一种针对原始3D点云处理的深度卷积网络的点云识别方法技术

本发明专利技术公开了一种针对原始3D点云处理的深度卷积网络的点云识别方法，包括：通过FPS算法对原始点云进行采样；使用球域搜索算法对每个采样中心点周围给定半径所形成地球域内的K个邻近点进行查找并分组，进而将原始点云划分成重叠的局部区域；使用点云卷积操作对每个局域内的点集进行精细特征提取，产生更高层次的抽象特征。本发明专利技术可以对原始点云直接进行端到端的特征学习，无需任何预处理，并且具有较高的点云识别精度，将图像数据转为点云并使用该方法对其进行识别，性能也基本等效于传统2D卷积网络。

【技术实现步骤摘要】
一种针对原始3D点云处理的深度卷积网络的点云识别方法
本专利技术属于点云识别的
，尤其涉及一种针对原始3D点云处理的深度卷积网络的点云识别方法。
技术介绍
由于点云学习在无人驾驶，机器视觉和机器人等诸多领域的广泛应用，近来引起了越来越多的关注。作为AI中的主要技术，深度学习已成功用于解决各种2D视觉问题。但是，由于使用深度神经网络处理点云所面临的独特挑战，因此点云上的深度学习仍处于起步阶段。近年来，在点云上的深度学习甚至变得蓬勃发展，提出了许多方法来解决该领域的不同问题。现有技术中，Voxnet将点云表示为体积占用网格，然后用3D卷积神经网络来进行监督学习。所用数据包含LiDAR点云，RGBD点云和CAD模型。首先将点云拟合到32x32x32的体素化网格，可以构建一个全部填充为零的32x32x32的数组。然后缩放点云来计算每个体素内的有多少个点。在获得体素化网格后，接下来执行3D卷积计算，使其有效地在基于体素的图像上滑动立方体(注:3D卷积是通过堆叠多个连续的帧组成一个立方体，然后在立方体中运用3D卷积核)。VoxNet通本文档来自技高网...

【技术保护点】
1.一种针对原始3D点云处理的深度卷积网络的点云识别方法，其特征在于，包括以下步骤：/n步骤1：通过FPS算法对原始点云进行采样；/n步骤2：使用球域搜索算法对每个采样中心点周围给定半径所形成的球域内的K个邻近点进行查找并分组，进而将原始点云划分成重叠的局部区域；/n步骤3：使用点云卷积操作对每个局域内的点集进行精细特征提取，产生更高层次的抽象特征。/n

【技术特征摘要】
1.一种针对原始3D点云处理的深度卷积网络的点云识别方法，其特征在于，包括以下步骤：
步骤1：通过FPS算法对原始点云进行采样；
步骤2：使用球域搜索算法对每个采样中心点周围给定半径所形成的球域内的K个邻近点进行查找并分组，进而将原始点云划分成重叠的局部区域；
步骤3：使用点云卷积操作对每个局域内的点集进行精细特征提取，产生更高层次的抽象特征。


2.如权利要求1所述的针对原始3D点云处理的深度卷积网络的点云识别方法，其特征在于，在步骤1中，对于给定点集{x1,x2,...,xs}，使用FPS算法采样出S′个采样点的集合的子集，其中是相对于其余点集合而言在度量距离中最远的点。

【专利技术属性】
技术研发人员：秦鑫宇，沈学利，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：辽宁;21