一种基于计算机视觉的点云自动化分类方法技术

本发明专利技术一种基于计算机视觉的点云自动化分类方法，包括以下步骤：获取点云数据，并对所述点云数据进行预处理；对预处理的点云数据进行编码；基于编码的点云数据，建立深度学习的神经网络判别模型；基于所述深度学习的神经网络判别模型，获得点云数据的预测分类结果。本发明专利技术通过对点云数据进行编码，并结合深度学习的神经网络技术，通过自主学习的模型达到对点云数据进行分类，提高分类结果的准确性。提高分类结果的准确性。提高分类结果的准确性。

【技术实现步骤摘要】
一种基于计算机视觉的点云自动化分类方法


[0001]本专利技术属于计算机
，尤其涉及一种基于计算机视觉的点云自动化分类方法。

技术介绍

[0002]随着计算机视觉和人工智能等理论的发展，三维点云在汽车自动驾驶、机器人感知和导航以及虚拟/增强现实等领域中被广泛应用并发挥着重要作用。然而，由于点云具有数据量大、形状不规则、密度不均匀等特点，三维点云的自动分类一直是一个极具挑战性的难题。
[0003]由于三维点云的不规则和无序性，传统的卷积神经网络难以直接处理，所以早期基于深度学习的研究工作是将三维点云处理为适用于标准空间卷积的形式，如常规的体素网格或多视图。然而，数据格式转换通常会造成信息丢失，最终导致3D分类性能的下降。此外，采用体素网格或多视图的方法会产生昂贵的计算开销，大大增加了算法的空间复杂度和时间复杂度，因此这类方法不太适合大数据量、大场景点云数据的自动分类。直到2017年，Qi等提出了直接在非结构化的原始点云上进行分类的点云神经网络PointNet，它的基本思想是通过共享的多层感知(Multi
‑
Laye本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于计算机视觉的点云自动化分类方法，其特征在于，包括以下步骤：获取点云数据，并对所述点云数据进行预处理；对预处理的点云数据进行编码；基于编码的点云数据，建立深度学习的神经网络判别模型；基于所述深度学习的神经网络判别模型，获得点云数据的预测分类结果。2.根据权利要求1所述的基于计算机视觉的点云自动化分类方法，其特征在于，所述点云数据包括：稀疏点云数据和密集点云数据。3.根据权利要求1所述的基于计算机视觉的点云自动化分类方法，其特征在于，对所述点云数据进行预处理的方法包括：去除重复项和剔除异常值，使用线性插值的方法补充缺失值，以及将所述点云数据的时间分辨率统一处理。4.根据权利要求1所述的基于计算机视觉的点云自动化分类方法，其特征在于，对预处理的点云数据进行编码的方法包括：对所述预处理的点云数据进行预训练获得若干个编码向量，并对若干个编码向量进行聚合，获得所述预处理的点云数据的表示向量；基于所述表示向量，获取所述预处理的点云数据中任两个点云的邻接关系。5.根据权利要求4所述的基于计算机视觉的点云自动化分类方法，其特征在于，对所述预处理的点云数据进行预训练获得若干个编码向量的方法包括：采用预训练语言模型BERT的若干层Transformer作为...

【专利技术属性】
技术研发人员：刘大洋，邓利平，陈凤金，陈敏，周剑，徐平，刘慕溪，
申请(专利权)人：广东省核工业地质局测绘院，
类型：发明
国别省市：