CN112348056A - 点云数据分类方法、装置、设备及可读存储介质 - Google Patents

点云数据分类方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN112348056A
CN112348056A CN202011114532.XA CN202011114532A CN112348056A CN 112348056 A CN112348056 A CN 112348056A CN 202011114532 A CN202011114532 A CN 202011114532A CN 112348056 A CN112348056 A CN 112348056A
Authority
CN
China
Prior art keywords
point cloud
feature vector
dimension
preset
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011114532.XA
Other languages
English (en)
Inventor
高伟
杨丁豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University Shenzhen Graduate School
Original Assignee
Peking University Shenzhen Graduate School
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Peking University Shenzhen Graduate School filed Critical Peking University Shenzhen Graduate School
Priority to CN202011114532.XA priority Critical patent/CN112348056A/zh
Publication of CN112348056A publication Critical patent/CN112348056A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种点云数据分类方法、装置、设备及可读存储介质，该方法包括步骤：提取预设点云数据的点云特征向量；基于预设升维算法对所述点云特征向量进行升维，得到升维后点云特征向量；对所述升维后点云特征向量进行分类，得到分类结果。本发明实现了通过预设升维算法对点云特征向量进行升维，得到升维后点云特征向量，升维后点云特征向量的维度高于点云特征向量的维度，从而丰富了对点云数据进行分类时的输入特征，使得升维后点云特征向量的特征表示能力强于点云特征向量的特征表示能力，进而提高了点云数据分类结果的准确性。

Description

点云数据分类方法、装置、设备及可读存储介质
技术领域
本发明涉及点云数据处理技术领域，尤其涉及一种点云数据分类方法、装置、设备及可读存储介质。
背景技术
随着计算能力的提升和数据量的大幅增加，深度学习技术在近年来取得了突破式的发展，在计算机视觉，自然语言处理等领域都取得了显著的成果。计算机视觉方面，图像分类、人脸识别、目标检测、语义分割等任务上，深度神经网络都取得了超过传统方法以及人类能力的效果。近年来，GNN(Graph Neural Network，图神经网络)发展迅速，二维数字图像、社交网络、三维点集等数据都可以使用图的形式进行表达，利用深度神经网络强大的拟合能力学习图节点之间的潜在关系，提取特征，再结合具体任务进行损失函数设计，使得图神经网络具备处理多种类型任务的能力。最近几年，一方面由于深度学习在二维图像处理领域的一些任务上已经取得了满足实际应用场景的效果，另一方面得益于激光雷达等设备的发展，三维数据更容易获得，因此，越来越多的注意力被放到了深度学习应用于三维数据分析领域，3D点云作为三维数据的代表，在室内导航、自动驾驶、虚拟现实等领域均有广泛应用，而点的特性适用于图表达，将图神经网络运用与点云分析处理，成为了一个具有探索价值的方向。
然而，现有的点云分析处理方法在处理点云数据分类任务时，由于输入特征较简单，特征表示能力较低，使得分类结果准确性较低。
由此可知，目前的点云分析处理方法存在在处理点云数据分类任务时，准确性低的问题。
发明内容
本发明的主要目的在于提供一种点云数据分类方法、装置、设备及可读存储介质，旨在解决现有的点云数据分类结果的准确性低的技术问题。
为实现上述目的，本发明提供一种点云数据分类方法，所述点云数据分类方法包括步骤：
提取预设点云数据的点云特征向量；
基于预设升维算法对所述点云特征向量进行升维，得到升维后点云特征向量；
对所述升维后点云特征向量进行分类，得到分类结果。
可选地，所述基于预设升维算法对所述点云特征向量进行升维，得到升维后点云特征向量，包括：
基于预设降维算法对所述点云特征向量进行降维，得到降维后点云特征向量；
基于预设特征连接方法连接所述降维后点云特征向量对应的低维特征和所述点云特征向量对应的原始特征，得到升维后点云特征向量。
可选地，所述基于预设降维算法对所述点云特征向量进行降维，得到降维后点云特征向量，包括：
基于k近邻算法和局部线性嵌套获取所述点云特征向量对应的点在降维后空间下的表达；
基于所述降维后空间下的表达对各所述点进行降维，得到降维后点云特征向量。
可选地，所述基于预设降维算法对所述点云特征向量进行降维，得到降维后点云特征向量，还包括：
投影所述点云特征向量对应的点至预设投影平面，得到降维后点云特征向量。
可选地，所述对所述升维后点云特征向量进行分类，得到分类结果，包括：
基于k近邻算法和预设图神经网络对所述升维后点云特征向量进行特征嵌套，得到特征嵌套后点云特征向量；
对所述特征嵌套后点云特征向量进行分类，得到分类结果。
可选地，所述基于k近邻算法和预设图神经网络对所述升维后点云特征向量进行特征嵌套，得到特征嵌套后点云特征向量，包括：
基于k近邻算法和预设图神经网络构建所述升维后点云特征向量对应的点云图；
对所述点云图中的点特征与所述点云图中的边特征进行特征嵌套，得到特征嵌套后点云特征向量。
可选地，所述对所述特征嵌套后点云特征向量进行分类，得到分类结果，包括：
对所述特征嵌套后点云特征向量进行卷积操作，得到卷积后点云特征向量；
对所述卷积后点云特征向量进行最大池化操作，得到池化后点云特征向量；
基于多层感知机将所述池化后点云特征向量处理为预设维数的目标点云特征向量；
对所述目标点云特征向量进行分类，得到分类结果。
此外，为实现上述目的，本发明还提供一种点云数据分类装置，所述点云数据分类装置包括：
提取模块，用于提取预设点云数据的点云特征向量；
升维模块，用于基于预设升维算法对所述点云特征向量进行升维，得到升维后点云特征向量；
分类模块，用于对所述升维后点云特征向量进行分类，得到分类结果。
此外，为实现上述目的，本发明还提供一种点云数据分类设备，所述点云数据分类设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的点云数据分类程序，所述点云数据分类程序被所述处理器执行时实现如上所述的点云数据分类方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有点云数据分类程序，所述点云数据分类程序被处理器执行时实现如上所述的点云数据分类方法的步骤。
本发明通过提取预设点云数据的点云特征向量；基于预设升维算法对所述点云特征向量进行升维，得到升维后点云特征向量；对所述升维后点云特征向量进行分类，得到分类结果。实现了通过预设升维算法对点云特征向量进行升维，得到升维后点云特征向量，升维后点云特征向量的维度高于点云特征向量的维度，从而丰富了对点云数据进行分类时的输入特征，使得升维后点云特征向量的特征表示能力强于点云特征向量的特征表示能力，进而提高了点云数据分类结果的准确性。
附图说明
图1是本发明点云数据分类方法第一实施例的流程示意图；
图2是本发明实施例中一流形学习的过程示意图；
图3是本发明实施例中又一流形学习的过程示意图；
图4是本发明点云数据分类方法第四实施例的流程示意图；
图5是本发明点云数据分类装置较佳实施例的功能模块示意图；
图6是本发明实施例方案涉及的硬件运行环境的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种点云数据分类方法，参照图1，图1为本发明点云数据分类方法第一实施例的流程示意图。
本发明实施例提供了点云数据分类方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。点云数据分类方法可应用于服务器中，为了便于描述，以下省略执行主体描述点云数据分类方法的各个步骤。点云数据分类方法包括：
步骤S110，提取预设点云数据的点云特征向量。
具体地，本实施例中，预设点云数据通过分类网络进行分类，该分类网络的输入为预设点云数据。具体地，提取预设点云数据的点云特征向量。需要说明的是，点云数据是某个坐标系(例如三维空间坐标系)下的点的数据集，上述点包含了丰富的信息，例如三维坐标X、Y、Z，颜色，分类值，强度值，时间等等。本实施例所使用的点云数据为ModelNet40，其中的点包含三维坐标X、Y、Z这些信息。可以理解的是，该点云特征向量由三维坐标X、Y、Z组成，例如点A的点云特征向量为(1,2,3)。
需要说明的是，该分类网络基于DGCNN(Dynamic Graph Convolutional NeuralNetwork，动态图卷积神经网络)实现。需要说明的是，由于该分类网络的输入特征向量的维数高于DGCNN的输入特征向量的维数要求，本发明在主干网络的基础上增加了一个动态的通道控制模块，该通道控制模块用于调整主干网络中每一层的通道大小来适应不同的输入数据维数。
步骤S120，基于预设升维算法对所述点云特征向量进行升维，得到升维后点云特征向量；
步骤S130，对所述升维后点云特征向量进行分类，得到分类结果。
具体地，基于预设升维算法对点云特征向量进行升维，得到升维后点云特征向量，例如，将三维点云特征向量升至四维点云特征向量、将三维点云特征向量升至五维点云特征向量等；对升维后点云特征向量进行分类，得到分类结果。
上述基于预设升维算法对所述点云特征向量进行升维，得到升维后点云特征向量，包括：
步骤a，基于预设降维算法对所述点云特征向量进行降维，得到降维后点云特征向量。
具体地，基于预设降维算法对点云特征向量进行降维，得到降维后点云特征向量，可以理解，三维点云特征向量可降维至二维点云特征向量，即从空间向量降维至平面向量。
步骤b，基于预设特征连接方法连接所述降维后点云特征向量对应的低维特征和所述点云特征向量对应的原始特征，得到升维后点云特征向量。
具体地，基于预设特征连接方法连接(或拼接)降维后点云特征向量对应的低维特征(例如二维特征)和点云特征向量对应的原始特征(即三维特征)，得到升维后点云特征向量(即五维点云特征向量)，其中，预设特征连接方法与预设降维算法相对应。需要说明的是，连接(或拼接)降维后点云特征向量对应的低维特征(例如二维特征)和点云特征向量对应的原始特征的过程又称为根据降维后点云特征向量对应的低维特征对点云特征向量进行特征嵌套的过程，经过特征嵌套的点云特征向量其特征表示能力优于特征嵌套前的点云特征向量的特征表示能力，并且可以提高后续分类过程的分类性能。例如，点云特征向量为(1,2,3)，经过预设降维算法对点云特征向量进行降维后，得到降维后点云特征向量(1,2)，连接(1,2,3)和(1,2)后，得到升维后点云特征向量(1,2,3,1,2)。
本实施例通过提取预设点云数据的点云特征向量；基于预设升维算法对所述点云特征向量进行升维，得到升维后点云特征向量；对所述升维后点云特征向量进行分类，得到分类结果。实现了通过预设升维算法对点云特征向量进行升维，得到升维后点云特征向量，升维后点云特征向量的维度高于点云特征向量的维度，从而丰富了对点云数据进行分类时的输入特征，使得升维后点云特征向量的特征表示能力强于点云特征向量的特征表示能力，进而提高了点云数据分类结果的准确性。
基于上述本发明点云数据分类方法第一实施例，提出第二实施例，所述基于预设降维算法对所述点云特征向量进行降维，得到降维后点云特征向量，包括：
步骤a1，基于k近邻算法和局部线性嵌套获取所述点云特征向量对应的点在降维后空间下的表达。
具体地，点云特征向量降维的过程为流形学习的过程，需要说明的是，假设数据是均匀采样于一个高维空间中的低维流形，流形学习就是从高维采样数据中恢复低维流形结构，即找到高维空间中的低维流形，并求出相应的嵌入映射，以实现维数约简或者数据可视化，参照图2，图2为由三维点云数据得到二维点云数据的过程。用于流形学习的方法包括局部线性嵌套，通过局部线性嵌套可获取点云特征向量对应的点在降维后空间下的表达，而局部线性嵌套包含计算样本点(点云特征向量对应的点)的近邻点的过程。
需要说明的是，局部线性嵌套以相对距离为约束求点在低维空间下的表达，其关注于局部范围内点的相对距离尽量不变，即可以认为点可以通过该点的近邻点的特征进行重构，此外，通过局部线性嵌套对高维空间的点进行降维后，低维空间下的点与点之间的位置关系得到了保留，即在高维空间上测地线距离远的点，在低维空间上其测地线距离同样远；在高维空间上测地线距离近的点，在低维空间上其测地线距离同样近。
具体地，局部线性嵌套需要计算出每个样本点的预设个数的近邻点，其中，预设个数为预设给定值，可根据具体需要进行设置。计算近邻点的方法包括k近邻算法和球体法，其中k近邻算法通过计算其他点与中心点(样本点)之间的距离并取离中心点最近的预设个数的点作为近邻点；而球体法则通过设置一定的采样半径r，并将与中心点的距离d小于采样半径r的所有点作为近邻点。本实施例采用k近邻算法进行阐述。
具体地，在计算每个样本点的预设个数的近邻点时，还需计算各样本点与各预设个数的近邻点之间的线性关系，以得到权重系数W，根据各样本点的权重系数W即可得到各样本点在降维后空间(欧氏空间)下的表达。
例如，设存在点集
Figure BDA0002728186620000071
其在原空间中的测地线距离为
Figure BDA0002728186620000072
中心点为pi，则有：
Figure BDA0002728186620000073
其中，
Figure BDA0002728186620000074
是由pi的n个相邻点构成的邻域，权重系数W＝[w1,...,wn]，
Figure BDA0002728186620000075
由此可得权重矩阵W为：
Figure BDA0002728186620000076
为了获取点云特征向量对应的点在降维后空间下的表达，局部线性嵌套优化的目标函数为：
Figure BDA0002728186620000077
其中，
Figure BDA0002728186620000078
为点集P在降维后空间下的表达，
Figure BDA0002728186620000079
d和r均为特征维度。
步骤a2，基于所述降维后空间下的表达对各所述点进行降维，得到降维后点云特征向量。
具体地，基于降维后空间下的表达对各点进行降维，即在得到点集P中各样本点在降维后空间下的表达后，对各样本点进行降维，得到降维后点云特征向量。
需要说明的是，对于上述升维后点云特征向量，本实施例中用
Figure BDA0002728186620000085
表示局部线性嵌套，点云特征向量为(x,y,z)，
Figure BDA0002728186620000081
表示点集P对应的升维后点云特征向量，其中，b＝r+d＝5。由此可得经过局部线性嵌套处理后的升维后点云特征向量FLLE，FLLE的表达式为：
Figure BDA0002728186620000082
本实施例中，通过k近邻算法和局部线性嵌套对点云特征向量对应的点进行降维，使得点与点之间的位置关系得到了保存，避免了在分析点云的局部特征时直接使用欧氏空间距离而导致降维过程中点的信息的丢失，进而保证了点云数据的信息完整性。
基于上述本发明点云数据分类方法第一实施例，提出第三实施例，所述基于预设降维算法对所述点云特征向量进行降维，得到降维后点云特征向量，还包括：
步骤a3，投影所述点云特征向量对应的点至预设投影平面，得到降维后点云特征向量。
具体地，与传统的流形学习利用不同空间的距离进行降维不同，本发明设计了一种新的神经网络结构来完成降维任务。
具体地，通过将点云特征向量对应的点投影至预设投影平面(例如三维空间下x＝0、y＝0、z＝0这三个投影平面)，得到降维后点云特征向量。
具体地，假设Ax+By+Cz+D＝0是三维欧氏空间下的任一平面，
pi(xi,yi,zi)是该空间中任意一点，p′i(x′i,y′i,z′i)是pi在上述平面上的投影点，根据垂直关系，可以得到参数方程：
Figure BDA0002728186620000083
因为p′i在平面上，可以通过代入平面方程求解t：
Figure BDA0002728186620000084
由此可以求解得到p′i的坐标和投影函数S，而流形学习是从高维空间到低维空间的非线性映射，因此本发明提出了一个基于S的非线性函数
Figure BDA0002728186620000091
来表示流形投影：
Figure BDA0002728186620000092
其中，β表示投影平面，非线性函数
Figure BDA0002728186620000093
的定义如下：
Figure BDA0002728186620000094
其中，
Figure BDA0002728186620000095
是激活函数，QΘ是用多层感知机实现的用来拟合映射关系的函数。由此可以得到
Figure BDA0002728186620000096
的完整表达式为：
Figure BDA0002728186620000097
需要说明的是，对于上述升维后点云特征向量，本实施例中取点云数据在x＝0、y＝0、z＝0这三个投影平面下的多角度视图特征(参照图3，图3为获取三维点云数据在一投影平面下的视图特征的过程)，连接该多角度视图特征和点云特征向量对应的原始特征，得到经过流形投影处理后的升维后点云特征向量FMP，FMP为：
Figure BDA0002728186620000098
其中，P为点集，P＝{p1,...,pn}。因此，升维后点云特征向量的特征维度为点云特征向量的原始特征的特征维度与三个投影平面对应的多角度视图特征的特征维度之和，而各投影平面对应的特征维度均为2，因此，经过流形投影处理后的升维后点云特征向量的特征维度为3+2×3，即9。
本实施例中，通过流形投影将点云特征向量对应的点投影至预设投影平面，以得到降维后点云特征向量，避免了在分析点云的局部特征时直接使用欧氏空间距离而导致降维过程中点的信息的丢失，进而保证了点云数据的信息完整性。
参照图4，基于上述本发明点云数据分类方法第二实施例或第三实施例，提出第四实施例，所述对所述升维后点云特征向量进行分类，得到分类结果，包括：
步骤S131，基于k近邻算法和预设图神经网络对所述升维后点云特征向量进行特征嵌套，得到特征嵌套后点云特征向量。
具体地，考虑到点云数据的特点，即点云数据的类别受点的几何绝对位置和相对位置的影响，因此每个点的特征嵌套应与近邻点相关，因此通过k近邻算法和预设图神经网络对升维后点云特征向量进行特征嵌套，得到特征嵌套后点云特征向量。通过在对点云特征向量升维的基础上继续进行特征嵌套，进一步丰富了点云特征向量的特征。
上述基于k近邻算法和预设图神经网络对所述升维后点云特征向量进行特征嵌套，得到特征嵌套后点云特征向量，包括：
步骤c，基于k近邻算法和预设图神经网络构建所述升维后点云特征向量对应的点云图。
具体地，在对升维后点云特征向量进行特征嵌套前，需要通过k近邻算法和预设图神经网络构建该升维后点云特征向量对应的点云图，需要说明的是，该点云图由点和边构成，其中，点云数据中没有初始的边的定义，因此在构建点云图的过程中需要人为定义边，该边对应的边特征向量可通过下式求得：
eij＝hΘ(fi,fj)
其中，eij表示点i与近邻点j的边特征向量，fi表示点i的特征向量，
Figure BDA0002728186620000101
表示点i的邻域，
Figure BDA0002728186620000102
hΘ(·,·)是用多层感知机实现的边卷积函数。
具体地，通过k近邻算法确定升维后点云特征向量对应的各样本点和与该各样本点对应的近邻点后，通过预设图神经网络(例如GCN(Graph Convolution Networks，图卷积网络))确定该各样本点与对应的各邻近点之间的边特征向量。例如，存在一样本点A(1,2,3)，存在一该样本点对应的近邻点B(3,4,5)，则样本点A与近邻点B的边特征向量为AB(2,2,2)。
步骤d，对所述点云图中的点特征与所述点云图中的边特征进行特征嵌套，得到特征嵌套后点云特征向量。
具体地，对该点云图中的点特征与该点云图中的边特征进行特征嵌套，得到特征嵌套后点云特征向量。该特征嵌套过程对应的函数为：
Figure BDA0002728186620000103
其中，g(·)表示对称函数，可以通过最大函数实现，fi′表示点i经过特征嵌套后得到的新特征向量。
步骤S132，对所述特征嵌套后点云特征向量进行分类，得到分类结果。
具体地，对特征嵌套后点云特征向量进行分类，即对预设点云数据进行分类，得到分类结果。
上述所述对所述特征嵌套后点云特征向量进行分类，得到分类结果，包括：
步骤e，对所述特征嵌套后点云特征向量进行卷积操作，得到卷积后点云特征向量。
具体地，对特征嵌套后点云特征向量进行卷积操作，其中，该卷积操作为边卷积操作，可通过下式实现：
Figure BDA0002728186620000111
其中，待学习参数Θ＝(θ1,...,θM,φ1,...,φM),M为卷积核的个数，即输出通道数，LeakyReLU(·+·)为激活函数，max(·)为最大函数。
需要说明的是，上述构建点云图和特征嵌套的过程由分类网络中的边卷积模块完成，该分类网络中设置有多个边卷积模块。
步骤f，对所述卷积后点云特征向量进行最大池化操作，得到池化后点云特征向量。
具体地，对卷积后点云特征向量进行最大池化操作，以得到最能反应该预设点云数据的特征。需要说明的是，在边卷积模块和最大池化操作中，卷积后点云特征向量和池化后点云特征向量的特征维度为k×t，根据经验数据，对于流形学习采用局部线性嵌套的方案，t的取值为1；对于流形学习采用流形投影的方案，t的取值为2。
步骤g，基于多层感知机将所述池化后点云特征向量处理为预设维数的目标点云特征向量。
具体地，通过多层感知机将池化后点云特征向量处理为预设维数的目标点云特征向量，其中，预设维数为点云数据分类任务的类别数，例如需要将点云数据分为10类，则预设维数为10。
步骤h，对所述目标点云特征向量进行分类，得到分类结果。
具体地，对目标点云特征向量进行分类，即通过激活函数(例如softmax)对目标点云特征向量进行激活，之后通过损失函数(例如交叉熵函数)计算损失，最终得到分类结果。
本实施例中，通过k近邻算法和预设图神经网络对升维后点云特征向量进行特征嵌套，提高了构建点云图的速度，进而提高了对预设点云数据进行分类的速度。
此外，本发明还提供一种点云数据分类装置，参照图5，所述点云数据分类装置包括：
提取模块10，用于提取预设点云数据的点云特征向量；
升维模块20，用于基于预设升维算法对所述点云特征向量进行升维，得到升维后点云特征向量；
分类模块30，用于对所述升维后点云特征向量进行分类，得到分类结果。
进一步地，所述升维模块20包括：
降维单元，用于基于预设降维算法对所述点云特征向量进行降维，得到降维后点云特征向量；
连接单元，用于基于预设特征连接方法连接所述降维后点云特征向量对应的低维特征和所述点云特征向量对应的原始特征，得到升维后点云特征向量。
进一步地，所述降维单元包括：
获取子单元，用于基于k近邻算法和局部线性嵌套获取所述点云特征向量对应的点在降维后空间下的表达；
降维子单元，用于基于所述降维后空间下的表达对各所述点进行降维，得到降维后点云特征向量。
进一步地，所述降维单元还包括：
投影子单元，用于投影所述点云特征向量对应的点至预设投影平面，得到降维后点云特征向量。
进一步地，所述分类模块30还包括：
特征嵌套单元，用于基于k近邻算法和预设图神经网络对所述升维后点云特征向量进行特征嵌套，得到特征嵌套后点云特征向量；
分类单元，用于对所述特征嵌套后点云特征向量进行分类，得到分类结果。
进一步地，所述特征嵌套单元包括：
构建子单元，用于基于k近邻算法和预设图神经网络构建所述升维后点云特征向量对应的点云图；
特征嵌套子单元，用于对所述点云图中的点特征与所述点云图中的边特征进行特征嵌套，得到特征嵌套后点云特征向量。
进一步地，所述分类单元包括：
卷积子单元，用于对所述特征嵌套后点云特征向量进行卷积操作，得到卷积后点云特征向量；
最大池化子单元，用于对所述卷积后点云特征向量进行最大池化操作，得到池化后点云特征向量；
处理子单元，用于基于多层感知机将所述池化后点云特征向量处理为预设维数的目标点云特征向量；
分类子单元，用于对所述目标点云特征向量进行分类，得到分类结果。
本发明点云数据分类装置具体实施方式与上述点云数据分类方法各实施例基本相同，在此不再赘述。
此外，本发明还提供一种点云数据分类设备。如图6所示，图6是本发明实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是，图6即可为点云数据分类设备的硬件运行环境的结构示意图。
如图6所示，该点云数据分类设备可以包括：处理器1001，例如CPU，存储器1005，用户接口1003，网络接口1004，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，点云数据分类设备还可以包括RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。
本领域技术人员可以理解，图6中示出的点云数据分类设备结构并不构成对点云数据分类设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图6所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及点云数据分类程序。其中，操作系统是管理和控制点云数据分类设备硬件和软件资源的程序，支持点云数据分类程序以及其它软件或程序的运行。
在图6所示的点云数据分类设备中，用户接口1003主要用于连接终端，与终端进行数据通信，如接收终端发送的点云数据；网络接口1004主要用于后台服务器，与后台服务器进行数据通信；处理器1001可以用于调用存储器1005中存储的点云数据分类程序，并执行如上所述的点云数据分类方法的步骤。
本发明点云数据分类设备具体实施方式与上述点云数据分类方法各实施例基本相同，在此不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有点云数据分类程序，所述点云数据分类程序被处理器执行时实现如上所述的点云数据分类方法的步骤。
本发明计算机可读存储介质具体实施方式与上述点云数据分类方法各实施例基本相同，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，设备，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种点云数据分类方法，其特征在于，所述点云数据分类包括以下步骤：
提取预设点云数据的点云特征向量；
基于预设升维算法对所述点云特征向量进行升维，得到升维后点云特征向量；
对所述升维后点云特征向量进行分类，得到分类结果。
2.如权利要求1所述的方法，其特征在于，所述基于预设升维算法对所述点云特征向量进行升维，得到升维后点云特征向量，包括：
基于预设降维算法对所述点云特征向量进行降维，得到降维后点云特征向量；
基于预设特征连接方法连接所述降维后点云特征向量对应的低维特征和所述点云特征向量对应的原始特征，得到升维后点云特征向量。
3.如权利要求2所述的方法，其特征在于，所述基于预设降维算法对所述点云特征向量进行降维，得到降维后点云特征向量，包括：
基于k近邻算法和局部线性嵌套获取所述点云特征向量对应的点在降维后空间下的表达；
基于所述降维后空间下的表达对各所述点进行降维，得到降维后点云特征向量。
4.如权利要求2所述的方法，其特征在于，所述基于预设降维算法对所述点云特征向量进行降维，得到降维后点云特征向量，还包括：
投影所述点云特征向量对应的点至预设投影平面，得到降维后点云特征向量。
5.如权利要求3或4所述的方法，其特征在于，所述对所述升维后点云特征向量进行分类，得到分类结果，包括：
基于k近邻算法和预设图神经网络对所述升维后点云特征向量进行特征嵌套，得到特征嵌套后点云特征向量；
对所述特征嵌套后点云特征向量进行分类，得到分类结果。
6.如权利要求5所述的方法，其特征在于，所述基于k近邻算法和预设图神经网络对所述升维后点云特征向量进行特征嵌套，得到特征嵌套后点云特征向量，包括：
基于k近邻算法和预设图神经网络构建所述升维后点云特征向量对应的点云图；
对所述点云图中的点特征与所述点云图中的边特征进行特征嵌套，得到特征嵌套后点云特征向量。
7.如权利要5所述的方法，其特征在于，所述对所述特征嵌套后点云特征向量进行分类，得到分类结果，包括：
对所述特征嵌套后点云特征向量进行卷积操作，得到卷积后点云特征向量；
对所述卷积后点云特征向量进行最大池化操作，得到池化后点云特征向量；
基于多层感知机将所述池化后点云特征向量处理为预设维数的目标点云特征向量；
对所述目标点云特征向量进行分类，得到分类结果。
8.一种点云数据分类装置，其特征在于，所述点云数据分类装置包括：
提取模块，用于提取预设点云数据的点云特征向量；
升维模块，用于基于预设升维算法对所述点云特征向量进行升维，得到升维后点云特征向量；
分类模块，用于对所述升维后点云特征向量进行分类，得到分类结果。
9.一种点云数据分类设备，其特征在于，所述点云数据分类包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的点云数据分类程序，所述点云数据分类程序被所述处理器执行时实现如权利要求1至7中任一项所述的点云数据分类方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有点云数据分类程序，所述点云数据分类程序被处理器执行时实现如权利要求1至7中任一项所述的点云数据分类方法的步骤。
CN202011114532.XA 2020-10-16 2020-10-16 点云数据分类方法、装置、设备及可读存储介质 Pending CN112348056A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011114532.XA CN112348056A (zh) 2020-10-16 2020-10-16 点云数据分类方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011114532.XA CN112348056A (zh) 2020-10-16 2020-10-16 点云数据分类方法、装置、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN112348056A true CN112348056A (zh) 2021-02-09

Family

ID=74362083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011114532.XA Pending CN112348056A (zh) 2020-10-16 2020-10-16 点云数据分类方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN112348056A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313830A (zh) * 2021-05-24 2021-08-27 华南理工大学 基于多分支图卷积神经网络的编码点云特征提取方法
CN113393474A (zh) * 2021-06-10 2021-09-14 北京邮电大学 一种基于特征融合的三维点云的分类和分割方法
CN115586506A (zh) * 2022-12-13 2023-01-10 南京慧尔视智能科技有限公司 一种抗干扰目标分类方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028327A (zh) * 2019-12-10 2020-04-17 深圳先进技术研究院 一种三维点云的处理方法、装置及设备
CN111242208A (zh) * 2020-01-08 2020-06-05 深圳大学 一种点云分类方法、分割方法及相关设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028327A (zh) * 2019-12-10 2020-04-17 深圳先进技术研究院 一种三维点云的处理方法、装置及设备
CN111242208A (zh) * 2020-01-08 2020-06-05 深圳大学 一种点云分类方法、分割方法及相关设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DINGHAO YANG 等: "Manifold-Net: Using Manifold Learning for Point Cloud Classification", 《ARXIV:2010.07215V1》, pages 1 - 10 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313830A (zh) * 2021-05-24 2021-08-27 华南理工大学 基于多分支图卷积神经网络的编码点云特征提取方法
CN113393474A (zh) * 2021-06-10 2021-09-14 北京邮电大学 一种基于特征融合的三维点云的分类和分割方法
CN113393474B (zh) * 2021-06-10 2022-05-13 北京邮电大学 一种基于特征融合的三维点云的分类和分割方法
CN115586506A (zh) * 2022-12-13 2023-01-10 南京慧尔视智能科技有限公司 一种抗干扰目标分类方法及装置

Similar Documents

Publication Publication Date Title
CN110321910B (zh) 面向点云的特征提取方法、装置及设备
CN108052624B (zh) 点云数据处理方法、装置及计算机可读存储介质
CN111144242B (zh) 一种三维目标检测方法、装置及终端
CN112348056A (zh) 点云数据分类方法、装置、设备及可读存储介质
CN112529015A (zh) 一种基于几何解缠的三维点云处理方法、装置及设备
CN111695494A (zh) 一种基于多视角卷积池化的三维点云数据分类方法
WO2022193335A1 (zh) 点云数据处理方法、装置、计算机设备和存储介质
US20230013451A1 (en) Information pushing method in vehicle driving scene and related apparatus
US11875424B2 (en) Point cloud data processing method and device, computer device, and storage medium
CN109885796B (zh) 一种基于深度学习的网络新闻配图匹配性检测方法
CN115457531A (zh) 用于识别文本的方法和装置
CN107301643B (zh) 基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法
CN111814874A (zh) 一种用于点云深度学习的多尺度特征提取增强方法及模块
CN111950570B (zh) 目标图像提取方法、神经网络训练方法及装置
CN111047630A (zh) 神经网络和基于神经网络的目标检测及深度预测方法
WO2023142602A1 (zh) 图像处理方法、装置和计算机可读存储介质
CN112529068B (zh) 一种多视图图像分类方法、系统、计算机设备和存储介质
CN112926548A (zh) 一种车道线检测方法、装置、电子设备及存储介质
CN110852327A (zh) 图像处理方法、装置、电子设备及存储介质
CN113762039A (zh) 一种交通标志牌的信息匹配方法及相关装置
CN112614110B (zh) 评估图像质量的方法、装置及终端设备
CN114049491A (zh) 指纹分割模型训练、指纹分割方法、装置、设备及介质
WO2023061195A1 (zh) 图像获取模型的训练方法、图像检测方法、装置及设备
Osuna-Coutiño et al. Structure extraction in urbanized aerial images from a single view using a CNN-based approach
CN115546554A (zh) 敏感图像的识别方法、装置、设备和计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination