【技术实现步骤摘要】
一种基于多通道特征提取的点云数据处理方法、系统和计算机设备
[0001]本专利技术属于点云数据智能分析
，尤其涉及一种基于多通道特征提取的点云数据处理方法
、
系统和计算机设备
。
技术介绍
[0002]随着人工智能和机器学习技术的飞速成发展，深度学习算法的应用，作为计算机视觉领域中重要的研究方向之一的目标点检测已广泛应用于自动驾驶
、
智能感知
、
机器人定位等产业领域
。
[0003]3D
点云数据作为自动驾驶
、
智能感知等应用场景的重要数据来源，提供了了原始的几何信息和丰富的形状比例信息，但是原始的
3D
点云数据中包括各种数据信息，需要从点云数据中分割出需要检测分析的部件，以更精准地提取所需部件的形状和结构信息
。
[0004]现有的数据算法模型在进行
3D
点云数据的部件分割时，由于点云的坐标向量只有
x、y、z
三个维度，为了充分利用这三个维度，数据算法模型一般都是通过卷积对一个1×3的点云坐标进行升维，比如升维到1×
1024
，升维后可以提取更有用的特征从而判别当前点云的部件类别
。
而点云向量升维的同时也会带来另外一个问题：信息冗余
。
信息冗余会使得这个1×
1024
的点云向量的每个维度区分度不大
(
即每个维度的数值相差不大
)
，从...
【技术保护点】
【技术特征摘要】
1.
一种基于多通道特征提取的点云数据处理方法，其特征在于，包括：采集
3D
点云数据，所述
3D
点云数据包括
N
组具有不同采样属性的点云子数据；根据采样属性的数量，设定
M
个
KNN
采样通道，每一所述
KNN
采样通道对一组所述点云子数据进行特征提取，得到
M
个采样结果，将
M
个采样结果进行特征融合，拼接得到点云融合特征
J
，其中，
M
小于等于
N
；结合
M
个降采样后的降采样结果，对点云融合特征
J
进行升采样处理得到长度为
E
的第一点云特征向量
H
；对第一点云特征向量
H
进行特征增强，建立维度为
E
×
E
的可学习参数矩阵，将第一点云特征向量
H
与可学习参数矩阵相乘，通过可学习参数矩阵中的权重参数进行冗余数据削弱，得到第二点云特征向量
W
；第二点云特征向量
W
经过卷积层
L
进行降维，经
Log Softmax
函数处理得到当前点云在不同采样属性下的概率分数，利用
Negative Log
‑
Likelihood Loss
损失函数求得损失值，再反向传播更新权重参数；输出对
3D
点云数据的基于多通道下不同采样属性的分割结果
。2.
如权利要求1所述的一种基于多通道特征提取的点云数据处理方法，其特征在于，设定
M
个采样点，每个采样点具有不同采样属性，每个采样点对应一组相互独立或存在交集的点云子数据，
M
＝3；针对第一采样点，在第一采样通道中，以第一采样点为中心，选取周围的
16
个单位点云作为第一点云子数据，用一维卷积把三维点云升维至
64
维，得到第一采样结果；针对第二采样点，在第二采样通道中，以第二采样点为中心，选取周围的
32
个单位点云作为第二点云子数据，用一维卷积把三维点云升维至
128
维，得到第二采样结果；针对第三采样点，在第三采样通道中，以第三采样点为中心，选取周围的
128
个单位点云作为第三点云子数据，用一维卷积把三维点云升维至
128
维，得到第三采样结果
。3.
如权利要求2所述的一种基于多通道特征提取的点云数据处理方法，其特征在于，将第一采样结果
、
第二采样结果和第三采样结果依次拼接，经三层卷积层编码，升维到
1024
维，得到点云融合特征
J。4.
如权利要求3所述的一种基于多通道特征提取的点云数据处理方法，其特征在于，设定一组具有
E
×
E
维度的可学习参数矩阵
S、T、V
，所述第一点云特征向量
H
包括第一子向量
a、
第二子向量
b、
第三子向量
c
；将第一子向量
a、
第二子向量
b、
第三子向量
c
与
S、T、V
相乘，得到特征相关向量
、
特征抑制向量和信息向量，所述特征相关向量包括
Sa、Sb、Sc
，所述特征抑制向量包括
Ta、Tb、Tc
，所述信息向量包括
Va、Vb、Vc
；分别将每一特征相关向量
Sa、Sb、Sc
与所有的特征抑制向量
Ta、Tb、Tc
进行内积，得到对应的权重分数
Qa`、Qb`、Qc`
，将权重分数
Qa`、Qb`、Qc`
与对应的信息向量
Va、Vb、Vc
加权求和，得到加权向量；对加权向量进行批归一化和通过
ReLU
函数激活，将所有加权向量拼接成一个数据序列
(a`
，
b`
，
...
【专利技术属性】
技术研发人员：杨宗林，詹逸，林达欣，黄浩智，杨光华，
申请(专利权)人：暨南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。