一种多尺度点云分类方法及系统技术方案

本发明专利技术公开了一种多尺度点云分类方法，所述方法包括如下步骤：获取3D无序点云数据；使用预先训练的并行分类网络对获取到的点云数据进行特征提取和分类，得到输出结果；其中，所述并行分类网络包括多个结构相同的基础网络；使用预先训练的深度Q网络对并行网络的输出结果进行融合，得到点云分类的最终结果。本发明专利技术能够提高点云分类的准确率和鲁棒性。能够提高点云分类的准确率和鲁棒性。能够提高点云分类的准确率和鲁棒性。

【技术实现步骤摘要】
一种多尺度点云分类方法及系统


[0001]本专利技术涉及一种多尺度点云分类方法及系统，属于计算机3D视觉


技术介绍

[0002]3D视觉技术相较于2D视觉能获取更丰富更全面的环境信息，已经成为人脸识别、无人驾驶、增强/虚拟现实、工业检测等领域的关键技术。3D视觉技术能够较好克服2D图像无法反映真实世界的问题，点云格式中的坐标能够反映其在现实世界中的实际位置信息。三维空间中的目标识别是当下的研究热点，其中目标识别的关键是目标分类和分割。随着数据采集技术的发展，从图片到三维模型，各种类型的数据获取手段越来越丰富。点云是三维数据的主要表现模式，可以通过激光雷达、深度传感器等设备直接采集到原始的点云数据。点云可以广泛地应用到各个领域，比如虚拟现实、三维打印、无人驾驶、目标分类分割等。因此，越来越多的学者将大量的工作投入到点云数据的处理中。
[0003]点云分类和图像分类类似，根据对应的标签将点云集合正确地识别出来。点云分割是按照规则对点云数据进行归类，通常将相同特征的点标记成一个类别。传统方法一般通过人工提取特征对点云数据进行分类分割，但这类方法依赖人工的专业水平和经验，过程较为复杂，而且只适用于特定的任务。为了提高点云分类分割的自动化程度，越来越多的方法采用深度学习取代传统的特征提取方法。深度学习方法可以根据需要学习的目标提取输入数据的高维特征，近年来，大量研究者将二维领域的深度学习技术应用到三维的非结构化点云数据中，可以直接应用于无序、稀疏的点云数据。然而大多数方法只提取点云的全局特征，忽视了点和点之间存在的局部关系，导致分类分割的精度和鲁棒性不够高。另外，深度学习的计算比较复杂，而且需要大量的训练时间，不利于将模型移植到实际的应用场景中。因此，提高点云分类的准确率，提高训练效率具有较强的实际意义。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中的不足，提供一种多尺度点云分类方法及系统，能够提高点云分类的准确率和鲁棒性。为达到上述目的，本专利技术是采用下述技术方案实现的：
[0005]第一方面，本专利技术提供了一种多尺度点云分类方法，包括：
[0006]获取3D无序点云数据；
[0007]使用预先训练的并行分类网络对获取到的点云数据进行特征提取和分类，得到输出结果；其中，所述并行分类网络包括多个结构相同的基础网络；
[0008]使用预先训练的深度Q网络对并行网络的输出结果进行融合，得到点云分类的最终结果。
[0009]结合第一方面，进一步地，所述基础网络有5个，每个基础网络依次包括特征对齐层、特征提取层与全连接层。
[0010]结合第一方面，进一步地，根据输入所述基础网络点云的特征维度不同，区分各基
础网络，同一基础网络中不同层输出特征的维度相同。
[0011]结合第一方面，进一步地，所述得到输出结果，包括：
[0012]将n
×
3的点云数据通过特征对齐层来对点云进行特征对齐；
[0013]对齐后的n
×
3点云数据通过特征提取层经过三次卷积操作后，输出维度为n
×
128、n
×
256、n
×
512、n
×
1024、n
×
2048的特征；
[0014]通过最大池化操作后，在第二个维度求最大值输出维度为1
×
128、1
×
256、1
×
512、1
×
1024、1
×
2048的全局特征；
[0015]通过由线性层组成的全连接层进行处理，得到大小为N
×
k的k个分类的得分，N为批次大小，作为基础网络的输出结果。
[0016]结合第一方面，进一步地，所述特征提取层采用特征金字塔网络进行特征提取，包括：
[0017]按从低维到高维的顺序依次提取特征，对提取的特征从低维到高维依次进行两倍上采样并相加，输出对应特征维度的特征。
[0018]结合第一方面，进一步地，采用损失函数对构成并行网络的各基础网络进行训练，所述损失函数通过下式表示：
[0019][0020]式(1)中，x
i
表示样本，m表示训练样本数量，P
G
(x
i
；θ)表示由参数θ决定的每个样本数据分布模型。
[0021]结合第一方面，优选地，所述基础网络的训练所采用的数据集为斯坦福大学的ModelNet40训练样本。
[0022]结合第一方面，进一步地，所述深度Q网络的训练所采用的数据集为通过人工标注每个基础模型所分类效果最佳的物品类别。
[0023]第二方面，本专利技术提供了一种多尺度点云分类系统，包括：
[0024]获取模块：用于获取3D无序点云数据；
[0025]特征提取模块：用于使用预先训练的并行分类网络对获取到的点云数据进行特征提取和分类，得到输出结果；其中，所述并行分类网络由多个结构相同的基础网络构成；
[0026]特征融合模块：用于使用预先训练的深度Q网络对并行网络的输出结果进行融合，得到点云分类的最终结果。
[0027]第三方面，本专利技术提供了一种计算设备，包括处理器及存储介质；
[0028]所述存储介质用于存储指令；
[0029]所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。
[0030]第四方面，本专利技术提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述方法的步骤。
[0031]与现有技术相比，本专利技术实施例所提供的一种多尺度点云分类方法所达到的有益效果包括：
[0032]本专利技术获取3D无序点云数据；使用预先训练的并行分类网络对获取到的点云数据进行特征提取和分类，得到输出结果；其中，所述并行分类网络由多个结构相同的基础网络构成。本专利技术采用并行分类网络获得不同层级的特征并进行融合，包含了点和点之间存在
的局部关系，能够提高特征提取准确性，能够提高点云分类的精度和鲁棒性；
[0033]使用预先训练的深度Q网络对并行网络的输出结果进行融合，得到点云分类的最终结果。本专利技术基于深度Q网络对并行网络的输出结果进行融合，能够提高分类结果的准确度。
附图说明
[0034]图1是本专利技术实施例一提供的一种多尺度点云分类方法的并行分类网络的网络架构；
[0035]图2是本专利技术实施例一提供的一种多尺度点云分类方法的基础网络的网络结构；
[0036]图3是本专利技术实施例一提供的一种多尺度点云分类方法的基础网络中特征提取的示意图；
[0037]图4是本专利技术实施例二提供的待分类3D无序点云目标；
[0038]图5是本专利技术实施例二提供的包含128、256、512、1024个点的点云目标；
[0039]图6是本专利技术实施例二提供的包含1024、512、256、128个点的点云本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多尺度点云分类方法，其特征在于，包括：获取3D无序点云数据；使用预先训练的并行分类网络对获取到的点云数据进行特征提取和分类，得到输出结果；其中，所述并行分类网络包括多个结构相同的基础网络；使用预先训练的深度Q网络对并行网络的输出结果进行融合，得到点云分类的最终结果。2.根据权利要求1所述的多尺度点云分类方法，其特征在于，所述基础网络有5个，每个基础网络依次包括特征对齐层、特征提取层与全连接层。3.根据权利要求2所述的多尺度点云分类方法，其特征在于，根据输入所述基础网络点云的特征维度不同，区分各基础网络，同一基础网络中不同层输出特征的维度相同。4.根据权利要求2所述的多尺度点云分类方法，其特征在于，所述得到输出结果，包括：将n
×
3的点云数据通过特征对齐层来对点云进行特征对齐；对齐后的n
×
3点云数据通过特征提取层经过三次卷积操作后，输出维度为n
×
128、n
×
256、n
×
512、n
×
1024、n
×
2048的特征；通过最大池化操作后，在第二个维度求最大值输出维度为1
×
128、1
×
256、1
×
512、1
×
1024、1
×
2048的全局特征；通过由线性层组成的全连接层进行处理，得到大小为N
×
...

【专利技术属性】
技术研发人员：张登银，龚锐，曹莹莹，杨辰，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：