三维物体的识别方法技术

本发明专利技术提供了一种三维物体的识别方法，包括：通过旋转不变编码器对输入的点云进行编码，得到旋转不变特征向量；对旋转不变特征向量进行卷积和池化处理，得到中间特征向量；对中间特征向量进行多层感知机全局池化处理，得到全局特征向量；将全局特征向量输入全连接层构成的分类器，得到三维物体的分类结果。本发明专利技术用图结构来描述点与点之间的关系，点与点的连接关系作为边，采用拉普拉斯矩阵L描述图结构，对图结构表示的三维特征进行旋转不变编码，然后利用层级图卷积进行全局特征提取，利用多层全连接输出最终分类结果，从而可以简化数据的处理过程，且提取的三维特征具备旋转不变性，使得三维物体的分类结果更加准确。

Recognition method of 3D objects

【技术实现步骤摘要】
三维物体的识别方法
本专利技术涉及三维深度学习
，具体地，涉及三维物体的识别方法。
技术介绍
三维特征分两种，一种是手工设计的，一种是基于深度学习。手工设计的三维特征都是针对部分特定的应用去设计的，通用性不强，难以处理低分辨率、高噪声的三维数据。基于深度学习的方法是2015年后才逐渐出现的，得益于深度模型强大的学习能力和鲁邦性，基于学习的三维特征在性能上远远优于传统手工设计的特征。三维模型的表示方法可以是点云，voxel、multiview或者球投影等等。三维模型的不同的表示方法对应有不同的特征提取网络。其中，采用点云表示的三维模型，具备存储量小，计算效率高等优点。并且，点云是由三维深度传感器(如激光雷达，深度相机)直接输出的数据，不需要进行数据的额外预处理。三维旋转不变性是三维特征中十分重要的特性，在三维物体识别、匹配和搜索等任务中有广泛应用。显然，对于点云中的某个点而言，其三维空间坐标值跟三维坐标系的选取有关，所以直接学习点云的坐标无法实现特征的三维旋转不变性。
技术实现思路
针对现有技术中的缺陷，本专利技术的目的是提供一种三维物体的识别方法。根据本专利技术提供的一种三维物体的识别方法，包括：通过旋转不变编码器对输入的点云进行编码，得到旋转不变特征向量；对所述旋转不变特征向量进行卷积和池化处理，得到中间特征向量；对所述中间特征向量进行多层感知机全局池化处理后，得到全局特征向量；将所述全局特征向量输入全连接层构成的分类器，得到三维物体的分类结果。可选地，通过旋转不变编码器对输入的点云进行编码，得到旋转不变特征向量，包括：计算点云中点与点之间的距离；根据距离搜寻每个点的k个近邻点，得到k邻接矩阵A∈RN×N；根据k邻接矩阵计算拉普拉斯矩阵L；将拉普拉斯矩阵L作为图移算子，并将所述图移算子作用于输入图信号X；将所述输入信号X输入所述旋转不变编码器，并对输出结果取模长之后，转化为旋转不变特征向量。可选地，对所述旋转不变特征向量进行卷积和池化处理，得到中间特征向量，包括：通过层级卷积模块对所述旋转不变特征向量进行卷积和池化处理，得到中间特征向量；其中，所述层级卷积模块包括：交替连接的边卷积层和池化层；所述边卷积层用于获取边缘特征向量；所述池化层用于对所述边缘特征向量进行降采样处理，以减少处理的点云个数。可选地，通过三个级联的层级卷积模块对所述旋转不变特征向量进行卷积和池化处理。可选地，对所述中间特征向量进行多层感知机全局池化处理后，得到全局特征向量，包括：计算所述中间特征向量中点云的局部几何变化率；对输入点云进行网格化，以使得点云被分配至网格中；在每个网格中仅保留局部变化率最大的点云；其中，所有被保留的点云对应的特征，构成了所述全局特征向量。与现有技术相比，本专利技术具有如下的有益效果：本专利技术提供的三维物体的识别方法，利用点云携带的三维特征蕴含在点与点之间的相互关系，采用图结构来描述点与点之间的关系，点云本身特征作为节点特征，点与点的连接关系作为边，采用拉普拉斯矩阵L描述图结构，对图结构表示的三维特征进行旋转不变编码，然后利用层级图卷积进行全局特征提取，利用多层全连接输出最终分类结果。本专利技术可以简化数据的处理过程，且提取的三维特征具备旋转不变性，使得三维物体的分类结果更加准确。附图说明通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：图1为本专利技术一实施例提供的三维物体的识别方法的流程示意图；图2为本专利技术中三维物体的识别的算法流程示意图；图3为通过旋转不变编码器对输入的点云进行编码的方法流程图；图4为本专利技术中三维物体的识别原理结构示意图；图5为本专利技术中层级卷积模块的结构示意图；图6为本专利技术中多层感知机全局池化处理的算法流程图。具体实施方式下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变化和改进。这些都属于本专利技术的保护范围。图1为本专利技术一实施例提供的三维物体的识别方法的流程示意图，如图1所示，本实施例的方法可以包括：S101、通过旋转不变编码器对输入的点云进行编码，得到旋转不变特征向量。本实施例中，首先计算点云中点与点之间的距离；根据距离搜寻每个点的k个近邻点，得到k邻接矩阵A∈RN×N；根据k邻接矩阵计算拉普拉斯矩阵L；将拉普拉斯矩阵L作为图移算子，并将所述图移算子作用于输入图信号X；将所述输入信号X输入所述旋转不变编码器，并对输出结果取模长之后，转化为旋转不变特征向量。具体地，3D旋转不变几何特征需要该特征能够表达所代表的几何含义，又不能随旋转变化。令任意的三维形状的点云表示为X；描述这个三维形状的特征向量为F；定义一个特征提取函数H()，则特征F＝H(X)，若要保持三维特征描述向量不随旋转变化，首先定义一个旋转矩阵R表示三维空间上的任意旋转，则需满足F＝H(RX)成立。在这里X使用点云表示，每个点云包含xyz坐标组成的三通道特征。特征提取函数H()主要包含前端和后端两个部分。图2为本专利技术中三维物体的识别的算法流程示意图。如图2所示，前端是旋转不变特征的编码器，作用在点云的每个点上，可以利用点与周围点之间的关系，将会随坐标系变化而变化的点云坐标转化为不随旋转变化的高维特征向量；后端是层级结构图卷积网络，用于提取整体旋转不变特征，每层后对点云进行下采样并进行池化，最后用全局最大值池化提取全局特征，用三层全连接作为分类器输出最后分类结果。图3为通过旋转不变编码器对输入的点云进行编码的方法流程图，如图3所示，首先对图信号X每个节点寻找临近点并构建临近图；尖酸拉普拉斯矩阵L；将L作为图移算子，作用于输入图信号X；对输出结果其模长，转换为旋转不变特征。利用旋转不变特征编码层对特征进行高维编码。具体地，首先计算点云中点与点间的距离，然后对每个点根据距离搜寻的k个近邻点，得到k邻接距离矩阵A∈RN×N。其中，任意两点之间的权重的计算公式如下：其中，xi，xj∈X，xi为中心点坐标，xj为其近邻点坐标，σ为自适应归一化参数，Ai，j表示表示N个点中第i和j个点之间的权重。根据邻近矩阵可以计算得到拉普拉斯矩阵Lrw＝I-D-1A，D为邻接距离矩阵A的度矩阵；Ni表示第i个点的近邻点集合，Wi，j表示本实施例中，使用点的坐标作为信号，令X∈RN×3表示整个图上所有节点组成的信号。输入原始图信号，输出处理后的图信号。图移算子作用在图上的某一个节点，起到的作用是把当前节点上的值由其近邻点的值的加权平均值替代，使用拉普拉斯矩阵作为图移算子，每一个线性平移不变性的图滤波核都可以写成图移算子的多项式：其中：hl(l＝0，1，...，K-1)表示的是第l个滤波器系数，K为滤波器长度，滤波器作用于信号X的输出为F＝h(L)X∈RN。I表示单位对角矩阵，L表示拉普拉斯矩阵。定义图上的K个特征为：i∈0，1，...，K-1其中代表(h(L)X)i每行的模长，则该特征具有旋转不变性。(h(L)X)i表示h(L)X展开成多项式后的第(i+1)项，也就是hiLiX，fi(X)表示前面定义的图上的特征。证明1：令X为原始三维坐标，R为任意旋转矩阵，旋转后本文档来自技高网...

【技术保护点】
1.一种三维物体的识别方法，其特征在于，包括：通过旋转不变编码器对输入的点云进行编码，得到旋转不变特征向量；对所述旋转不变特征向量进行卷积和池化处理，得到中间特征向量；对所述中间特征向量进行多层感知机全局池化处理后，得到全局特征向量；将所述全局特征向量输入全连接层构成的分类器，得到三维物体的分类结果。

【技术特征摘要】
1.一种三维物体的识别方法，其特征在于，包括：通过旋转不变编码器对输入的点云进行编码，得到旋转不变特征向量；对所述旋转不变特征向量进行卷积和池化处理，得到中间特征向量；对所述中间特征向量进行多层感知机全局池化处理后，得到全局特征向量；将所述全局特征向量输入全连接层构成的分类器，得到三维物体的分类结果。2.根据权利要求1所述的三维物体的识别方法，其特征在于，通过旋转不变编码器对输入的点云进行编码，得到旋转不变特征向量，包括：计算点云中点与点之间的距离；根据距离搜寻每个点的k个近邻点，得到k邻接矩阵A∈RN×N；根据k邻接矩阵计算拉普拉斯矩阵L；将拉普拉斯矩阵L作为图移算子，并将所述图移算子作用于输入图信号X；将所述输入信号X输入所述旋转不变编码器，并对输出结果取模长之后，转化为旋转不变特征向量。3.根据权利要求1所述的三维物体的识别方法，其特征在于...

【专利技术属性】
技术研发人员：应忍冬，潘光华，刘佩林，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海,31