CN113392937A - 一种3d点云数据分类方法及其相关装置 - Google Patents

一种3d点云数据分类方法及其相关装置 Download PDF

Info

Publication number
CN113392937A
CN113392937A CN202110873625.9A CN202110873625A CN113392937A CN 113392937 A CN113392937 A CN 113392937A CN 202110873625 A CN202110873625 A CN 202110873625A CN 113392937 A CN113392937 A CN 113392937A
Authority
CN
China
Prior art keywords
convolution
point cloud
classification
cloud data
sampling
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.)
Granted
Application number
CN202110873625.9A
Other languages
English (en)
Other versions
CN113392937B (zh
Inventor
李光平
梁鼎凯
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202110873625.9A priority Critical patent/CN113392937B/zh
Publication of CN113392937A publication Critical patent/CN113392937A/zh
Application granted granted Critical
Publication of CN113392937B publication Critical patent/CN113392937B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种3D点云数据分类方法及其相关装置，方法包括：提取待分类3D点云数据在若干个方向上的二维图像数据，并将各二维图像数据输入到预置分类模型中，预置分类模型包括若干个并行的特征提取模块和分类预测模块，特征提取模块由卷积层和小波变换层构成；通过各特征提取模块中的卷积层对各二维图像进行卷积处理，得到若干卷积特征图；通过各特征提取模块中的小波变换层对各卷积特征图进行下采样，得到若干采样特征图；通过分类预测模块对所有采样特征图进行特征融合，并基于得到的融合特征进行分类预测，得到待分类3D点云数据的分类结果，改善了现有的3D点云数据分类方法存在的分类准确率不高的技术问题。

Description

一种3D点云数据分类方法及其相关装置
技术领域
本申请涉及数据分类技术领域，尤其涉及一种3D点云数据分类及其相关装置。
背景技术
目前，通过激光雷达获取3D点云数据广泛应用于计算机视觉、自动驾驶和机器人等多个领域，而3D点云数据的处理也成为热点。
现有的点云数据分类方法多采用手工设计特征进行分类，分类准确率不高。深度学习中的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类。3D点云是一种重要的几何数据结构，但由于其数据的非结构化和不变性排列，现有的神经网络框架无法直接对3D点云数据进行处理运算；其次，神经网络中的最大池化层容易造成提取的特征信息损失，影响分类准确性。
发明内容
本申请提供了一种3D点云数据分类及其相关装置，用于改善现有的3D点云数据分类方法存在的分类准确率不高的技术问题。
有鉴于此，本申请第一方面提供了一种3D点云数据分类，包括：
提取待分类3D点云数据在若干个方向上的二维图像数据，并将各二维图像数据输入到预置分类模型中，预置分类模型包括若干个并行的特征提取模块和分类预测模块，特征提取模块由卷积层和小波变换层构成；
通过各特征提取模块中的卷积层对各二维图像进行卷积处理，得到若干卷积特征图；
通过各特征提取模块中的小波变换层对各卷积特征图进行下采样，得到若干采样特征图；
通过分类预测模块对所有采样特征图进行特征融合，并基于得到的融合特征进行分类预测，得到待分类3D点云数据的分类结果。
可选的，目标方向上的二维图像数据对应的特征提取模块中的卷积层的卷积核为动态卷积核；
非目标方向上的二维图像数据对应的特征提取模块中的卷积层的卷积核为固定卷积核。
可选的，小波变换层包括4个相互正交的卷积滤波器，采样特征的具体获取过程为：
通过小波变换层中的4个卷积滤波器分别对输入的卷积特征图进行小波变换，得到4个子采样特征图；
通过小波变换层将4个子采样特征图进行通道拼接后输出，得到采样特征图。
可选的，预置分类模型的训练过程为：
基于已知类别的3D点云数据获取训练集；
通过训练集训练卷积神经网络，得到预置分类模型，其中，卷积神经网络的结构与预置分类模型的结构相同。
本申请第二方面提供了一种3D点云数据分类装置，包括：
提取单元，用于提取待分类3D点云数据在若干个方向上的二维图像数据，并将各二维图像数据输入到预置分类模型中，预置分类模型包括若干个并行的特征提取模块和分类预测模块，特征提取模块由卷积层和小波变换层构成；
卷积单元，用于通过各特征提取模块中的卷积层对各二维图像进行卷积处理，得到若干卷积特征图；
下采样单元，用于通过各特征提取模块中的小波变换层对各卷积特征图进行下采样，得到若干采样特征图；
预测单元，用于通过分类预测模块对所有采样特征图进行特征融合，并基于得到的融合特征进行分类预测，得到待分类3D点云数据的分类结果。
可选的，小波变换层包括4个相互正交的卷积滤波器，采样特征的具体获取过程为：
通过小波变换层中的4个卷积滤波器分别对输入的卷积特征图进行小波变换，得到4个子采样特征图；
通过小波变换层将4个子采样特征图进行通道拼接后输出，得到采样特征图。
可选的，还包括：训练单元，用于：
基于已知类别的3D点云数据获取训练集；
通过训练集训练卷积神经网络，得到预置分类模型，其中，卷积神经网络的结构与预置分类模型的结构相同。
本申请第三方面提供了一种电子设备，设备包括处理器以及存储器；
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行第一方面任一种所述的3D点云数据分类方法。
本申请第四方面提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码被处理器执行时实现第一方面任一种所述的3D点云数据分类方法。
从以上技术方案可以看出，本申请具有以下优点：
本申请提供了一种3D点云数据分类，包括：提取待分类3D点云数据在若干个方向上的二维图像数据，并将各二维图像数据输入到预置分类模型中，预置分类模型包括若干个并行的特征提取模块和分类预测模块，特征提取模块由卷积层和小波变换层构成；通过各特征提取模块中的卷积层对各二维图像进行卷积处理，得到若干卷积特征图；通过各特征提取模块中的小波变换层对各卷积特征图进行下采样，得到若干采样特征图；通过分类预测模块对所有采样特征图进行特征融合，并基于得到的融合特征进行分类预测，得到待分类3D点云数据的分类结果。
本申请中，提取待分类3D点云数据在若干个方向上的二维图像数据输入到预置分类模型进行处理，以解决现有的卷积神经网络无法直接对3D点云数据进行处理的问题；并且预置分类模型中采用小波变换层代替传统的最大池化层进行下采样，由于小波变换可以通过反变换无损地回复原图像的特性，比最大池化层能更好地保留原特征图的信息，从而提高分类准确性，改善了现有的3D点云数据分类方法存在的分类准确率不高的技术问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的一种3D点云数据分类的一个流程示意图；
图2为本申请实施例提供的一种预置分类模型的一个结构示意图；
图3为本申请实施例提供的一种3D点云分类装置的一个结构示意图。
具体实施方式
本申请提供了一种3D点云数据分类及其相关装置，用于改善现有的3D点云数据分类方法存在的分类准确率不高的技术问题。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了便于理解，请参阅图1，本申请提供的一种3D点云数据分类的一个实施例，包括：
步骤101、提取待分类3D点云数据在若干个方向上的二维图像数据，并将各二维图像数据输入到预置分类模型中，预置分类模型包括若干个并行的特征提取模块和分类预测模块，特征提取模块由卷积层和小波变换层构成。
由于3D点云数据的非结构化和不变性排列，现有的神经网络框架无法直接对3D点云数据进行处理。但卷积神经网络相比于传统的手工设计特征，在二维图像数据上具有非常好的自适应特征提取和分类能力。因此，可以将3D点云数据转换为二维图像数据再通过卷积神经网络进行处理。
现有技术通常将3D点云数据转换成规则的三维体素网格进行特征提取，数据量较大，本申请实施例在获取到待分类3D点云数据后，提取待分类3D点云数据在前、后、左、右、上、下6个方向的二维图像数据，降低了数据量。当然，可以只提取前、左、右三个方向的二维图像数据，为了得到更准确的分类结果，本申请实施例优选提取6个方向的二维图像数据，即包含了待分类3D点云数据的全部信息，通过这6张二维图像数据可以恢复原先的待分类3D点云数据。
然后将各二维图像数据输入到预置分类模型中，本申请实施例中的预置分类模型包括若干个并行的特征提取模块和分类预测模块，特征提取模块由卷积层和小波变换层构成，如图2所示。由于输入的二维图像数据是6个方向上的，因此本申请实施例中并行的特征提取模块的数量为6，一个方向上的二维图像数据对应一个特征提取模块。
步骤102、通过各特征提取模块中的卷积层对各二维图像进行卷积处理，得到若干卷积特征图。
本申请实施例考虑到6个方向的图像信息对最终的分类结果的影响程度不同，以俯视的角度看带分类3D点云数据，前、左、右三个方向比上、下、后三个方向包含更多原先3D点云的信息，因此，本申请实施例对这6个方向提取的二维图像数据采用不同的卷积核。具体的，目标方向上的二维图像数据对应的特征提取模块中的卷积层的卷积核为动态卷积核；非目标方向上的二维图像数据对应的特征提取模块中的卷积层的卷积核为固定卷积核。以俯视的角度时，目标方向为前、左、右三个方向，非目标方向即为上、下、后三个方向。因为状态分布的输入对神经网络的训练时最有帮助的，因此本申请实施例对前、左、右三个方向的二维图像数据采用符合正态分布的动态卷积核进行卷积处理，卷积核的参数会在网络训练过程中不断更新；对上、下、后三个方向的二维图像数据采用固定的卷积核进行卷积处理，以减少这个三个方向对分类结果的影响，同时有助于提高网络训练速度。
步骤103、通过各特征提取模块中的小波变换层对各卷积特征图进行下采样，得到若干采样特征图。
由于传统的最大池化层会导致特征信息丢失，从而影响分类的准确性，因此，本申请采用多层小波变换代替传统的最大池化层进行特征图的下采样。因为小波变换可以通过反小波变换无损地恢复原先的图像，因此小波变换可以比最大池化更好地保留原先特征图的信息。
卷积层提取到卷积特征图后输入到小波变换层，通过小波变换层对卷积特征图进行下采样，得到采样特征图。小波变换层包括4个相互正交的卷积滤波器，采样特征的具体获取过程为：通过小波变换层中的4个卷积滤波器分别对输入的卷积特征图进行小波变换，得到4个子采样特征图；通过小波变换层将4个子采样特征图进行通道拼接后输出，得到采样特征图。
离散小波变换可以代替池化层进行下采样，以Haar小波变换为例，给定输入的卷积特征图x，可以通过4个卷积滤波器fLL、fLH、fHL、fHH进行离散小波变换，将卷积特征图x分解为4个子采样特征图，这4个卷积滤波器相互正交，形成一个4×4的可逆矩阵，具体可以为：
Figure BDA0003189563380000061
Figure BDA0003189563380000062
由此得到的小波变换层包括4个步长为2的固定卷积滤波器，以实现下采样操作。卷积特征图x中第(i,j)个特征值x(i,j)经过卷积滤波器的处理后，得到：
XLL(i,j)＝x(2i-1,2j-1)+x(2i-1,2j)+x(2i,2j-1)+x(2i,2j)；
XLH(i,j)＝-x(2i-1,2j-1)-x(2i-1,2j)+x(2i,2j-1)+x(2i,2j)；
XHL(i,j)＝-x(2i-1,2j-1)+x(2i-1,2j)-x(2i,2j-1)+x(2i,2j)；
XHH(i,j)＝x(2i-1,2j-1)-x(2i-1,2j)-x(2i,2j-1)+x(2i,2j)；
式中，XLL(i,j)为特征值x(i,j)通过卷积滤波器fLL处理后得到的特征值，XLH(i,j)为特征值x(i,j)通过卷积滤波器fLH处理后得到的特征值，XHL(i,j)为特征值x(i,j)通过卷积滤波器fHL处理后得到的特征值，XHH(i,j)为特征值x(i,j)通过卷积滤波器fHH处理后得到的特征值。
由于离散小波变换的双正交特性，原始的卷积特征图x可以通过逆小波变换达到没有信息损失地精确重构，即：
Figure BDA0003189563380000063
Figure BDA0003189563380000064
Figure BDA0003189563380000065
Figure BDA0003189563380000071
步骤104、通过分类预测模块对所有采样特征图进行特征融合，并基于得到的融合特征进行分类预测，得到待分类3D点云数据的分类结果。
本申请实施例中的分类预测模块由全连接层构成，全连接层在整个模型中起到“分类器”的作用，由于每个方向的图像信息对分类结果的影响不同，前、左、右三个方向对分类结果影响较大，在进行特征融合时，对这个三个方向对应的采样特征图分配较大的权重，增加其对分类结果的影响，同时，给后、上、下三个方向的采样特征图分配一个较小的权重，减少其对分类结果的影响，分类预测模块对所有采样特征图进行特征融合，得到融合特征，基于融合特征进行分类预测，得到待分类3D点云数据的分类结果。
进一步，本申请实施例中的预置分类模型的训练过程为：
基于已知类别的3D点云数据获取训练集；
通过训练集训练卷积神经网络，得到预置分类模型，其中，卷积神经网络的结构与预置分类模型的结构相同。
根据已知类别的3D点云数据制作标签，得到训练集，训练时，提取每个训练样本在6个方向上的二维图像数据，通过并行的特征提取模块提取各二维图像数据的卷积特征图，然后通过各小波变换层对各卷积特征图进行下采样，得到采样特征图，通过全连接层对所有采样特征图进行特征融合和分类预测，得到训练样本的预测值；根据训练样本的预测值和标签计算损失值，通过损失值更新网络参数，直至卷积神经网络收敛，得到预置分类模型。
本申请实施例中，提取待分类3D点云数据在若干个方向上的二维图像数据输入到预置分类模型进行处理，以解决现有的卷积神经网络无法直接对3D点云数据进行处理的问题；并且预置分类模型中采用小波变换层代替传统的最大池化层进行下采样，由于小波变换可以通过反变换无损地回复原图像的特性，比最大池化层能更好地保留原特征图的信息，从而提高分类准确性，改善了现有的3D点云数据分类方法存在的分类准确率不高的技术问题。
以上为本申请提供的一种3D点云数据分类方法的一个实施例，以下为本申请提供的一种3D点云数据分类装置的一个实施例。
请参考图3，本申请实施例通过的一种3D点云数据分类装置，包括：
提取单元，用于提取待分类3D点云数据在若干个方向上的二维图像数据，并将各二维图像数据输入到预置分类模型中，预置分类模型包括若干个并行的特征提取模块和分类预测模块，特征提取模块由卷积层和小波变换层构成；
卷积单元，用于通过各特征提取模块中的卷积层对各二维图像进行卷积处理，得到若干卷积特征图；
下采样单元，用于通过各特征提取模块中的小波变换层对各卷积特征图进行下采样，得到若干采样特征图；
预测单元，用于通过分类预测模块对所有采样特征图进行特征融合，并基于得到的融合特征进行分类预测，得到待分类3D点云数据的分类结果。
作为进一步地改进，小波变换层包括4个相互正交的卷积滤波器，采样特征的具体获取过程为：
通过小波变换层中的4个卷积滤波器分别对输入的卷积特征图进行小波变换，得到4个子采样特征图；
通过小波变换层将4个子采样特征图进行通道拼接后输出，得到采样特征图。
作为进一步地改进，还包括：训练单元，用于：
基于已知类别的3D点云数据获取训练集；
通过训练集训练卷积神经网络，得到预置分类模型，其中，卷积神经网络的结构与预置分类模型的结构相同。
本申请实施例中，提取待分类3D点云数据在若干个方向上的二维图像数据输入到预置分类模型进行处理，以解决现有的卷积神经网络无法直接对3D点云数据进行处理的问题；并且预置分类模型中采用小波变换层代替传统的最大池化层进行下采样，由于小波变换可以通过反变换无损地回复原图像的特性，比最大池化层能更好地保留原特征图的信息，从而提高分类准确性，改善了现有的3D点云数据分类方法存在的分类准确率不高的技术问题。
本申请实施例还提供了一种电子设备，设备包括处理器以及存储器；
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行前述方法实施例中的3D点云数据分类方法。
本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码被处理器执行时实现前述方法实施例中的3D点云数据分类方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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中，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：RandomAccess Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (9)

1.一种3D点云数据分类方法，其特征在于，包括：
提取待分类3D点云数据在若干个方向上的二维图像数据，并将各所述二维图像数据输入到预置分类模型中，所述预置分类模型包括若干个并行的特征提取模块和分类预测模块，所述特征提取模块由卷积层和小波变换层构成；
通过各所述特征提取模块中的卷积层对各所述二维图像进行卷积处理，得到若干卷积特征图；
通过各所述特征提取模块中的小波变换层对各所述卷积特征图进行下采样，得到若干采样特征图；
通过所述分类预测模块对所有所述采样特征图进行特征融合，并基于得到的融合特征进行分类预测，得到所述待分类3D点云数据的分类结果。
2.根据权利要求1所述的3D点云数据分类方法，其特征在于，目标方向上的所述二维图像数据对应的所述特征提取模块中的卷积层的卷积核为动态卷积核；
非目标方向上的所述二维图像数据对应的所述特征提取模块中的卷积层的卷积核为固定卷积核。
3.根据权利要求1所述的3D点云数据分类方法，其特征在于，所述小波变换层包括4个相互正交的卷积滤波器，所述采样特征的具体获取过程为：
通过所述小波变换层中的4个所述卷积滤波器分别对输入的所述卷积特征图进行小波变换，得到4个子采样特征图；
通过所述小波变换层将4个所述子采样特征图进行通道拼接后输出，得到所述采样特征图。
4.根据权利要求1所述的3D点云数据分类方法，其特征在于，所述预置分类模型的训练过程为：
基于已知类别的3D点云数据获取训练集；
通过所述训练集训练卷积神经网络，得到所述预置分类模型，其中，所述卷积神经网络的结构与所述预置分类模型的结构相同。
5.一种3D点云数据分类装置，其特征在于，包括：
提取单元，用于提取待分类3D点云数据在若干个方向上的二维图像数据，并将各所述二维图像数据输入到预置分类模型中，所述预置分类模型包括若干个并行的特征提取模块和分类预测模块，所述特征提取模块由卷积层和小波变换层构成；
卷积单元，用于通过各所述特征提取模块中的卷积层对各所述二维图像进行卷积处理，得到若干卷积特征图；
下采样单元，用于通过各所述特征提取模块中的小波变换层对各所述卷积特征图进行下采样，得到若干采样特征图；
预测单元，用于通过所述分类预测模块对所有所述采样特征图进行特征融合，并基于得到的融合特征进行分类预测，得到所述待分类3D点云数据的分类结果。
6.根据权利要求5所述的3D点云数据分类装置，其特征在于，所述小波变换层包括4个相互正交的卷积滤波器，所述采样特征的具体获取过程为：
通过所述小波变换层中的4个所述卷积滤波器分别对输入的所述卷积特征图进行小波变换，得到4个子采样特征图；
通过所述小波变换层将4个所述子采样特征图进行通道拼接后输出，得到所述采样特征图。
7.根据权利要求5所述的3D点云数据分类装置，其特征在于，还包括：训练单元，用于：
基于已知类别的3D点云数据获取训练集；
通过所述训练集训练卷积神经网络，得到所述预置分类模型，其中，所述卷积神经网络的结构与所述预置分类模型的结构相同。
8.一种电子设备，其特征在于，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的3D点云数据分类方法。
9.一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用于存储程序代码，所述程序代码被处理器执行时实现权利要求1-4任一项所述的3D点云数据分类方法。
CN202110873625.9A 2021-07-30 2021-07-30 一种3d点云数据分类方法及其相关装置 Active CN113392937B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110873625.9A CN113392937B (zh) 2021-07-30 2021-07-30 一种3d点云数据分类方法及其相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110873625.9A CN113392937B (zh) 2021-07-30 2021-07-30 一种3d点云数据分类方法及其相关装置

Publications (2)

Publication Number Publication Date
CN113392937A true CN113392937A (zh) 2021-09-14
CN113392937B CN113392937B (zh) 2023-07-04

Family

ID=77622419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110873625.9A Active CN113392937B (zh) 2021-07-30 2021-07-30 一种3d点云数据分类方法及其相关装置

Country Status (1)

Country Link
CN (1) CN113392937B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110782457A (zh) * 2019-09-06 2020-02-11 广东工业大学 一种基于无人机电力巡检的点云数据分割方法
CN114581746A (zh) * 2022-03-04 2022-06-03 北京百度网讯科技有限公司 物体检测方法、装置、设备及介质
CN116152151A (zh) * 2022-11-12 2023-05-23 重庆数字城市科技有限公司 一种建筑变形信息提取方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101118647A (zh) * 2007-09-07 2008-02-06 同济大学 基于小波变换的离散点云特征提取方法
CN104063702B (zh) * 2014-07-16 2017-02-15 中南大学 一种基于遮挡修复和局部相似性匹配的三维步态识别方法
CN111353512B (zh) * 2018-12-20 2023-07-28 长沙智能驾驶研究院有限公司 障碍物分类方法、装置、存储介质和计算机设备
CN112651438A (zh) * 2020-12-24 2021-04-13 世纪龙信息网络有限责任公司 多类别图像的分类方法、装置、终端设备和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110782457A (zh) * 2019-09-06 2020-02-11 广东工业大学 一种基于无人机电力巡检的点云数据分割方法
CN114581746A (zh) * 2022-03-04 2022-06-03 北京百度网讯科技有限公司 物体检测方法、装置、设备及介质
CN114581746B (zh) * 2022-03-04 2023-09-05 北京百度网讯科技有限公司 物体检测方法、装置、设备及介质
CN116152151A (zh) * 2022-11-12 2023-05-23 重庆数字城市科技有限公司 一种建筑变形信息提取方法及系统

Also Published As

Publication number Publication date
CN113392937B (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
CN110428428B (zh) 一种图像语义分割方法、电子设备和可读存储介质
CN107564025B (zh) 一种基于深度神经网络的电力设备红外图像语义分割方法
CN110378381B (zh) 物体检测方法、装置和计算机存储介质
CN110163813B (zh) 一种图像去雨方法、装置、可读存储介质及终端设备
CN112446270B (zh) 行人再识别网络的训练方法、行人再识别方法和装置
CN106796716B (zh) 用于为低分辨率图像提供超分辨率的设备和方法
CN113392937A (zh) 一种3d点云数据分类方法及其相关装置
CN110309856A (zh) 图像分类方法、神经网络的训练方法及装置
CN110309835B (zh) 一种图像局部特征提取方法及装置
CN109325589A (zh) 卷积计算方法及装置
CN111046855A (zh) 图片识别方法、识别模型训练方法、装置及电子装置
CN105139004A (zh) 基于视频序列的人脸表情识别方法
CN109753996B (zh) 基于三维轻量化深度网络的高光谱图像分类方法
CN108875655A (zh) 一种基于多特征的实时目标视频跟踪方法及系统
CN113705655B (zh) 三维点云全自动分类方法及深度神经网络模型
CN109300531A (zh) 一种脑疾病早期诊断方法和装置
CN109635811A (zh) 空间植物的图像分析方法
Wang et al. Context-enhanced representation learning for single image deraining
CN112836602B (zh) 基于时空特征融合的行为识别方法、装置、设备及介质
CN114445715A (zh) 一种基于卷积神经网络的农作物病害识别方法
CN115578624A (zh) 农业病虫害模型构建方法、检测方法及装置
CN104573701A (zh) 一种玉米雄穗性状的自动检测方法
CN115330759B (zh) 一种基于豪斯多夫距离计算距离损失的方法及装置
CN116310452B (zh) 一种多视图聚类方法及系统
CN115909016A (zh) 基于GCN分析fMRI图像的系统、方法、电子设备及介质

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
GR01 Patent grant
GR01 Patent grant