基于深度学习的点云数据分类方法技术

本发明专利技术公开了一种基于深度学习的点云数据分类方法，该方法提出一种多尺度点云分类网络，首先，基于局部区域划分的完备性、自适应性、重叠性及多尺度特性要求，提出了多尺度局部区域划分算法，并以点云及不同层次的特征为输入，得到多尺度局部区域。然后构建了包含单尺度特征提取、低层次特征聚合及多尺度特征融合等模块的多尺度点云分类网络。该网络充分模拟了卷积神经网络的作用原理，具备随着网络尺度和深度的增加，局部感受野越来越大，特征抽象程度越来越高的基本特征。本发明专利技术在标准公开数据集ModelNet10和ModelNet40上，分别取得了94。71％和91。73％的分类准确率，在同类工作中处于领先或相当的水平，验证了本方法的可行性及有效性。

Point Cloud Data Classification Method Based on Deep Learning

【技术实现步骤摘要】
基于深度学习的点云数据分类方法
本专利技术涉及计算机图形学、计算机视觉与智能识别的
，尤其是指一种基于深度学习的点云数据分类方法。
技术介绍
随着激光雷达，RGBD相机等3D传感器在机器人，无人驾驶领域的广泛应用，点云数据的获取方式越来越方便快捷，其在三维数据中所占据的位置越来越重要。但想要利用好点云数据，如何能快速高效的识别点云数据是亟待解决的基础问题。点云数据是三维数据的一种表征形式，它是由各类设备扫描出的以点形式记录物体外表面形状的点集合，通常每一个点包含有X，Y，Z三维坐标信息。随着激光雷达、RGBD相机等各类传感器在体感设备、机器人、无人驾驶等领域的广泛应用，点云数据的获取越来越便捷。不同于其他类型的三维数据，点云数据使用时不需要进行预处理，仅通过扫描便可获得，这一优点使它的地位日益提升。传感器的高速发展以及自动驾驶汽车等应用的巨大需求使得有效处理点云数据势在必行。早期对点云数据的使用一般停留在针对特定任务进行的手工提取特征，Bronstein等(BronsteinMM，KokkinosI.Scale-invariantheatkernelsignaturesforn本文档来自技高网...

【技术保护点】
1.基于深度学习的点云数据分类方法，其特征在于，包括以下步骤：S1、选用Princeton ModelNet的ModelNet10和ModelNet40数据集，从官网选取所需数量的数据作为训练数据和测试数据，生成训练集和数据集；S2、对输入的点云数据进行数据增广；S3、构建一种多尺度点云分类网络，该网络由3个不同的尺度网络构成，分别是低级尺度网络、中级尺度网络和高级尺度网络；所述低级尺度网络包含点云数据仿射变换模块、局部区域划分模块、单尺度特征提取模块和低层次特征聚合模块，所述中级尺度网络包含局部区域划分模块、单尺度特征提取模块和低层次特征聚合模块，所述高级尺度网络包含局部区域划分模块和单尺度...

【技术特征摘要】
1.基于深度学习的点云数据分类方法，其特征在于，包括以下步骤：S1、选用PrincetonModelNet的ModelNet10和ModelNet40数据集，从官网选取所需数量的数据作为训练数据和测试数据，生成训练集和数据集；S2、对输入的点云数据进行数据增广；S3、构建一种多尺度点云分类网络，该网络由3个不同的尺度网络构成，分别是低级尺度网络、中级尺度网络和高级尺度网络；所述低级尺度网络包含点云数据仿射变换模块、局部区域划分模块、单尺度特征提取模块和低层次特征聚合模块，所述中级尺度网络包含局部区域划分模块、单尺度特征提取模块和低层次特征聚合模块，所述高级尺度网络包含局部区域划分模块和单尺度特征提取模块；最终的分类结果由上述三个网络获取的特征向量聚合后通过特征聚合模块获得；S4、提出了一种点云数据局部区域划分算法，对增广后的点云数据使用该算法获取每个点的领域信息，送入点云数据仿射变换模块，保证输入数据的仿射变换不变性；S5、对经过仿射变换模块后的点云数据再使用步骤S4提出的点云数据局部区域划分算法，形成多尺度局部数据并分别送入每个尺度网络形成多个单尺度特征向量；S6、对不同尺度的单尺度特征送入特征聚合模块进行特征聚合，将聚合后的特征通过全连接层送入分类器实现对点云数据的分类。为了避免深度学习网络训练中出现过拟合，每个全连接层后有一个dropout层。2.根据权利要求1所述的基于深度学习的点云数据分类方法，其特征在于：在步骤S1中，选用PrincetonModelNet数据集，采用官网数据，针对ModelNet10和ModelNet40分别选取3991、9843个数据作为训练数据，908、2468个数据作为测试数据，库内所有数据均按照Z轴方向正确摆放；数据集中的三维数据数据表面进行均匀采样，每个数据均包含10000个点，且坐标预先被归一化至单位球[-1，1]区间内。3.根据权利要求1所述的基于深度学习的点云数据分类方法，其特征在于：在步骤S2中，对于原始数据采用随机抽取的方式构建包含1024个点的低分辨率采样，并通过随机旋转、[0.8,1.2]尺度范围内随机缩放、(-0.1,0.1)区间内随机抖动、添加(0.01,0.05)高斯噪声这些方式实现数据扩增。4.根据权利要求1所述的基于深度学习的点云数据分类方法，其特征在于：在步骤S3中，所述低级尺度网络，其第一层为输入层，第二层为仿射变换层，第三至五层为单尺度特征提取层，各层结构如下：第一层，输入层：将通过数据增广获得的增广点云数据通过局部区域划分模块，划分成符合网络要求的点云数据，将其作为训练样本输入到网络；第二层，仿射变换层：将输入层输入的数据送入对齐层实现数据对仿射变换的不变，通过该层的数据再次通过局部区域划分模块，划分成符合网络要求的点云数据；第三层，单尺度特征提取层：包含一个卷积层和一个激活函数层，该单尺度特征提取层得到的数据将同时送入下一个单尺度特征提取层与低层次特征聚合，低层次特征聚合通过一个池化函数，得到下一尺度的输入；第四层，单尺度特征提取层：包含一个卷积层、一个激活函数层和一个池化层；第五层，单尺度特征提取层：包含一个卷积层、一个激活函数层和一个池化层；所述中级尺度网络，其第一层为输入层，第二至三层为单尺度特征提取层，各层结构如下：第一层，输入层：将通过低级尺度网络的第三层中低层次特征聚合的特征向量通过局部区域划分模块，划分成符合网络要求的点云数据，将其作为训练样本输入到网络；第二层，单尺度特征提取层：包含一个卷积层、一个激活函数层和一个池化层，该单尺度特征提取层得到的数据将同时送入下一个单尺度特征提取层与低层次特征聚合，低层次特征聚合通过一个池化函数，得到下一尺度的输入；第三层，单尺度特征提取层：包含一个卷积层、一个激活函数层和一个池化层；所述高级尺度网络，其第一层为输入层，第二层为单尺度特征提取层，各层结构如下：第一层，输入层：将通过中级尺度网络的第二层中层次特征聚合的特征向量通过局部区域划分模块，划分成符合网络要求的点云数据，将其作为训练样本输入到网络；第二层，单尺度特征提取层：包含一个卷积层、一个激活函数层和两个个池化层；所述特征聚合模块，其第一、二层为隐藏层，第三层为输出层，各层结构如下：第一层，隐藏层：包含一个全连接层、一个激活函数层和一个DropOut层；第二层，隐藏层：包含一个全连接层、一个激活函数层和一个DropOut层；第三层，输出层：包含一个全连接层和一个Softmax层。5.根据权利要求1所述的基于深度学习的点云数据分类方法，其特征在于：在步骤S4中，由于三维点云数据仅包含一组离散的三维点集，缺乏关联信息，因此无明显的结构特征，在数据信息有限的情况下，如何形成鲁棒且合理的局部区域划分将影响分类任务的最终效果，一个好的局部区域划分应该满足以下三条原则：a、点云覆盖的完备性；b、空间分布的自适应性；c、区域之间的重叠性；同时，根据多尺度的思想，设计的划分方法还应该满足局部区域尺寸及局部区域数可控这一基本要求；针对以上局部区域划分原则，构建了一种点云数据局部区域划分算法，具体如下：输入：点云集合P＝{xi,i＝1,...,n}，局部区域的划分数目st＝(s1，s2，s3)及每个局部区域内所包含的点云数目k；其中，n为...

【专利技术属性】
技术研发人员：白静，徐浩钧，
申请(专利权)人：北方民族大学，
类型：发明
国别省市：宁夏,64