CN104504709B - 一种基于特征球的室外场景三维点云数据的分类方法 - Google Patents

Abstract

本发明涉及一种三维点云数据的分类方法，一种基于特征球的室外场景三维点云数据的分类方法，包括以下步骤：步骤1、构建条件随机场模型，步骤2、构造三维点云特征球，步骤3、计算点特征向量，步骤4、计算边特征向量，步骤5、计算团特征向量，步骤6、学习条件随机场模型的参数，步骤7、对三维点云数据进行推断分类。本发明通过三维点云特征球的构造，准确全面地计算了三维点云各层次的特征向量，准确可靠地分割了室外场景的三维点云，形成了性质统一的点云团，从而有效地解决了由于室外场景几何拓扑结构较为复杂等因素而引起的点云特征向量构造不完善和点云分割不准确的问题，极大地提高了室外场景三维点云数据分类识别的效果。

Description

一种基于特征球的室外场景三维点云数据的分类方法

技术领域

本发明涉及一种三维点云数据的分类方法，更具体地说，涉及一种基于特征球的室外场景三维点云数据的分类方法。

背景技术

随着三维扫描测距技术的发展，三维点云数据在逆向工程、工业检测、自主导航等领域的应用越来越为广泛。三维点云数据处理技术作为实现上述应用的基础，发挥了至关重要的作用。在三维点云数据处理技术中，三维点云数据的分类识别是一个非常重要的技术，尤其是针对室外场景的三维点云数据的分类识别，其对于移动机器人的目标识别、环境探测和自主导航，以及各种智能机械的自主作业，都有着极其重要的作用。

室外场景三维点云数据分类是指利用外部传感器来获取室外场景环境信息，并通过对环境信息的学习和挖掘，将其分割和分类为各种自然物体(地面、建筑、树木、车辆等)，以实现对环境的深入理解和对目标的准确分类。目前，基于三维点云数据的物体分类、目标分类和环境分析已经成为人工智能领域的前沿课题和研究热点。

目前，较为常见的室外场景三维点云数据分类方法主要是通过对离散点的分割以及特征的提取来实现的，特别是基于条件随机场模型的分类方法，条件随机场主要引用先验信息，将不确定性与先验知识相联系，通过利用观测到的变量，根据统计理论中的最优准则确定分类问题的目标函数，进而求解得到满足这些条件的最大可能分布，基于条件随机场模型的点云分类利用了点与点之间的邻域关系，并由这种邻域关系来构造“团”，依靠这些团和这种邻域关系推导出的几何特性，来对整幅场景进行推断，实现了很不错的分类效果，这是其他分类方法都没有的优势。然而基于条件随机场模型的分类方法在以下几个方面仍存在一些不足之处：1、条件随机场实现点云分类的基础是点云的分割，即点云的团的构造，但由于室外场景形状比较复杂，噪声比较大等，目前还没有较好的室外场景三维点云的分割方法，即缺乏可靠的团构造方法；2、点云特征向量的构造和计算是条件随机场分类的另一个重要组成部分，但目前在这一方面所提特征都相对简单，不能够准确描述室外场景中离散点的几何形状和拓扑结构。

发明内容

为了克服现有技术中存在的不足，本发明目的是提供一种基于特征球的室外场景三维点云数据的分类方法，以提高室外场景分类的准确性和可靠性。该方法针对一个室外场景，首先利用激光扫描测距仪获取室外场景的三维点云数据，其实质为三维空间中的一个点集，然后通过一定的点云分类方法，从室外场景三维点云数据中，准确可靠地分类出建筑、树木、汽车、地面等。该方法解决了由于室外场景几何拓扑结构较为复杂等因素而引起的点云特征向量构造不完善和点云分割(即团构造)不准确的问题，极大地提高了基于条件随机场模型的分类方法的分类效果。

为了实现上述发明目的，解决现有技术中所存在的问题，本发明采取的技术方案是：一种基于特征球的室外场景三维点云数据的分类方法，包括以下步骤：

步骤1、构建条件随机场模型：所述条件随机场模型为 其中：表示每一个点的能量势函数之和，N为点的个数，K为类的个数，f_i为第i个点的特征向量，为当某点属于第k类的权重，为第i个点属于第k类的值；表示每一条边的能量势函数之和，f_ij为第ij条边的特征向量，为当某边属于第k类的权重，为第ij条边属于第k类的值；表示每一个团即三维点云中的某一部分的能量势函数之和，f_c为第c个团的特征向量，为当某团属于第k类的权重，为第c个团属于第k类的值，Z为归一化因子系数；通过对该模型的学习和推断，即可将室外场景三维点云数据分为建筑、树木、汽车或地面类型；

步骤2、构造三维点云特征球：利用二叉搜索树算法构建每一个点的邻域，计算该邻域的协方差矩阵，并根据协方差矩阵特征值之间的大小关系，将三维点云分为三大类，即点性点C_p、线性点C_l和面性点C_s，再由此构造三维点云的特征球S_f；所述构造三维点云特征球，具体包括以下子步骤：

步骤(a)、利用二叉搜索树算法，来快速构建给定点p＝(x，y，z)的邻域N＝{p_i＝(x_i，y_i，z_i)|1≤i≤k}，其中：p_i为邻点，i为邻点的序号，k为邻点的个数；

步骤(b)、通过公式构建给定点p的邻域N的协方差矩阵M，T为向量转置符号，其将列向量转置为行向量，并求取协方差矩阵M的特征值λ₁、λ₂、λ₃，且λ₁＜λ₂＜λ₃，以及相应的特征向量v₁、v₂、v₃，最小特征值λ₁对应的特征向量v₁即为给定点p的法向量n＝(x_n，y_n，z_n)，最大特征值λ₃对应的特征向量v₃即为给定点p的切向量t＝(x_t，y_t，z_t)；

步骤(c)、若协方差矩阵M的特征值λ₁≈λ₂≈λ₃，即λ₃/λ₂≤8和λ₂/λ₁≤8，则给定点p与其邻点p_i呈散乱状分布，将给定点p分类为点性点C_p，若协方差矩阵M的特征值λ₁≈λ₂＜＜λ₃，即λ₃/λ₂＞8和λ₂/λ₁≤8，则给定点p与其邻点p_i呈直线状分布，将给定点p分类为线性点C_l，若协方差矩阵M的特征值λ₁＜＜λ₂≈λ₃，即λ₃/λ₂≤8和λ₂/λ₁＞8，则给定点p与其邻点p_i呈平面状分布，将给定点p分类为面性点C_s；

步骤(d)、以空间原点为圆心，构造一个同心三层球，内层球半径为r₁，中层球半径为r₂，外层球半径为r₃，且r₁＜r₂＜r₃，将所有点性点C_p映射到内层球，将所有线性点C_l的切向量映射到中层球，将所有面性点C_s的法向量映射到外层球，此三层同心球称为三维点云的特征球S_f；

步骤3、计算点特征向量：利用三维点云中每一个离散点的特征球和几何信息，来构造并计算条件随机场模型中的点特征向量f_i；所述计算点特征向量，具体包括以下子步骤：

步骤(a)、构造第i个点的特征向量f_i＝(f_i1，f_i2，...，f_i10)，其中，f_i1＝z_i为该点的高度；

步骤(b)、利用该点的特征球来获取其它特征，其中包括点性特征f_i2＝λ₃,线性特征f_i3＝λ₃-λ₂,面性特征f_i4＝λ₂-λ₁，点的切向量特征f_i5＝x_t，f_i6＝y_t，f_i7＝z_t及点的法向量特征f_i8＝x_n，f_i9＝y_n，f_i10＝z_n；

步骤4、计算边特征向量：利用三维点云中相邻两点之间边的端点的特征球和几何信息，来构造并计算条件随机场模型中的边特征向量f_ij；所述计算边特征向量，具体包括以下子步骤：

步骤(a)、利用步骤3分别计算第ij条边的两个端点的特征向量f_i和f_j；

步骤(b)、将该边的两个端点的特征向量相减，即可得该边的特征向量f_ij＝f_i-f_j，f_ij＝(f_ij1，f_ij2，...，f_ij10)；

步骤5、计算团特征向量：利用特征球对三维点云数据进行分割，以获取三维点云的团，并利用其中心点的特征球和几何信息，来构造并计算条件随机场模型中的团特征向量f_c；所述计算团特征向量，具体包括以下子步骤：

步骤(a)、首先，用Mean-Shift聚类算法在外层球上，对所有面性点的法向量的顶点进行聚类，进而可将面性点的法向量分为若干类，最终可将面性点初步分为若干个面性区域，然后，用K-means聚类算法对这些面性区域在空间位置上进行进一步的细分，将它们分割为一些空间位置独立的面性片段；

步骤(b)、首先，用Mean-Shift聚类算法在中层球上，对所有线性点的切向量的顶点进行聚类，进而可将线性点的切向量分为若干类，最终可将线性点初步分为若干个线性区域，然后，用K-means聚类算法对这些线性区域在空间位置上进行进一步的细分，将它们分割为一些空间位置独立的线性片段；

步骤(c)、利用K-means聚类算法对所有的点性点进行聚类，将它们分割为一些空间位置独立的点性片段；

步骤(d)、对于上述所获得的面性片段、线性片段和点性片段，每一个点云片段中点的几何属性基本一致，因此，每一个点云片段都构成了条件随机场模型中的一个团，构造第c个团的特征向量为f_c＝(f_c1，f_c2，...，f_c12)，其中，f_c1为该团的平均高度，f_c2为该团内点的个数，f_c3，...，f_c12为该团的中心点按照步骤3所计算出的特征向量；

步骤6、学习条件随机场模型的参数：在得到所有点特征向量、边特征向量和团特征向量后，通过训练点云样本，利用Max-margin方法对条件随机场模型进行学习，并获得模型的所有参数和

步骤7、对三维点云数据进行推断分类：在获得条件随机场的准确模型后，按照步骤3到步骤5的处理方法，计算三维点云测试数据的点特征向量、边特征向量和团特征向量，然后利用Graph-cut算法对三维点云测试数据进行推断，即可得到测试数据的分类结果。

本发明有益效果是：一种基于特征球的室外场景三维点云数据的分类方法，包括以下步骤：步骤1、构建条件随机场模型，步骤2、构造三维点云特征球，步骤3、计算点特征向量，步骤4、计算边特征向量，步骤5、计算团特征向量，步骤6、学习条件随机场模型的参数，步骤7、对三维点云数据进行推断分类：与已有技术相比，本发明创造性地构造了三维点云的特征球，该特征球集合了三维点云中每一个离散点的几何信息和拓扑信息，可以准确地描述三维点云的形状分布和几何拓扑结构。利用该特征球所构造的点特征向量、边特征向量和团特征向量，从微观、中观和宏观多个层面翔实准确地描述了三维点云的内部结构和特征取向，为室外场景三维点云的分类识别打下了坚实的基础。此外，利用三维点云的特征球还可有效地解决室外复杂场景分类中的点云分割问题，三维点云的特征球其本身就自然地将三维点云按照邻域结构分为点、线和面三大类，在特征球的不同球面上，还可以按照位置、切向和法向对三维点云进行进一步的细分，充分地保证了每一个点云分割片段(团)具有统一的几何拓扑属性，这极大地提高了室外场景三维点云分类的准确性和可靠性。

附图说明

图1是本发明方法步骤流程图。

图2是室外场景三维点云数据显示图。

图3是本发明特征球构造结果图。

图4是本发明室外场景面性点分割结果图。

图5是本发明室外场景线性点分割结果图。

图6是本发明室外场景点性点分割结果图。

图7是本发明室外场景建筑物分类结果图。

图8是本发明室外场景路面分类结果图。

图9是本发明室外场景车辆分类结果图。

图10是本发明室外场景树木分类结果图。

图11是本发明室外场景篱笆分类结果图。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，一种基于特征球的室外场景三维点云数据的分类方法，包括以下步骤：

步骤1、构建条件随机场模型：所述条件随机场模型为 其中：表示每一个点的能量势函数之和，N为点的个数，K为类的个数，f_i为第i个点的特征向量，为当某点属于第k类的权重，为第i个点属于第k类的值；表示每一条边的能量势函数之和，f_ij为第ij条边的特征向量，为当某边属于第k类的权重，为第ij条边属于第k类的值；表示每一个团即三维点云中的某一部分的能量势函数之和，f_c为第c个团的特征向量，为当某团属于第k类的权重，为第c个团属于第k类的值，Z为归一化因子系数；通过对该模型的学习和推断，即可将室外场景三维点云数据分为建筑、树木、汽车、地面等类型，如图2所示，测试室外场景由大约10万个点组成，其中包括建筑、树木、汽车、地面、篱笆等。

步骤2、构造三维点云特征球：利用二叉搜索树算法构建每一个点的邻域，计算该邻域的协方差矩阵，并根据协方差矩阵特征值之间的大小关系，将三维点云分为三大类，即点性点C_p、线性点C_l和面性点C_s，再由此构造三维点云的特征球S_f；所述构造三维点云特征球，具体包括以下子步骤：

步骤(a)、利用二叉搜索树算法，来快速构建给定点p＝(x，y，z)的邻域N＝{p_i＝(x_i，y_i，z_i)|1≤i≤k}，其中：p_i为邻点，i为邻点的序号，k为邻点的个数；

步骤(b)、通过公式构建给定点p的邻域N的协方差矩阵M，T为向量转置符号，其将列向量转置为行向量，并求取协方差矩阵M的特征值λ₁、λ₂、λ₃，且λ₁＜λ₂＜λ₃，以及相应的特征向量v₁、v₂、v₃，最小特征值λ₁对应的特征向量v₁即为给定点p的法向量n＝(x_n，y_n，z_n)，最大特征值λ₃对应的特征向量v₃即为给定点p的切向量t＝(x_t，y_t，z_t)；

步骤(c)、若协方差矩阵M的特征值λ₁≈λ₂≈λ₃，即λ₃/λ₂≤8和λ₂/λ₁≤8，则给定点p与其邻点p_i呈散乱状分布，将给定点p分类为点性点C_p，若协方差矩阵M的特征值λ₁≈λ₂＜＜λ₃，即λ₃/λ₂＞8和λ₂/λ₁≤8，则给定点p与其邻点p_i呈直线状分布，将给定点p分类为线性点C_l，若协方差矩阵M的特征值λ₁＜＜λ₂≈λ₃，即λ₃/λ₂≤8和λ₂/λ₁＞8，则给定点p与其邻点p_i呈平面状分布，将给定点p分类为面性点C_s；

步骤(d)、以空间原点为圆心，构造一个同心三层球，内层球半径为r₁，中层球半径为r₂，外层球半径为r₃，且r₁＜r₂＜r₃，将所有点性点C_p映射到内层球，将所有线性点C_l的切向量映射到中层球，将所有面性点C_s的法向量映射到外层球，此三层同心球称为三维点云的特征球S_f，如图3所示。

步骤3、计算点特征向量：利用三维点云中每一个离散点的特征球和几何信息，来构造并计算条件随机场模型中的点特征向量f_i；所述计算点特征向量，具体包括以下子步骤：

步骤(a)、构造第i个点的特征向量f_i＝(f_i1，f_i2，...，f_i10)，其中，f_i1＝z_i为该点的高度；

步骤(b)、利用该点的特征球来获取其它特征，其中包括点性特征f_i2＝λ₃,线性特征f_i3＝λ₃-λ₂,面性特征f_i4＝λ₂-λ₁，点的切向量特征f_i5＝x_t，f_i6＝y_t，f_i7＝z_t及点的法向量特征f_i8＝x_n，f_i9＝y_n，f_i10＝z_n。

步骤4、计算边特征向量：利用三维点云中相邻两点之间边的端点的特征球和几何信息，来构造并计算条件随机场模型中的边特征向量f_ij；所述计算边特征向量，具体包括以下子步骤：

步骤(a)、利用步骤3分别计算第ij条边的两个端点的特征向量f_i和f_j；

步骤(b)、将该边的两个端点的特征向量相减，即可得该边的特征向量f_ij＝f_i-f_j，f_ij＝(f_ij1，f_ij2，...，f_ij10)。

步骤5、计算团特征向量：利用特征球对三维点云数据进行分割，以获取三维点云的团，并利用其中心点的特征球和几何信息，来构造并计算条件随机场模型中的团特征向量f_c；所述计算团特征向量，具体包括以下子步骤：

步骤(a)、首先，用Mean-Shift聚类算法在外层球上，对所有面性点的法向量的顶点进行聚类，进而可将面性点的法向量分为若干类，最终可将面性点初步分为若干个面性区域，然后，用K-means聚类算法对这些面性区域在空间位置上进行进一步的细分，将它们分割为一些空间位置独立的面性片段，如图4所示；

步骤(b)、首先，用Mean-Shift聚类算法在中层球上，对所有线性点的切向量的顶点进行聚类，进而可将线性点的切向量分为若干类，最终可将线性点初步分为若干个线性区域，然后，用K-means聚类算法对这些线性区域在空间位置上进行进一步的细分，将它们分割为一些空间位置独立的线性片段，如图5所示；

步骤(c)、利用K-means聚类算法对所有的点性点进行聚类，将它们分割为一些空间位置独立的点性片段，如图6所示；

步骤(d)、对于上述所获得的面性片段、线性片段和点性片段，每一个点云片段中点的几何属性基本一致，因此，每一个点云片段都构成了条件随机场模型中的一个团，构造第c个团的特征向量为f_c＝(f_c1，f_c2，...，f_c12)，其中，f_c1为该团的平均高度，f_c2为该团内点的个数，f_c3，...，f_c12为该团的中心点按照步骤3所计算出的特征向量。

步骤6、学习条件随机场模型的参数：在得到所有点特征向量、边特征向量和团特征向量后，通过训练点云样本，利用Max-margin方法对条件随机场模型进行学习，并获得模型的所有参数和

步骤7、对三维点云数据进行推断分类：在获得条件随机场的准确模型后，按照步骤3到步骤5的处理方法，计算三维点云测试数据的点特征向量、边特征向量和团特征向量，然后利用Graph-cut算法对三维点云测试数据进行推断，即可得到测试数据的分类结果，如图7至图11所示。

本发明优点在于：本发明通过三维点云特征球的构造，准确全面地计算了三维点云各层次的特征向量，准确可靠地分割了室外场景的三维点云，形成了性质统一的点云团，从而有效地解决了由于室外场景几何拓扑结构较为复杂等因素而引起的点云特征向量构造不完善和点云分割不准确的问题，极大地提高了室外场景三维点云数据分类识别的效果。本发明由中央高校基本科研业务费专项资金资助(项目编号：DUT13LAB04)。

Claims (1)

1.一种基于特征球的室外场景三维点云数据的分类方法，其特征在于包括以下步骤：

步骤1、构建条件随机场模型：所述条件随机场模型为 其中：表示每一个点的能量势函数之和，N为点的个数，K为类的个数，f_i为第i个点的特征向量，为当某点属于第k类的权重，为第i个点属于第k类的值；表示每一条边的能量势函数之和，E为边的集合，f_ij为第ij条边的特征向量，为当某边属于第k类的权重，为第ij条边属于第k类的值；表示每一个团即三维点云中的某一部分的能量势函数之和，S为团的集合，f_c为第c个团的特征向量，为当某团属于第k类的权重，为第c个团属于第k类的值，Z为归一化因子系数；通过对该模型的学习和推断，即可将室外场景三维点云数据分为建筑、树木、汽车或地面类型；

步骤2、构造三维点云特征球：利用二叉搜索树算法构建每一个点的邻域，计算该邻域的协方差矩阵，并根据协方差矩阵特征值之间的大小关系，将三维点云分为三大类，即点性点C_p、线性点C_l和面性点C_s，再由此构造三维点云的特征球S_f；所述构造三维点云特征球，具体包括以下子步骤：

步骤(a)、利用二叉搜索树算法，来快速构建给定点p＝(x,y,z)的邻域N＝{p_i＝(x_i,y_i,z_i)|1≤i≤k}，其中：p_i为邻点，i为邻点的序号，k为邻点的个数；

步骤(b)、通过公式构建给定点p的邻域N的协方差矩阵M，T为向量转置符号，其将列向量转置为行向量，并求取协方差矩阵M的特征值λ₁、λ₂、λ₃，且λ₁<λ₂<λ₃，以及相应的特征向量v₁、v₂、v₃，最小特征值λ₁对应的特征向量v₁即为给定点p的法向量n＝(x_n,y_n,z_n)，最大特征值λ₃对应的特征向量v₃即为给定点p的切向量t＝(x_t,y_t,z_t)；

步骤(c)、若协方差矩阵M的特征值λ₁≈λ₂≈λ₃，即λ₃/λ₂≤8和λ₂/λ₁≤8，则给定点p与其邻点p_i呈散乱状分布，将给定点p分类为点性点C_p，若协方差矩阵M的特征值λ₁≈λ₂＜＜λ₃，即λ₃/λ₂>8和λ₂/λ₁≤8，则给定点p与其邻点p_i呈直线状分布，将给定点p分类为线性点C_l，若协方差矩阵M的特征值λ₁＜＜λ₂≈λ₃，即λ₃/λ₂≤8和λ₂/λ₁>8，则给定点p与其邻点p_i呈平面状分布，将给定点p分类为面性点C_s；

步骤(d)、以空间原点为圆心，构造一个同心三层球，内层球半径为r₁，中层球半径为r₂，外层球半径为r₃，且r₁<r₂<r₃，将所有点性点C_p映射到内层球，将所有线性点C_l的切向量映射到中层球，将所有面性点C_s的法向量映射到外层球，此三层同心球称为三维点云的特征球S_f；

步骤3、计算点特征向量：利用三维点云中每一个离散点的特征球和几何信息，来构造并计算条件随机场模型中的点特征向量f_i；所述计算点特征向量，具体包括以下子步骤：

步骤(a)、构造第i个点的特征向量f_i＝(f_i1,f_i2,…,f_i10)，其中，f_i1＝z_i为该点的高度；

步骤(b)、利用该点的特征球来获取其它特征，其中包括点性特征f_i2＝λ₃,线性特征f_i3＝λ₃-λ₂,面性特征f_i4＝λ₂-λ₁，点的切向量特征f_i5＝x_t，f_i6＝y_t，f_i7＝z_t及点的法向量特征f_i8＝x_n，f_i9＝y_n，f_i10＝z_n；

步骤4、计算边特征向量：利用三维点云中相邻两点之间边的端点的特征球和几何信息，来构造并计算条件随机场模型中的边特征向量f_ij；所述计算边特征向量，具体包括以下子步骤：

步骤(a)、利用步骤3分别计算第ij条边的两个端点的特征向量f_i和f_j；

步骤(b)、将该边的两个端点的特征向量相减，即可得该边的特征向量f_ij＝f_i-f_j，f_ij＝(f_ij1,f_ij2,…,f_ij10)，其中，f_ij1＝f_i1-f_i1，f_ij2＝f_i2-f_j2，…，f_ij10＝f_i10-f_j10，i为第ij条边的一个端点的序号，j为第ij条边的另一个端点的序号；

步骤5、计算团特征向量：利用特征球对三维点云数据进行分割，以获取三维点云的团，并利用其中心点的特征球和几何信息，来构造并计算条件随机场模型中的团特征向量f_c；所述计算团特征向量，具体包括以下子步骤：

步骤(a)、首先，用Mean-Shift聚类算法在外层球上，对所有面性点的法向量的顶点进行聚类，进而可将面性点的法向量分为若干类，最终可将面性点初步分为若干个面性区域，然后，用K-means聚类算法对这些面性区域在空间位置上进行进一步的细分，将它们分割为一些空间位置独立的面性片段；

步骤(b)、首先，用Mean-Shift聚类算法在中层球上，对所有线性点的切向量的顶点进行聚类，进而可将线性点的切向量分为若干类，最终可将线性点初步分为若干个线性区域，然后，用K-means聚类算法对这些线性区域在空间位置上进行进一步的细分，将它们分割为一些空间位置独立的线性片段；

步骤(c)、利用K-means聚类算法对所有的点性点进行聚类，将它们分割为一些空间位置独立的点性片段；

步骤(d)、对于上述所获得的面性片段、线性片段和点性片段，每一个点云片段都构成了条件随机场模型中的一个团，构造第c个团的特征向量为f_c＝(f_c1,f_c2,…,f_c12)，其中，f_c1为该团的平均高度，f_c2为该团内点的个数，f_c3,…,f_c12为该团的中心点按照步骤3所计算出的特征向量；

步骤6、学习条件随机场模型的参数：在得到所有点特征向量、边特征向量和团特征向量后，通过训练点云样本，利用Max-margin方法对条件随机场模型进行学习，并获得模型的所有参数和

步骤7、对三维点云数据进行推断分类：在获得条件随机场的准确模型后，按照步骤3到步骤5的处理方法，计算三维点云测试数据的点特征向量、边特征向量和团特征向量，然后利用Graph-cut算法对三维点云测试数据进行推断，即可得到测试数据的分类结果。