基于点云的物体分类方法及相关设备技术

本发明专利技术公开了一种基于点云的物体分类方法及相关设备，涉及点云领域，主要为解决基于点云进行物体分类时，分类精度和稳定性难以兼顾的问题。该方法包括：确定目标物体的对齐点云坐标数据；基于所述对齐点云坐标数据和全局注意力机制确定高层特征矩阵；基于所述高层特征矩阵确定所述目标物体的全局特征以确定分类结果。本发明专利技术用于基于点云的物体分类过程。本发明专利技术用于基于点云的物体分类过程。本发明专利技术用于基于点云的物体分类过程。

【技术实现步骤摘要】
基于点云的物体分类方法及相关设备


[0001]本专利技术涉及点云领域，尤其涉及一种基于点云的物体分类方法及相关设备。

技术介绍

[0002]物体分类是视觉计算和模式识别中的经典问题。随着深度神经网络技术的发展，物体分类的性能突飞猛进，在机器人、自动驾驶、增强现实中显示出越来越强的应用潜力。常见的物体表示方法包括了图像和点云。由于图像结构具有天然的有序性、均匀性和规则性，因此深度神经网络技术首先在以图像为输入的物体分类上取得了成功。与图像输入相比，尽管三维点云具有更为丰富的空间信息且不易受光照变化影响的优势，但其天然的无序性、非均匀性和不规则性，使得设计一个直接以三维点云为输入的神经网络特征提取与分类方法充满了挑战。
[0003]目前常见的分类方法有：基于全局特征的方法、基于局部特征的方法和基于邻域特征的方法。尽管基于全局特征的方法因点的特征不受周围点的分布影响，对于因目标捕获距离远近等原因造成的点云疏密变化具有非常强的稳定性，但是存在分类精度较差的不足；而基于局部特征的方法和基于邻域特征的方法由于考虑了点云的局部特征和邻域特性，因此其性能会受到点云局部缺失和分布变化的影响。故现有技术中仍存在分类精度和稳定性难以兼顾的技术问题。

技术实现思路

[0004]鉴于上述问题，本专利技术提供一种基于点云的物体分类方法及相关设备，主要目的在于解决基于点云进行物体分类时，分类精度和稳定性难以兼顾的问题。
[0005]为解决上述至少一种技术问题，第一方面，本专利技术提供了一种基于点云的物体分类方法，该方法包括：
[0006]确定目标物体的对齐点云坐标数据；
[0007]基于上述对齐点云坐标数据和全局注意力机制确定高层特征矩阵；
[0008]基于上述高层特征矩阵确定上述目标物体的全局特征以确定分类结果。
[0009]可选的，上述方法还包括：
[0010]基于目标物体确定点云坐标数据；
[0011]基于空间变换网络对上述点云坐标数据进行空间变换以确定上述对齐点云坐标数据。
[0012]可选的，上述基于上述对齐点云坐标数据和全局注意力机制确定高层特征矩阵，包括：
[0013]基于全局特征提取架构和上述全局注意力机制确定基于全局注意力机制的目标全局特征提取模型；
[0014]基于上述对齐点云坐标数据和上述基于全局注意力机制的目标全局特征提取模型确定高层特征矩阵。
[0015]可选的，上述基于全局注意力机制的目标全局特征提取模型包括：基于全局注意力机制的多层感知机网络、基于级联全局注意力机制的特征变换网络和基于级联全局注意力机制的多层感知机网络。
[0016]可选的，
[0017]上述级联全局注意力机制是由多个全局注意力机制级联而成的，
[0018]上述多层感知机网络用于对点云数据的特征进行提取，
[0019]上述特征变换网络用于对点云数据的特征进行对齐。
[0020]可选的，上述基于上述对齐点云坐标数据和全局注意力机制确定高层特征矩阵，包括：
[0021]对上述对齐点云坐标数据进行基于全局注意力机制的多层感知机网络处理以获取低层特征矩阵；
[0022]对上述低层特征矩阵通过进行基于级联全局注意力机制的特征变换网络处理以获取对齐低层特征矩阵；
[0023]对上述对齐低层特征矩阵进行基于级联全局注意力机制的多层感知机网络处理以获取高层特征矩阵。
[0024]可选的，上述基于上述高层特征矩阵确定上述目标物体的全局特征以确定分类结果，包括：
[0025]对上述高层特征矩阵进行最大池化处理以获取全局特征；
[0026]对上述全局特征进行全连接网络处理以对上述目标物体进行分类。
[0027]第二方面，本专利技术实施例还提供了一种基于点云的物体分类装置，包括：
[0028]第一确定单元，用于确定目标物体的对齐点云坐标数据；
[0029]第二确定单元，用于基于上述对齐点云坐标数据和全局注意力机制确定高层特征矩阵；
[0030]第三确定单元，用于基于上述高层特征矩阵确定上述目标物体的全局特征以确定分类结果。
[0031]为了实现上述目的，根据本专利技术的第三方面，提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序被处理器执行时实现上述的基于点云的物体分类方法的步骤。
[0032]为了实现上述目的，根据本专利技术的第四方面，提供了一种电子设备，包括至少一个处理器、以及与上述处理器连接的至少一个存储器；其中，上述处理器用于调用上述存储器中的程序指令，执行上述的基于点云的物体分类方法的步骤。
[0033]借由上述技术方案，本专利技术提供基于点云的物体分类方法及相关设备。对于基于点云进行物体分类时，分类精度和稳定性难以兼顾的问题，本专利技术通过确定目标物体的对齐点云坐标数据；基于上述对齐点云坐标数据和全局注意力机制确定高层特征矩阵；基于上述高层特征矩阵确定上述目标物体的全局特征以确定分类结果。在上述方案中，由于重新设计点云目标全局特征提取模型的三个关键网络，并在新的网络中，将不同的全局注意力机制与原有的网络有机地融合在一起，使得点云中的每个点在特征提取的各个关键阶段都能充分利用所有点的特征，从而提高了分类精度，同时，在特征提取的各个阶段均不涉及局部点云的划分或者点的邻域的计算，故确保了分类的稳定性，由此解决现有技术中分类
精度和稳定性难以兼顾的技术问题。
[0034]相应地，本专利技术实施例提供的基于点云的物体分类装置、设备和计算机可读存储介质，也同样具有上述技术效果。
[0035]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
附图说明
[0036]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0037]图1示出了本专利技术实施例提供的一种基于点云的物体分类方法的流程示意图；
[0038]图2示出了本专利技术实施例提供的一种基于点云的物体分类方法的网络结构示意图；
[0039]图3示出了本专利技术实施例提供的一种基于全局注意力机制的多层感知机网络示意图；
[0040]图4示出了本专利技术实施例提供的一种级联全局注意力机制示意图；
[0041]图5示出了本专利技术实施例提供的一种基于级联全局注意力机制的特征变换网络示意图；
[0042]图6示出了本专利技术实施例提供的一种基于级联全局注意力机制的多层感知机网络示意图；
[0043]图7示出了本专利技术实施例提供的一种基于点云的物体分类装置的组成示意框图；
[0044]图8示出了本专利技术实施例提供的一种基于点云的物体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于点云的物体分类方法，其特征在于，包括：确定目标物体的对齐点云坐标数据；基于所述对齐点云坐标数据和全局注意力机制确定高层特征矩阵；基于所述高层特征矩阵确定所述目标物体的全局特征以确定分类结果。2.根据权利要求1所述的方法，其特征在于，还包括：基于目标物体确定点云坐标数据；基于空间变换网络对所述点云坐标数据进行空间变换以确定所述对齐点云坐标数据。3.根据权利要求1所述的方法，其特征在于，所述基于所述对齐点云坐标数据和全局注意力机制确定高层特征矩阵，包括：基于全局特征提取架构和所述全局注意力机制确定基于全局注意力机制的目标全局特征提取模型；基于所述对齐点云坐标数据和所述基于全局注意力机制的目标全局特征提取模型确定高层特征矩阵。4.根据权利要求3所述的方法，其特征在于，所述基于全局注意力机制的目标全局特征提取模型包括：基于全局注意力机制的多层感知机网络、基于级联全局注意力机制的特征变换网络和基于级联全局注意力机制的多层感知机网络。5.根据权利要求4所述的方法，其特征在于，所述级联全局注意力机制是由多个全局注意力机制级联而成的，所述多层感知机网络用于对点云数据的特征进行提取，所述特征变换网络用于对点云数据的特征进行对齐。6.根据权利要求4所述的方法，其特征在于，所述基于所述对齐点云坐标数据和全局注意力机制确定高层特征矩阵，包括：对所述对齐...

【专利技术属性】
技术研发人员：吴显峰，赖重远，王俊飞，刘心怡，刘宇炜，周静，刘霞，刘哲，胡亦明，
申请(专利权)人：研鸿智能科技武汉有限公司湖南研鸿自动化设备有限公司，
类型：发明
国别省市：