一种基于旋转的点云数据的处理方法、装置及终端设备制造方法及图纸

本发明专利技术公开一种基于旋转的点云数据的特征处理方法、装置及终端设备，其中方法包括：获取目标点云数据；利用旋转映射模块从目标点云数据中提取旋转不变特征；利用多个聚类模块对旋转不变特征进行多维特征处理，多个聚类模块依次按照由大至小的聚类数目顺序连接；利用分类器模块将多维特征处理后的旋转不变特征进行分类，得到旋转不变特征的分类结果。本发明专利技术结合旋转映射模块、多个聚类模块对从目标点云数据中提取的旋转不变特征进行处理，可以确保基于3D点云数据进行目标识别的鲁棒性，增强目标点云数据的分类识别精度，同时降低了对深度学习模型的训练数据的数量需求和深度学习模型训练时的计算成本。

A Method, Device and Terminal Device for Processing Point Cloud Data Based on Rotation

【技术实现步骤摘要】
一种基于旋转的点云数据的处理方法、装置及终端设备
本专利技术涉及点云数据的三维变换处理
，具体涉及一种基于旋转的点云数据的处理方法、装置及终端设备。
技术介绍
点云的旋转变换在3D
中较为常见，同时，它在3D识别中引起了不可避免的挑战。理论上讲，任意3D旋转可以由多个操作组合而成，且这种组合的数量是无限的。因此，机器学习模型从极大的输入空间提取特征，对该提取的特征进行训练处理进而确保旋转变换带来的点云数据的分类精度。目前，现有技术中为了确保点云数据在3D旋转过程中的旋转不变性，往往通过提供大量的旋转增强数据，即应用空间变换器网路在特征提取之前规范输入数据，虽然旋转增强数据在某种程度上对提高机器模型的旋转鲁棒性是有效的，但是基于大量的旋转增强数据，显然其计算成本较高，并且利用较为固定的规范方式进行数据增强，使得机器模型按照该固定的方式进行持续训练，其训练方式不够灵活，很难保证旋转鲁棒性得到保证。
技术实现思路
因此，本专利技术实施例要解决的技术问题在于现有技术中为了确保点云数据在3D旋转过程中的旋转不变性，通过提供大量的旋转增强数据，利用机器模型按照固定的方式进行持续训练，其训练方式不够灵活，很难保证旋转鲁棒性得到保证。为此，本专利技术实施例提供了如下技术方案：根据第一方面，本专利技术实施例提供一种基于旋转的点云数据的特征处理方法，包括如下步骤：获取目标点云数据；利用旋转映射模块从所述目标点云数据中提取旋转不变特征；利用多个聚类模块对所述旋转不变特征进行多维特征处理，所述多个聚类模块依次按照由大至小的聚类数目顺序连接；利用分类器模块将所述多维特征处理后的所述旋转不变特征进行分类，得到所述旋转不变特征的分类结果。结合第一方面，在第一方面第一实施方式中，所述利用旋转映射模块从所述目标点云数据中提取旋转不变特征的步骤还包括：利用K最邻近算法将所述目标点云数据从第一维空间变换至第二维空间；建立具有多层感知机的第一神经网络模型；将变换至所述第二维空间的所述目标点云数据输入至所述第一神经网络模型训练得到所述旋转不变特征。结合第一方面，在第一方面第二实施方式中，，所述将变换至所述第二维空间的所述目标点云数据输入至所述第一神经网络模型训练得到所述旋转不变特征的步骤还包括：将所述旋转不变特征进行池化处理。结合第一方面，在第一方面第三实施方式中，，所述利用多个聚类模块对所述旋转不变特征进行多维特征处理，所述多个聚类模块依次按照由大至小的聚类数目顺序连接的步骤还包括：将所述旋转不变特征依次输入至第一聚类模块、第二聚类模块和第三聚类模块进行聚类处理得到多维的所述旋转不变特征，所述第一聚类模块的聚类数目大于第二聚类模块的聚类数目，所述第二聚类模块的聚类数目大于第三聚类模块的聚类数目。结合第一方面第一实施方式，在第一方面第四实施方式中，所述第一聚类模块、所述第二聚类模块和所述第三聚类模块进行聚类处理的步骤还包括构建所述旋转不变特征的K最邻近图；建立具有多层感知机的第二神经网络模型；将所述旋转不变特征的K最邻近图输入至所述第二神经网络模型训练得到多维的所述旋转不变特征；将所述多维的所述旋转不变特征进行池化处理。根据第二方面，本专利技术实施例提供一种基于旋转的点云数据的特征处理装置，包括：获取单元，用于获取目标点云数据；提取单元，用于利用旋转映射模块从所述目标点云数据中提取旋转不变特征；多维处理单元，用于利用多个聚类模块对所述旋转不变特征进行多维特征处理，所述多个聚类模块依次按照由大至小的聚类数目顺序连接；分类单元，用于利用分类器模块将所述多维特征处理后的所述旋转不变特征进行分类，得到所述旋转不变特征的分类结果。结合第二方面，在第二方面第一实施方式中，所述提取单元还包括：变换子单元，用于利用K最邻近算法将所述目标点云数据从第一维空间变换至第二维空间；建立子单元，用于建立具有多层感知机的第一神经网络模型；训练子单元，用于将变换至所述第二维空间的所述目标点云数据输入至所述第一神经网络模型训练得到所述旋转不变特征。结合第二方面，在第二方面第二实施方式中，，所述多维处理单元还包括：聚类处理子单元，用于将所述旋转不变特征依次输入至第一聚类模块、第二聚类模块和第三聚类模块进行聚类处理得到多维的所述旋转不变特征，所述第一聚类模块的聚类数目大于第二聚类模块的聚类数目，所述第二聚类模块的聚类数目大于第三聚类模块的聚类数目。根据第三方面，本专利技术实施例提供一种存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面或第一方面任一实施方式中所述的基于旋转的点云数据的特征处理方法的步骤。根据第四方面，本专利技术实施例提供一种终端设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面或第一方面任一实施方式中所述的基于旋转的点云数据的特征处理方法的步骤。本专利技术实施例技术方案，具有如下优点：本专利技术实施例提供一种基于旋转的点云数据的特征处理方法及装置，其中方法包括：获取目标点云数据；利用旋转映射模块从所述目标点云数据中提取旋转不变特征；利用多个聚类模块对所述旋转不变特征进行多维特征处理，所述多个聚类模块依次按照由大至小的聚类数目顺序连接；利用分类器模块将所述多维特征处理后的所述旋转不变特征进行分类，得到所述旋转不变特征的分类结果。本专利技术结合旋转映射模块、多个聚类模块对从目标点云数据中提取的旋转不变特征进行处理，可以确保基于3D点云数据进行目标识别的鲁棒性，增强目标点云数据的分类识别精度，同时降低了对深度学习模型的训练数据的数量需求和深度学习模型训练时的计算成本。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本专利技术的一些实施方式，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为本专利技术实施例中基于旋转的点云数据的特征处理方法的第一流程图；图2为本专利技术实施例中旋转映射模块表示点云的示意图；图3为本专利技术实施例中基于旋转的点云数据的特征处理方法的第二流程图；图4为本专利技术实施例中旋转映射模块对旋转不变特征进行处理的示意图；图5为本专利技术实施例中基于旋转的点云数据的特征处理方法利用多个模块进行处理的示意图；图6为本专利技术实施例中基于旋转的点云数据的特征处理方法的第三流程图；图7为本专利技术实施例中聚类模块的进行聚类的示意图；图8为本专利技术实施例中基于旋转的点云数据的特征处理装置的结构框图；图9为本专利技术实施例中终端设备的硬件示意图。具体实施方式下面将结合附图对本专利技术实施例的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。在本专利技术实施例的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本文档来自技高网...

【技术保护点】
1.一种基于旋转的点云数据的特征处理方法，其特征在于，包括如下步骤：获取目标点云数据；利用旋转映射模块从所述目标点云数据中提取旋转不变特征；利用多个聚类模块对所述旋转不变特征进行多维特征处理，所述多个聚类模块依次按照由大至小的聚类数目顺序连接；利用分类器模块将所述多维特征处理后的所述旋转不变特征进行分类，得到所述旋转不变特征的分类结果。

【技术特征摘要】
1.一种基于旋转的点云数据的特征处理方法，其特征在于，包括如下步骤：获取目标点云数据；利用旋转映射模块从所述目标点云数据中提取旋转不变特征；利用多个聚类模块对所述旋转不变特征进行多维特征处理，所述多个聚类模块依次按照由大至小的聚类数目顺序连接；利用分类器模块将所述多维特征处理后的所述旋转不变特征进行分类，得到所述旋转不变特征的分类结果。2.根据权利要求1所述的基于旋转的点云数据的特征处理方法，其特征在于，所述利用旋转映射模块从所述目标点云数据中提取旋转不变特征的步骤还包括：利用K最邻近算法将所述目标点云数据从第一维空间变换至第二维空间；建立具有多层感知机的第一神经网络模型；将变换至所述第二维空间的所述目标点云数据输入至所述第一神经网络模型训练得到所述旋转不变特征。3.根据权利要求1所述的基于旋转的点云数据的特征处理方法，其特征在于，所述将变换至所述第二维空间的所述目标点云数据输入至所述第一神经网络模型训练得到所述旋转不变特征的步骤还包括：将所述旋转不变特征进行池化处理。4.根据权利要求1所述的基于旋转的点云数据的特征处理方法，其特征在于，所述利用多个聚类模块对所述旋转不变特征进行多维特征处理，所述多个聚类模块依次按照由大至小的聚类数目顺序连接的步骤还包括：将所述旋转不变特征依次输入至第一聚类模块、第二聚类模块和第三聚类模块进行聚类处理得到多维的所述旋转不变特征，所述第一聚类模块的聚类数目大于第二聚类模块的聚类数目，所述第二聚类模块的聚类数目大于第三聚类模块的聚类数目。5.根据权利要求4所述的基于旋转的点云数据的特征处理方法，其特征在于，所述第一聚类模块、所述第二聚类模块和所述第三聚类模块进行聚类处理的步骤还包括构建所述旋转不变特征的K最邻近图；建立具有多层感知机的第二神经网络模型；将...

【专利技术属性】
技术研发人员：陈添水，陈嘉奇，李冠彬，陈超，林倞，
申请(专利权)人：暗物智能科技广州有限公司，
类型：发明
国别省市：广东,44