CN113487713A - 一种点云特征提取方法、装置及电子设备 - Google Patents
一种点云特征提取方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113487713A CN113487713A CN202110665786.9A CN202110665786A CN113487713A CN 113487713 A CN113487713 A CN 113487713A CN 202110665786 A CN202110665786 A CN 202110665786A CN 113487713 A CN113487713 A CN 113487713A
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- neighborhood
- kernel
- ith
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 94
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 10
- 239000000126 substance Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computer Graphics (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种点云特征提取方法、装置及电子设备，涉及图像处理技术领域，其包括：获取三维点云的多个质心点，并分别对每个质心点构建其点云邻域；以质心点为原点构建八象限坐标系，并于每个象限构建一个核点，每个核点均附带权值矩阵；基于点云邻域内第i点至任一核点距离的倒数与该核点的权值矩阵的乘积，对第i点的特征矩阵进行该核点的加权，直至完成八个核点的加权后，对八个加权后的特征矩阵进行求和，得到第i点的新特征；将各点的新特征输入多层感知机后，通过神经网络训练，调整每个核点的权值矩阵，直至神经网络损失收敛，以此时的权值矩阵为最优权值矩阵，提取三维点云特征。本申请，可提取三维场景中大物体边界和小物体本身信息。
Description
技术领域
本申请涉及图像处理技术领域，具体涉及一种点云特征提取方法、装置及电子设备。
背景技术
目前，随着人工智能技术的飞速发展以及计算机算力的不断提高，3D点云数据的应用愈来愈广泛，例如自动驾驶、增强/虚拟现实、以及智能机器人等。三维点云由于具有较高的精度和密度，包含丰富的语义特征信息，逐渐成为三维场景语义理解研究的主要数据形式。随着深度学习的广泛应用，如何有效的提取，提升神经网络的语义理解能力，受到越来越多的关注，且由于点云数据的无序、稀疏特性，点云特征的提取仍然是当前点云研究的一项重大挑战。
相关技术中，多采用估算切向量、曲率等几何特性直接从三维点云数据中提取出特征点。
但是，上述特征提取方式在提取点云特征的过程中容易丢失大物体的边缘和小物体本身信息，导致无法有效提取点云特征信息。
发明内容
针对现有技术中存在的缺陷，本申请的目的在于提供一种点云特征提取方法、装置及电子设备，以解决相关技术中提取点云特征的过程中容易丢失大物体的边缘和小物体本身信息的问题。
本申请第一方面提供一种点云特征提取方法，其包括步骤：
获取三维点云的多个质心点，并分别对每个质心点构建其点云邻域；
以上述质心点为原点在其点云邻域构建八象限坐标系，并于每个象限构建一个核点，每个核点均附带初始化的权值矩阵，且每个点云邻域同一象限核点的权值矩阵相同；
基于点云邻域内第i点至任一核点距离的倒数与该核点的权值矩阵的乘积，对第i点的特征矩阵进行该核点的加权，直至完成八个核点的加权后，对八个加权后的特征矩阵进行求和，得到第i点的新特征；上述第i点为点云邻域内任一点；
将三维点云中各点的新特征输入多层感知机后，通过神经网络训练，调整每个核点的权值矩阵，直至神经网络损失收敛，以此时的权值矩阵作为最优权值矩阵，提取三维点云特征。
一些实施例中，上述获取三维点云的多个质心点，并分别对每个质心点构建其点云邻域，具体包括：
通过最远点采样法从上述三维点云中选取多个质心点；
通过K近邻算法分别提取每个质心点周围的相邻点，构建该质心点的点云邻域。
一些实施例中，对质心点构建其点云邻域之后，还包括：
以该质心点的坐标为原点坐标，计算点云邻域中每个相邻点相对于该质心点的坐标。
一些实施例中，上述于每个象限设置一个核点，具体包括：
以该质心点为中心，构建正八面体，且八象限坐标系的每个坐标轴分别垂直于正八面体的两个相对面；
以该正八面体的八个顶点作为该点云邻域的八个核点。
一些实施例中，每个核点在其对应的八象限坐标系内的横坐标绝对值、纵坐标绝对值和竖坐标绝对值均为1。
一些实施例中，基于点云邻域内第i点至任一核点距离的倒数与该核点的权值矩阵的乘积，对第i点的特征矩阵进行该核点的加权，具体包括：
分别计算第i点到第j核点的距离dist(pi,kj)，pi为点云邻域内第i个点，kj为在点云邻域内构建的第j核点；
计算第i点到第j核点距离的倒数与第j核点的权值矩阵的乘积矩阵，并基于该乘积矩阵对第i点的特征矩阵进行第j核点的加权。
一些实施例中，上述乘积矩阵为：
其中，
为点云邻域内第j核点的权值矩阵，dist(pi,kj)为第i点到第j个核点的距离。
一些实施例中，第j核点的权值矩阵为：
其中，
为核点所在点云邻域，Cin为点云邻域内第i点的特征维度。
本申请第二方面提供一种点云特征提取装置，其包括：
邻域构建模块，其用于获取三维点云的多个质心点，并分别对每个质心点构建其点云邻域；
核点设置模块，其用于以上述质心点为原点在其点云邻域构建八象限坐标系，并于每个象限设置一个核点，每个核点均附带初始化的权值矩阵，且每个点云邻域同一象限核点的权值矩阵相同；
特征计算模块，其用于基于点云邻域内第i点至任一核点距离的倒数与该核点的权值矩阵的乘积，对第i点的特征矩阵进行该核点的加权，直至完成八个核点的加权后，对八个加权后的特征矩阵进行求和，得到第i点的新特征；上述第i点为点云邻域内任一点；
特征提取模块，其用于将三维点云中各点的新特征输入多层感知机，并通过神经网络训练，调整每个核点的权值矩阵，直至神经网络损失收敛，还用于以此时的权值矩阵作为最优权值矩阵，提取三维点云特征。
本申请第三方面提供一种用于点云特征提取的电子设备，包括处理器和存储器，上述处理器执行上述存储器中的代码实现上述的方法。
本申请提供的技术方案带来的有益效果包括：
本申请的点云特征提取方法、装置及电子设备，在获取三维点云的多个质心点，并分别对每个质心点构建其点云邻域后，以质心点为原点在其点云邻域构建八象限坐标系，并于每个象限构建一个附带初始化权值矩阵的核点，然后可基于点云邻域内第i点至任一核点距离的倒数与该核点的权值矩阵的乘积，对第i点的特征矩阵进行该核点的加权，直至完成八个核点的加权后，对八个加权后的特征矩阵进行求和，得到第i点的新特征，第i点为点云邻域内任一点，最后将三维点云中各点的新特征输入多层感知机后，通过神经网络训练，调整每个核点的权值矩阵，直至神经网络损失收敛，此时的权值矩阵即为最优权值矩阵，以此提取的三维点云特征，不仅不会丢失三维场景中大物体边界和小物体本身信息，还可提高点云语义分割网络的精度，帮助网络实现场景理解。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例中点云特征提取方法的流程图；
图2为图1中步骤S1的流程图；
图3为本申请实施例中质心点p的点云邻域的核点分布示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本申请实施例提供一种点云特征提取方法、装置及电子设备，其能解决相关技术中提取点云特征的过程中容易丢失大物体的边缘和小物体本身信息的问题
如图1所示，本申请实施例的点云特征提取方法，具体包括以下步骤：
S1.获取三维点云的多个质心点，并分别对每个质心点构建其点云邻域。
S2.以上述质心点为原点在其点云邻域构建八象限坐标系，并于每个象限构建一个核点，每个核点均附带初始化的权值矩阵，且每个点云邻域同一象限核点的权值矩阵相同。其中，核点均为虚拟构建点。
S3.基于点云邻域内第i点至任一核点距离的倒数与该核点的权值矩阵的乘积，对第i点的特征矩阵进行该核点的加权，直至完成八个核点的加权后，对八个加权后的特征矩阵进行求和，得到第i点的新特征。上述第i点为点云邻域内任一点，即点云邻域内实际存在的点，进而可得到点云邻域内各点的新特征。
S4.将三维点云中各点的新特征输入多层感知机后，通过神经网络训练，调整每个核点的权值矩阵，直至神经网络损失收敛，以此时的权值矩阵作为最优权值矩阵，提取三维点云特征，即输出具有丰富语义信息的点云特征。
本实施例的点云特征提取方法，在获取三维点云的多个质心点，并分别对每个质心点构建其点云邻域后，以质心点为原点在其点云邻域构建八象限坐标系，并于每个象限构建一个附带初始化权值矩阵的核点，然后可基于点云邻域内第i点至任一核点距离的倒数与该核点的权值矩阵的乘积，对第i点的特征矩阵进行该核点的加权，直至完成八个核点的加权后，对八个加权后的特征矩阵进行求和，得到第i点的新特征，第i点为点云邻域内任一点，最后将三维点云中各点的新特征输入多层感知机后，通过神经网络训练，调整每个核点的权值矩阵，直至神经网络损失收敛，此时的权值矩阵即为最优权值矩阵，以此提取的三维点云特征，不仅不会丢失三维场景中大物体边界和小物体本身信息，还可提高点云语义分割网络的精度，帮助网络实现场景理解。
如图2所示进一步地，上述步骤S1的获取三维点云的多个质心点，并分别对每个质心点构建其点云邻域，具体包括以下步骤：
S11.通过最远点采样法从上述三维点云中选取多个质心点。
S12.通过K近邻算法分别提取每个质心点周围的相邻点即近邻点，构建该质心点的点云邻域，即每个质心点均形成其点云邻域。因此，该质心点的点云邻域中包括该质心点、以及该质心点的K个相邻点。
优选地，上述步骤S1中，对质心点构建其点云邻域之后，还包括以下步骤：
S13.以该质心点的坐标为原点坐标(0，0，0)，计算点云邻域中每个相邻点相对于该质心点的坐标。
其中，计算每个相邻点相对于该质心点的坐标时，将每个相邻点在三维点云中的坐标减去该质心点在三维点云中的坐标，即可将各点在三维点云中的坐标转换为在该八象限坐标系的相对坐标。
如图3所示，优选地，上述步骤S2中，于每个象限设置一个核点，具体包括以下步骤：
首先，以该质心点p为中心，构建正八面体，且八象限坐标系的每个坐标轴分别垂直于正八面体的两个相对面。
然后，获取该正八面体的八个顶点，并以该正八面体的八个顶点作为该点云邻域的八个核点。因此，一个八象限坐标系中，每个核点分布在一个象限中。
本实施例中，每个核点在其对应的八象限坐标系内的横坐标绝对值、纵坐标绝对值和竖坐标绝对值均为1。即该八象限坐标系内八个核点的坐标分别为(1，1，1)、(1，1，-1)、(1，-1，1)、(1，-1，-1)、(-1，1，1)、(-1，-1，1)、(-1，1，-1)、(-1，-1，-1)。
进一步地，上述步骤S3中，基于点云邻域内第i点至任一核点距离的倒数与该核点的权值矩阵的乘积，对第i点的特征矩阵进行该核点的加权，具体包括以下步骤：
首先，分别计算该第i点到第j核点的距离dist(pi,kj)，其中，pi为点云邻域内第i个点，kj为在点云邻域内构建的第j个核点。
然后，计算第i点到第j核点距离的倒数与第j核点的权值矩阵的乘积矩阵，并基于该乘积矩阵对第i点的特征矩阵进行第j核点的加权。
本实施例中，上述乘积矩阵为：
其中，
为点云邻域内第j核点的权值矩阵，dist(pi,kj)为第i点到第j个核点的距离。
本实施例中，对点云邻域内任一点的特征进行加权时，表明距离核点越近的点，其特征的加权越大，距离核点越远的点，其特征的加权越小。
本实施例中，上述第j核点的权值矩阵为：
其中，
为核点所在点云邻域，Cin为点云邻域内第i点的特征维度，即核点权值矩阵的维度与点云邻域内点的特征维度相同。
具体地，以点云邻域内第i点的特征矩阵fi＝[a，b，c，d]为例，相应地，第j核点的权值矩阵Wkj＝[xj1，xj2，xj3，xj4]，即第i点的特征维度与第j核点权值矩阵维度均为4。
进一步地，点云邻域内第i点的新特征为：
本申请实施例的点云特征提取装置包括邻域构建模块、核点设置模块、特征计算模块以及特征提取模块。
上述邻域构建模块用于获取三维点云的多个质心点，并分别对每个质心点构建其点云邻域；
上述核点设置模块用于以上述质心点为原点在其点云邻域构建八象限坐标系，并于每个象限设置一个核点，每个核点均附带初始化的权值矩阵，且每个点云邻域同一象限核点的权值矩阵相同；
上述特征计算模块用于基于点云邻域内第i点至任一核点距离的倒数与该核点的权值矩阵的乘积，对第i点的特征矩阵进行该核点的加权，直至完成八个核点的加权后，对八个加权后的特征矩阵进行求和，得到第i点的新特征；上述第i点为点云邻域内任一点。
上述特征提取模块用于将三维点云中各点的新特征输入多层感知机，并通过神经网络训练，调整每个核点的权值矩阵，直至神经网络损失收敛，还用于以此时的权值矩阵作为最优权值矩阵，提取三维点云特征。
本实施例的点云特征提取装置，适用于上述各点云特征提取方法，以实现基于空间八象限核卷积算法的特征提取过程，具体通过给定的三维点云，在每个点云邻域的八个象限中构建8个核点，利用各核点的权值矩阵和各核点到点云邻域内各点的距离，对点云邻域内的各点进行特征更新，并将各点的新特征通过神经网络训练，以获取各核点的最优权值矩阵，进而基于每个点云邻域对应的最优权值矩阵，提取三维点云特征，以有效提取大小物体的语义信息，提高点云语义分割的精度。
本申请实施例的用于点云特征提取的电子设备，具体包括处理器和存储器，上述处理器执行上述存储器中的代码实现上述的点云特征提取方法。
具体地，上述处理器执行上述存储器中的代码实现如下点云特征提取方法：
获取三维点云的多个质心点，并分别对每个质心点构建其点云邻域；
以上述质心点为原点在其点云邻域构建八象限坐标系，并于每个象限构建一个核点，每个核点均附带初始化的权值矩阵，且每个点云邻域同一象限核点的权值矩阵相同；
基于点云邻域内第i点至任一核点距离的倒数与该核点的权值矩阵的乘积，对第i点的特征矩阵进行该核点的加权，直至完成八个核点的加权后，对八个加权后的特征矩阵进行求和，得到第i点的新特征；上述第i点为点云邻域内任一点；
将三维点云中各点的新特征输入多层感知机后，通过神经网络训练，调整每个核点的权值矩阵，直至神经网络损失收敛，以此时的权值矩阵作为最优权值矩阵，提取三维点云特征。
优选地，上述处理器执行上述存储器中的代码还可实现前述点云特征提取方法中的其他步骤。
本申请不局限于上述实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种点云特征提取方法，其特征在于，其包括步骤：
获取三维点云的多个质心点，并分别对每个质心点构建其点云邻域；
以所述质心点为原点在其点云邻域构建八象限坐标系，并于每个象限构建一个核点，每个核点均附带初始化的权值矩阵，且每个点云邻域同一象限核点的权值矩阵相同；
基于点云邻域内第i点至任一核点距离的倒数与该核点的权值矩阵的乘积，对第i点的特征矩阵进行该核点的加权，直至完成八个核点的加权后，对八个加权后的特征矩阵进行求和，得到第i点的新特征；所述第i点为点云邻域内任一点；
将三维点云中各点的新特征输入多层感知机后，通过神经网络训练，调整每个核点的权值矩阵，直至神经网络损失收敛，以此时的权值矩阵作为最优权值矩阵，提取三维点云特征。
2.如权利要求1所述的点云特征提取方法，其特征在于，所述获取三维点云的多个质心点，并分别对每个质心点构建其点云邻域，具体包括：
通过最远点采样法从所述三维点云中选取多个质心点；
通过K近邻算法分别提取每个质心点周围的相邻点，构建该质心点的点云邻域。
3.如权利要求2所述的点云特征提取方法，其特征在于，对质心点构建其点云邻域之后，还包括：
以该质心点的坐标为原点坐标，计算点云邻域中每个相邻点相对于该质心点的坐标。
4.如权利要求2所述的点云特征提取方法，其特征在于，所述于每个象限设置一个核点，具体包括：
以该质心点为中心，构建正八面体，且八象限坐标系的每个坐标轴分别垂直于正八面体的两个相对面；
以该正八面体的八个顶点作为该点云邻域的八个核点。
5.如权利要求4所述的点云特征提取方法，其特征在于：每个核点在其对应的八象限坐标系内的横坐标绝对值、纵坐标绝对值和竖坐标绝对值均为1。
6.如权利要求1所述的点云特征提取方法，其特征在于，基于点云邻域内第i点至任一核点距离的倒数与该核点的权值矩阵的乘积，对第i点的特征矩阵进行该核点的加权，具体包括：
分别计算第i点到第j核点的距离dist(pi,kj)，pi为点云邻域内第i个点，kj为在点云邻域内构建的第j核点；
计算第i点到第j核点距离的倒数与第j核点的权值矩阵的乘积矩阵，并基于该乘积矩阵对第i点的特征矩阵进行第j核点的加权。
7.如权利要求6所述的点云特征提取方法，其特征在于，所述乘积矩阵为：
其中，
为点云邻域内第j核点的权值矩阵，dist(pi,kj)为第i点到第j个核点的距离。
8.如权利要求1所述的点云特征提取方法，其特征在于，第j核点的权值矩阵为：
其中，
为核点所在点云邻域，Cin为点云邻域内第i点的特征维度。
9.一种点云特征提取装置，其特征在于，其包括：
邻域构建模块，其用于获取三维点云的多个质心点，并分别对每个质心点构建其点云邻域；
核点设置模块，其用于以所述质心点为原点在其点云邻域构建八象限坐标系，并于每个象限设置一个核点，每个核点均附带初始化的权值矩阵，且每个点云邻域同一象限核点的权值矩阵相同；
特征计算模块，其用于基于点云邻域内第i点至任一核点距离的倒数与该核点的权值矩阵的乘积，对第i点的特征矩阵进行该核点的加权，直至完成八个核点的加权后，对八个加权后的特征矩阵进行求和，得到第i点的新特征；所述第i点为点云邻域内任一点；
特征提取模块，其用于将三维点云中各点的新特征输入多层感知机，并通过神经网络训练，调整每个核点的权值矩阵，直至神经网络损失收敛，还用于以此时的权值矩阵作为最优权值矩阵，提取三维点云特征。
10.一种用于点云特征提取的电子设备，其特征在于，包括处理器和存储器，所述处理器执行所述存储器中的代码实现如权利要求1至8任一项权利要求所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110665786.9A CN113487713B (zh) | 2021-06-16 | 2021-06-16 | 一种点云特征提取方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110665786.9A CN113487713B (zh) | 2021-06-16 | 2021-06-16 | 一种点云特征提取方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113487713A true CN113487713A (zh) | 2021-10-08 |
| CN113487713B CN113487713B (zh) | 2022-09-02 |
Family
ID=77935333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110665786.9A Active CN113487713B (zh) | 2021-06-16 | 2021-06-16 | 一种点云特征提取方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113487713B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114389362A (zh) * | 2022-01-17 | 2022-04-22 | 中山大学 | 基于邻域边缘监测互联的电力安全主动防误方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201413245D0 (en) * | 2014-07-25 | 2014-09-10 | Toshiba Res Europ Ltd | ImAGE Analysis |
| CN109118564A (zh) * | 2018-08-01 | 2019-01-01 | 湖南拓视觉信息技术有限公司 | 一种基于融合体素的三维点云标记方法和装置 |
| CN110458174A (zh) * | 2019-06-28 | 2019-11-15 | 南京航空航天大学 | 一种无序点云关键特征点精确提取方法 |
| US20200342250A1 (en) * | 2019-04-26 | 2020-10-29 | Unikie Oy | Method for extracting uniform features from point cloud and system therefor |
| CN112101278A (zh) * | 2020-09-25 | 2020-12-18 | 湖南盛鼎科技发展有限责任公司 | 基于k近邻特征提取和深度学习的宅基地点云分类方法 |
| WO2021009258A1 (en) * | 2019-07-15 | 2021-01-21 | Promaton Holding B.V. | Object detection and instance segmentation of 3d point clouds based on deep learning |
| KR20210034429A (ko) * | 2019-09-20 | 2021-03-30 | 아주대학교산학협력단 | 이웃 연결성 합성곱 신경망을 이용한 포인트 클라우드 분류 장치 및 방법 |
| US10970518B1 (en) * | 2017-11-14 | 2021-04-06 | Apple Inc. | Voxel-based feature learning network |
| US20210150771A1 (en) * | 2019-11-16 | 2021-05-20 | Uatc, Llc | System and Methods for Encoding Octree Structured Point Cloud Data Using an Entropy Model |
| CN112907602A (zh) * | 2021-01-28 | 2021-06-04 | 中北大学 | 一种基于改进k-近邻算法的三维场景点云分割方法 |
-
2021
- 2021-06-16 CN CN202110665786.9A patent/CN113487713B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201413245D0 (en) * | 2014-07-25 | 2014-09-10 | Toshiba Res Europ Ltd | ImAGE Analysis |
| US10970518B1 (en) * | 2017-11-14 | 2021-04-06 | Apple Inc. | Voxel-based feature learning network |
| CN109118564A (zh) * | 2018-08-01 | 2019-01-01 | 湖南拓视觉信息技术有限公司 | 一种基于融合体素的三维点云标记方法和装置 |
| US20200342250A1 (en) * | 2019-04-26 | 2020-10-29 | Unikie Oy | Method for extracting uniform features from point cloud and system therefor |
| CN110458174A (zh) * | 2019-06-28 | 2019-11-15 | 南京航空航天大学 | 一种无序点云关键特征点精确提取方法 |
| WO2021009258A1 (en) * | 2019-07-15 | 2021-01-21 | Promaton Holding B.V. | Object detection and instance segmentation of 3d point clouds based on deep learning |
| KR20210034429A (ko) * | 2019-09-20 | 2021-03-30 | 아주대학교산학협력단 | 이웃 연결성 합성곱 신경망을 이용한 포인트 클라우드 분류 장치 및 방법 |
| US20210150771A1 (en) * | 2019-11-16 | 2021-05-20 | Uatc, Llc | System and Methods for Encoding Octree Structured Point Cloud Data Using an Entropy Model |
| CN112101278A (zh) * | 2020-09-25 | 2020-12-18 | 湖南盛鼎科技发展有限责任公司 | 基于k近邻特征提取和深度学习的宅基地点云分类方法 |
| CN112907602A (zh) * | 2021-01-28 | 2021-06-04 | 中北大学 | 一种基于改进k-近邻算法的三维场景点云分割方法 |
Non-Patent Citations (4)
| Title |
|---|
| CHEN ZHAO等: "Rotation invariant point cloud analysis: Where local geometry meets global topology", 《ARXI:1911.00195》, 1 June 2021 (2021-06-01) * |
| XIANZHI LI等: "A Rotation-Invariant Framework for Deep Point Cloud Analysis", 《IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS》, 31 March 2020 (2020-03-31) * |
| XIAOXIAO GENG等: "Multi-Scale Attentive Aggregation for LiDAR Point Cloud Segmentation", 《REMOTE SENSING》, 28 February 2021 (2021-02-28) * |
| 邱云飞: "融合逆密度函数与关系形状卷积神经网络的点云分析", 《中国图像图形学报》, 30 April 2021 (2021-04-30) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114389362A (zh) * | 2022-01-17 | 2022-04-22 | 中山大学 | 基于邻域边缘监测互联的电力安全主动防误方法及系统 |
| CN114389362B (zh) * | 2022-01-17 | 2022-11-01 | 中山大学 | 基于邻域边缘监测互联的电力安全主动防误方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113487713B (zh) | 2022-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108509848B (zh) | 三维物体的实时检测方法及系统 | |
| CN108594816B (zh) | 一种通过改进orb-slam算法实现定位与构图的方法和系统 | |
| CN111625667A (zh) | 一种基于复杂背景图像的三维模型跨域检索方法及系统 | |
| CN112489083B (zh) | 基于orb-slam算法的图像特征点跟踪匹配方法 | |
| CN110889901B (zh) | 基于分布式系统的大场景稀疏点云ba优化方法 | |
| CN111414953A (zh) | 点云分类方法和装置 | |
| CN109766866B (zh) | 一种基于三维重建的人脸特征点实时检测方法和检测系统 | |
| CN108416801B (zh) | 一种面向立体视觉三维重建的Har-SURF-RAN特征点匹配方法 | |
| CN112328715A (zh) | 视觉定位方法及相关模型的训练方法及相关装置、设备 | |
| CN108961385B (zh) | 一种slam构图方法及装置 | |
| CN112270332A (zh) | 一种基于子流稀疏卷积的三维目标检测方法及系统 | |
| CN110930503A (zh) | 一种服装三维模型建立方法、系统、存储介质及电子设备 | |
| CN116097307A (zh) | 图像的处理方法及相关设备 | |
| CN113487713B (zh) | 一种点云特征提取方法、装置及电子设备 | |
| CN113988164B (zh) | 一种面向代表点自注意力机制的轻量级点云目标检测方法 | |
| CN113409332B (zh) | 一种基于三维点云的建筑物平面分割方法 | |
| CN114283294A (zh) | 基于神经网络点云特征提取方法、系统、设备及存储介质 | |
| CN113886510A (zh) | 一种终端交互方法、装置、设备及存储介质 | |
| CN112115786A (zh) | 基于注意力U-net的单目视觉里程计方法 | |
| Zhou et al. | Stn-homography: estimate homography parameters directly | |
| CN115984439A (zh) | 一种伪装目标的三维对抗纹理生成方法和装置 | |
| CN115690439A (zh) | 基于图像平面的特征点聚集方法、装置及电子设备 | |
| CN114820899A (zh) | 一种基于多视角渲染的姿态估计方法和装置 | |
| CN114817595A (zh) | 基于草图的三维模型检索方法、装置、设备及介质 | |
| Jia et al. | Deep convolutional neural network for 6-dof image localization |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Liu Liman Inventor after: Yu Jinjin Inventor after: Zhang Fenghao Inventor after: Tan Longyu Inventor after: Su Wanjuan Inventor after: Hu Huaifei Inventor before: Liu Liman Inventor before: Yu Jinjin Inventor before: Tan Longyu Inventor before: Su Wanjuan Inventor before: Hu Huaifei |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231106 Address after: No. 548, 5th Floor, Building 10, No. 28 Linping Avenue, Donghu Street, Linping District, Hangzhou City, Zhejiang Province Patentee after: Hangzhou Tuke Intelligent Information Technology Co.,Ltd. Address before: 430000 No.182 Minzu Avenue, Hongshan District, Wuhan City, Hubei Province Patentee before: SOUTH CENTRAL University FOR NATIONALITIES |
|
| TR01 | Transfer of patent right |