT模型，所述改進PCT模型以獲取NEW_PCT模型具體包括：將所述PCT模型中的自注意力模塊替換為多頭偏置注意力模塊，每個頭的注意力計算均引入可學習的偏置矩陣B∈，其中所述多頭偏置注意力模塊的結構包括： 多頭并行計算單元：所述多頭并行計算單元用于將所述對齊后的屋頂點云數據的輸入特征拆分為8個獨立計算分支，每個所述計算分支通過線性變換生成查詢、鍵、值參數，并附帶一個可學習的偏置矩陣，所述可學習的偏置矩陣用于動態強化所述對齊后的屋頂點云數據中局部區域的注意力權重； 偏置增強的注意力權重計算單元：在每個所述計算分支中，通過疊加偏置矩陣調整點之間的關聯強度，使所述PCT模型自動聚焦建筑物屋頂的屋脊線或坡面邊緣以抑制噪聲與冗余點干擾； 多尺度特征融合單元：將8個獨立計算分支的輸出按特征維度拼接，通過線性變換融合為統一特征，并結合殘差連接與歸一化操作以保留原始輸入信息； 步驟4、將所述對齊后的屋頂點云數據輸入所述NEW_PCT模型，通過所述NEW_PCT模型中的多頭偏置注意力機制提取全局特征向量，具體包括以下子步驟： 步驟4.1、將所述對齊后的點云數據通過所述NEW_PCT模型的線性編碼層生成點云特征矩陣X∈，其中N為點云數量，d為特征維度； 步驟4.2、對所述點云特征矩陣X進行線性變換生成查詢矩陣Q、鍵矩陣K、值矩陣V，并引入可學習的偏置矩陣B∈，通過以下公式計算多個注意力頭的輸出： ； 其中，為鍵矩陣的維度，為鍵矩陣的轉置矩陣； 步驟4.3、將所述多個注意力頭的輸出進行拼接，并通過線性變換融合得到中間關聯特征； 步驟4.4、對所述中間關聯特征進行全局最大池化，生成所述全局特征向量，所述全局最大池化公式為： ； 其中，表示所述全局特征向量，表示所述中間關聯特征中第i個點的特征向量，max表示對每個特征通道獨立計算最大值； 步驟5、將所述全局特征向量輸入所述NEW_PCT模型的分類器，輸出建筑物屋頂類型。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人西安工業大學，其通訊地址為：710032 陜西省西安市金花北路4號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。