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！

龙图腾网获悉西安工业大学申请的专利基于三维点云的建筑物识别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：CN120526319B 。

龙图腾网通过国家知识产权局官网在2025-09-23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：202511024040.4，技术领域涉及：G06V20/10；该发明授权基于三维点云的建筑物识别方法及系统是由肖锋;王帅普;齐珂;黄姝娟;铁小辉;范宝余;陈磊设计研发完成，并于2025-07-24向国家知识产权局提交的专利申请。

本基于三维点云的建筑物识别方法及系统在说明书摘要公布了：本申请提供的基于三维点云的建筑物识别方法及系统，具体涉及计算机视觉与三维目标识别技术领域，该方法先对输入的建筑物屋顶点云数据进行欠采样、过采样及数据增强预处理，再经T‑net网络空间对齐输出对齐后数据。接着通过改进PCT模型获得NEW_PCT模型，并将对齐后数据输入NEW_PCT模型，通过线性编码层生成点云特征矩阵，经线性变换得查询、键、值矩阵，引入偏置矩阵计算多头注意力输出，拼接融合后得中间关联特征，经全局最大池化生成全局特征向量。最后将该向量输入分类器，输出建筑物屋顶类型，该方法解决了如何在提升三维点云建筑物识别的精度与鲁棒性的同时，克服几何变换敏感性与局部特征丢失的技术问题，从而有效提升识别精度与鲁棒性。

本发明授权基于三维点云的建筑物识别方法及系统在权利要求书中公布了：1.一种基于三维点云的建筑物识别方法，其特征在于，包括： 步骤1、对输入的建筑物屋顶点云数据通过欠采样、过采样、数据增强以获得预处理后屋顶点云数据； 步骤2、将所述预处理后屋顶点云数据通过T-net网络进行空间对齐，并输出对齐后的屋顶点云数据P'=P·T，其中P为原始点云数据，T为T-net网络生成的3×3变换矩阵； 步骤3、改进PCT模型以获取NEW_PCT模型，所述改进PCT模型以获取NEW_PCT模型具体包括：将所述PCT模型中的自注意力模块替换为多头偏置注意力模块，每个头的注意力计算均引入可学习的偏置矩阵B∈，其中所述多头偏置注意力模块的结构包括： 多头并行计算单元：所述多头并行计算单元用于将所述对齐后的屋顶点云数据的输入特征拆分为8个独立计算分支，每个所述计算分支通过线性变换生成查询、键、值参数，并附带一个可学习的偏置矩阵，所述可学习的偏置矩阵用于动态强化所述对齐后的屋顶点云数据中局部区域的注意力权重； 偏置增强的注意力权重计算单元：在每个所述计算分支中，通过叠加偏置矩阵调整点之间的关联强度，使所述PCT模型自动聚焦建筑物屋顶的屋脊线或坡面边缘以抑制噪声与冗余点干扰； 多尺度特征融合单元：将8个独立计算分支的输出按特征维度拼接，通过线性变换融合为统一特征，并结合残差连接与归一化操作以保留原始输入信息； 步骤4、将所述对齐后的屋顶点云数据输入所述NEW_PCT模型，通过所述NEW_PCT模型中的多头偏置注意力机制提取全局特征向量，具体包括以下子步骤： 步骤4.1、将所述对齐后的点云数据通过所述NEW_PCT模型的线性编码层生成点云特征矩阵X∈，其中N为点云数量，d为特征维度； 步骤4.2、对所述点云特征矩阵X进行线性变换生成查询矩阵Q、键矩阵K、值矩阵V，并引入可学习的偏置矩阵B∈，通过以下公式计算多个注意力头的输出： ； 其中，为键矩阵的维度，为键矩阵的转置矩阵； 步骤4.3、将所述多个注意力头的输出进行拼接，并通过线性变换融合得到中间关联特征； 步骤4.4、对所述中间关联特征进行全局最大池化，生成所述全局特征向量，所述全局最大池化公式为： ； 其中，表示所述全局特征向量，表示所述中间关联特征中第i个点的特征向量，max表示对每个特征通道独立计算最大值； 步骤5、将所述全局特征向量输入所述NEW_PCT模型的分类器，输出建筑物屋顶类型。

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工业大学，其通讯地址为：710032 陕西省西安市金花北路4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”。