基于点云数据的图像识别方法、装置、设备和存储介质制造方法及图纸

本说明书实施例提供了一种基于点云数据的图像识别方法、装置、设备和存储介质，其中方法包括：获取待识别物的点云数据；划分所述点云数据得到若干矩阵，计算每个矩阵中所有元素之间距离的平均值作为所述矩阵的值；根据每个所述矩阵的值，生成待识别物的灰度图像；将所述待识别物的灰度图像输入至卷积神经网络模型，以识别所述待识别物。本说明书实施例能够确定待识别物的具体形态，提高识别的准确度。提高识别的准确度。提高识别的准确度。

【技术实现步骤摘要】
基于点云数据的图像识别方法、装置、设备和存储介质


[0001]本说明书实施例涉及图像识别领域，特别地，涉及一种基于点云数据的图像识别方法、装置、设备和存储介质。

技术介绍

[0002]点云数据(point cloud data)是指在一个三维坐标系统中的一组向量的集合，一般可以通过视觉设备或激光雷达获取目标物的点云数据，在获取点云数据后需要基于点云数据来进行识别，以确定目标物的具体形态。
[0003]现有技术中由于受场景环境影响，如果在远距离、恶劣环境、目标物不清晰等情况下，会导致目标物识别的准确度降低，因此现在亟需一种基于点云数据的图像识别方法，能够提高目标物的识别准确度。

技术实现思路

[0004]本说明书实施例的目的在于提供一种基于点云数据的图像识别方法、装置、设备和存储介质，以提高目标物的识别准确度。
[0005]为达到上述目的，一方面，本说明书实施例提供了一种基于点云数据的图像识别方法，包括：
[0006]获取待识别物的点云数据；
[0007]划分所述点云数据得到若干矩阵，计算每个矩阵中所有元素之间距离的平均值作为所述矩阵的值；
[0008]根据每个所述矩阵的值，生成待识别物的灰度图像；
[0009]将所述待识别物的灰度图像输入至卷积神经网络模型，以识别所述待识别物。
[0010]优选的，所述划分所述点云数据得到若干矩阵进一步包括：
[0011]将所述点云数据划分到若干预设大小的单元格中，其中所述单元格为占据三维空间的单元格，且任意两个单元格之间不重合；
[0012]将所述单元格沿一定方向切分形成预设数目的平面网格，其中任意两个平面网格之间不重合，每个平面网格中至少有一个点云数据；
[0013]根据所述预设数目的平面网格，得到预设数目的矩阵，其中所述平面网格中的每个点云数据与相应矩阵中的一个元素对应。
[0014]优选的，所述根据每个所述矩阵的值，生成待识别物的灰度图像进一步包括：
[0015]根据所述预设数目，确定灰度图像的目标分辨率；
[0016]根据每个矩阵的值，生成分辨率符合所述目标分辨率的待识别物的灰度图像。
[0017]优选的，所述预设数目的平面网格的确定方法包括：
[0018]获取已知物的已知点云数据；
[0019]将所述已知点云数据划分到若干预设大小的单元格中；
[0020]将所述单元格沿一定方向进行多种切分，形成多种实验网格，以得到多种不同的
实验矩阵，其中多种实验网格之间的网格数目不同；
[0021]根据每种实验矩阵中每个矩阵的值，生成每种实验网格对应的已知物的灰度图像；
[0022]将所述已知物的灰度图像输入至卷积神经网络模型，得到每种实验网格对应的识别结果；
[0023]基于所述识别结果得到多种不同实验网格分别对应的识别准确率；
[0024]将其中识别准确率最高者作为预设数目的平面网格。
[0025]优选的，所述卷积神经网络模型的卷积层为离散卷积层。
[0026]优选的，所述卷积神经网络模型中设置有两个离散卷积层，其中所述两个离散卷积层的特征图个数和卷积核大小均不相同。
[0027]优选的，所述卷积神经网络模型的每个离散卷积层下都设置有用于防止过拟合的最大池化层，以及用于进行局部归一化的归一化层。
[0028]优选的，所述离散卷积层通过如下公式表达：
[0029][0030]其中，M
β
是输入特征；α是输入特征的一个选择；x为网络连接的权重；β为输入特征网络的层数；k是卷积核；γ是网络的层数；b是每个输出特征图的偏置项，对于特定的输出映射，输入的特征映射可以应用不同的卷积核卷积得到；f(
·
)为神经网络中用到的激活函数。
[0031]优选的，所述划分所述点云数据得到若干矩阵，计算每个矩阵中所有元素之间距离的平均值作为所述矩阵的值之前还包括：
[0032]利用重心法对所述点云数据进行去噪处理。
[0033]另一方面，本说明书实施例提供了一种基于点云数据的图像识别装置，所述装置包括：
[0034]获取模块，用于获取待识别物的点云数据；
[0035]划分模块，用于划分所述点云数据得到若干矩阵，计算每个矩阵中所有元素之间距离的平均值作为所述矩阵的值；
[0036]生成模块，用于根据每个所述矩阵的值，生成待识别物的灰度图像；
[0037]识别模块，用于将所述待识别物的灰度图像输入至卷积神经网络模型，以识别所述待识别物。
[0038]又一方面，本说明书实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行上述任意一项所述方法的指令。
[0039]又一方面，本说明书实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述任意一项所述方法的指令。
[0040]又一方面，本说明书实施例还提供了一种计算机程序产品，所述计算机程序产品被计算机设备的处理器运行时，执行上述任意一项所述方法的指令。
[0041]由以上本说明书实施例提供的技术方案可见，通过本说明书实施例的方法，能够
将待识别物的点云数据划分得到若干矩阵，通过计算每个矩阵中所有元素之间的距离的平均值作为矩阵的值，进而根据矩阵的值生成待识别物的灰度图像，通过卷积神经网络识别该灰度图像以确定待识别物，进而确定待识别物的具体形态，提高识别的准确度。
[0042]为让本说明书实施例的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
[0043]为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0044]图1示出了本说明书实施例提供的一种基于点云数据的图像识别方法的流程示意图；
[0045]图2示出了本说明书实施例提供的划分点云数据得到若干矩阵的流程示意图；
[0046]图3示出了本说明书实施例提供的用于确定预设数目的平面网格的流程示意图；
[0047]图4示出了本说明书实施例提供的四种实验网格分别对应的训练次数与识别率的关系曲线图；
[0048]图5示出了本说明书实施例提供的根据每个矩阵的值，生成待识别物的灰度图像的流程示意图；
[0049]图6示出了本说明书实施例提供的一种基于点云数据的图像识别装置的模块结构示意图；
[0050]图7示出了本说明书实施例提供的计算机设备的结构示意图。
[0051]附图符号说明：
[0052]100、获取模块；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于点云数据的图像识别方法，其特征在于，包括：获取待识别物的点云数据；划分所述点云数据得到若干矩阵，计算每个矩阵中所有元素之间距离的平均值作为所述矩阵的值；根据每个所述矩阵的值，生成待识别物的灰度图像；将所述待识别物的灰度图像输入至卷积神经网络模型，以识别所述待识别物。2.根据权利要求1所述的基于点云数据的图像识别方法，其特征在于，所述划分所述点云数据得到若干矩阵进一步包括：将所述点云数据划分到若干预设大小的单元格中，其中所述单元格为占据三维空间的单元格，且任意两个单元格之间不重合；将所述单元格沿一定方向切分形成预设数目的平面网格，其中任意两个平面网格之间不重合，每个平面网格中至少有一个点云数据；根据所述预设数目的平面网格，得到预设数目的矩阵，其中所述平面网格中的每个点云数据与相应矩阵中的一个元素对应。3.根据权利要求2所述的基于点云数据的图像识别方法，其特征在于，所述根据每个所述矩阵的值，生成待识别物的灰度图像进一步包括：根据所述预设数目，确定灰度图像的目标分辨率；根据每个矩阵的值，生成分辨率符合所述目标分辨率的待识别物的灰度图像。4.根据权利要求2所述的基于点云数据的图像识别方法，其特征在于，所述预设数目的平面网格的确定方法包括：获取已知物的已知点云数据；将所述已知点云数据划分到若干预设大小的单元格中；将所述单元格沿一定方向进行多种切分，形成多种实验网格，以得到多种不同的实验矩阵，其中多种实验网格之间的网格数目不同；根据每种实验矩阵中每个矩阵的值，生成每种实验网格对应的已知物的灰度图像；将所述已知物的灰度图像输入至卷积神经网络模型，得到每种实验网格对应的识别结果；基于所述识别结果得到多种不同实验网格分别对应的识别准确率；将其中识别准确率最高者作为预设数目的平面网格。5.根据权利要求1所述的基于点云数据的图像识别方法，其特征在于，所述卷积神经网络模型的卷积层为离散卷积层。6.根据权利要求5所述的基于点云数据的图像识别方法，其特征在于，所述卷积神经网络模型中设置有两个离散卷积层，其中所述两...

【专利技术属性】
技术研发人员：杨瑞，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：