一种物体识别方法、装置、设备及介质制造方法及图纸

本申请公开了一种物体识别方法、装置、设备及介质，包括：获取训练数据集；其中，所述训练数据集中包括点云数据样本和所述点云数据样本对应的标签信息；提取每一所述点云数据样本的三维特征和二维特征，并将所述三维特征和所述二维特征融合，以得到每一所述点云数据样本的融合特征；将所述融合特征输入初始模型以对所述初始模型进行训练，得到训练后模型；当获取到待识别点云数据，则利用所述训练后模型输出所述待识别点云数据对应的物体识别结果。这样，模型能够学习到点云数据的三维特征和二维特征，利用训练后的模型，能够提升针对大场景点云数据的物体识别的准确度，并避免计算量过大的问题。过大的问题。过大的问题。

【技术实现步骤摘要】
一种物体识别方法、装置、设备及介质


[0001]本申请涉及物体识别
，特别涉及一种物体识别方法、装置、设备及介质。

技术介绍

[0002]LiDAR(即Light Detection and Ranging，激光雷达测量)是一种光学遥感技术，通过使用激光收集物体信息，包括物体坐标、颜色、强度和海拔等各种信息。目前多用于城市规划、3D数字城市建模、森林资源调查和地表检测等各种领域，LiDAR点云分类是激光雷达处理和机器学习领域的重要研究课题。在室外城市环境中，越来越多的应用需要点云分类的结果，如智能驾驶、机器人导航、场景三维建模等，因此复杂大场景的点云分类是一项重要的研究任务。
[0003]目前，现有的一些大场景点云分类方法通常是利用多视图或体素化方法将无组织点云转换成一种规则结构，然而在基于多视图的方法中，由于其需要经过多个不同角度投影点云数据形成二维的图像，这样会容易丢失一部分点云的三维信息；而体素化网络是将点云输入到一个体素化网络中，在很大程度上取决于体素的大小，体素较大容易造成计算量增多，体素量较小容易导致计算复杂度加大，虽本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物体识别方法，其特征在于，包括：获取训练数据集；其中，所述训练数据集中包括点云数据样本和所述点云数据样本对应的标签信息；提取每一所述点云数据样本的三维特征和二维特征，并将所述三维特征和所述二维特征融合，以得到每一所述点云数据样本的融合特征；将所述融合特征输入初始模型以对所述初始模型进行训练，得到训练后模型；当获取到待识别点云数据，则利用所述训练后模型输出所述待识别点云数据对应的物体识别结果。2.根据权利要求1所述的物体识别方法，其特征在于，所述提取每一所述点云数据样本的三维特征，包括：在每一所述点云数据样本中选取离每个点最近的第一预设数量个点以得到每个点的第一目标邻域点；针对任一点，利用该点的所述第一目标邻域点计算该点的三维特征矩阵；针对任一所述点云数据样本，将该点云数据样本的全部点的三维特征矩阵组成该点云数据样本的三维特征。3.根据权利要求2所述的物体识别方法，其特征在于，所述针对任一点，利用该点的所述第一目标邻域点计算该点的三维特征矩阵，包括：针对任一点，利用该点的所述第一目标邻域点计算该点对应的多个预设特征值；基于所述多个预设特征值构建该点的三维特征矩阵。4.根据权利要求2所述的物体识别方法，其特征在于，提取每一所述点云数据样本的二维特征，包括：将每一所述点云数据样本沿X、Y、Z三个方向进行二维平面投影，得到投影数据；在每一所述投影数据中选取离每个点最近的第二预设数量个点以得到每个点的第二目标邻域点；针对任一点，利用该点的所述第二目标邻域点计算该点的二维特征矩阵；针对任一所述点云数据样本，将该点云数据样本的全部点的二维特征矩阵组成该点云数据样本的二维特征。5.根据权利要求4所述的物体识别方法，其特征在于，所述将所述三维特征和所述二维特征融合，以得到每一所述点云数据样本的融合特征，包括：针对每一所述点云数...

【专利技术属性】
技术研发人员：王奕超，范渊，刘博，
申请(专利权)人：杭州安恒信息技术股份有限公司，
类型：发明
国别省市：