【技术实现步骤摘要】
本专利技术涉及数据处理领域，尤其涉及一种基于多尺度特征的点云分类方法、终端设备及介质。
技术介绍
1、在深度神经网络广泛应用于图像和语音识别等领域并取得显著成就的背景下，其在点云分类中的应用仍面临重大挑战。这些挑战主要源自点云数据的固有属性，如不规则性、稀疏性以及对大量标注数据的依赖。此外，当前的研究还揭示了包括数据处理的高计算成本、对抗性攻击的安全威胁、以及少样本学习中对数据特征表达的依赖等问题。近年来，多项研究致力于通过创新的数据增强、下采样方法和鲁棒性策略来解决这些问题，其中包括自动增强框架、层次化的下采样技术、局部邻域增强以及对抗性鲁棒性的增强。这些研究不仅旨在提高点云分类的准确性和效率，还努力确保模型的安全性和鲁棒性，特别是在关键应用场景下的表现。然而，针对点云分类的研究仍需在处理复杂性、提高鲁棒性和优化数据利用等方面取得更多突破。
2、点云分类领域的主要缺点包括数据处理的高维性和稀疏性问题，以及从这些高维稀疏数据中提取有效特征的挑战。此外，传统算法往往忽视了点云数据的多尺度特性，导致在不同尺度下的特征信息无法被充分利用，进而影响分类精度。现有方法在处理局部结构时缺乏对空间分布和特征差异性的细致评估，这些方法很难适应点云数据的复杂性和多样性。
技术实现思路
1、为了解决上述问题，本专利技术提出了一种基于多尺度特征的点云分类方法、终端设备及介质。
2、具体方案如下：
3、一种基于多尺度特征的点云分类方法，包括以下步骤：
4、s
5、s2：基于拓扑邻域计算每个点的局部密度，进而计算每个点的多尺度特征；
6、s3：基于局部密度和多尺度特征，计算每个点的评分函数；
7、s4：基于拓扑邻域，计算每个点的结构熵；
8、s5：基于每个点的评分函数和结构熵，计算每个点的综合评分，并将综合评分大于设定的综合评分阈值的所有点作为核心点；
9、s6：计算每个点与各核心点之间的相似度，并基于相似度得到每个点的核函数；
10、s7：基于每个点的核函数和多尺度特征，计算每个点的输出特征；
11、s8：基于输出特征对各点进行分类，得到分类结果。
12、进一步的，点云数据集中任意两点之间的拓扑距离的计算方法为：基于点云数据集构建拓扑邻域图，并通过连接拓扑邻域图中连接两顶点的边的权重函数量化点云数据集中对应两点之间的接近度；基于点云数据集中任意两点之间的接近度计算点云数据集中任意两点之间的拓扑距离。
13、进一步的，拓扑邻域图中连接两顶点的边的权重函数的计算公式为：
14、
15、其中，w(eij)表示拓扑邻域图中连接顶点i和顶点j的边的权重函数，‖‖pi-pj‖‖表示点云数据集中点pi与点pj之间的欧氏距离，σ表示衰减参数；
16、点云数据集中任意两点之间的拓扑距离的计算公式为：
17、
18、其中，dtopo(pi,pj)表示点云数据集中点pi与点pj之间的拓扑距离，pi→j表示拓扑邻域图中顶点i到顶点j的路径，ekl表示拓扑邻域图中连接顶点k与顶点l的边，w(ekl)表示拓扑邻域图中连接顶点k与顶点l的边的权重函数，表示拓扑邻域图中顶点i到顶点j的路径上所有边的权重的倒数之和。
19、进一步的，点的局部密度的计算公式为：
20、
21、其中，ρi表示点pi的局部密度，|ntopo(pi)|表示点pi的拓扑邻域中的点的数量，∈表示防止除零错误的常数；
22、点的多尺度特征的计算公式为：
23、
24、其中，f(pi)表示点pi的多尺度特征；ρi,s表示尺度s下，点pi的局部密度；fj,s表示尺度s下，点pj的特征向量；ns(pi)表示尺度s下，点pi的邻域点集合；wi,j,s表示尺度s下，点pj与点pi之间的高斯权重函数。
25、进一步的，点的评分函数的计算公式为：
26、s(pi)＝α·ρi+βδf(pi)
27、
28、其中，s(pi)表示点pj的评分函数，α和β均表示调节因子，ρi表示点pj的局部密度，δf(pi)表示点pi的多尺度特征f(pi)与其拓扑邻域ntopo(pi)中其他点的多尺度特征的平均差异，|ntopo(pi)|表示点pi的拓扑邻域中的点的数量，ntopo(pi)表示点pi的拓扑邻域，pj表示点pi的拓扑邻域中的点，f(pi)表示点pi的多尺度特征，f(pj)表示点pj的多尺度特征。
29、进一步的，点的结构熵的计算公式为：
30、
31、其中，h(pi)表示点pi的结构熵，ntopo(pi)表示点pi的拓扑邻域，w(eij)表示拓扑邻域图中连接顶点i和顶点j的边的权重函数，w(eik)表示拓扑邻域图中连接顶点i和顶点k的边的权重函数，pj和pk均表示点pi的拓扑邻域中的点。
32、进一步的，点的核函数的计算公式为：
33、
34、其中，k(pi)表示点pi的核函数，h(pi,kn)表示点pi与核心点kn之间的相似度，wn表示核心点kn的权重矩阵，n表示核心点的数量，n表示核心点的序号。
35、进一步的，点的输出特征的计算公式为：
36、
37、其中，o(pi)表示点pj的输出特征，n表示核心点的总数，n表示核心点的序号，h(pi,kn)表示非核心点pi与核心点kn之间的相似度，wn表示核心点kn的权重矩阵。
38、一种基于多尺度特征的点云分类终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本专利技术实施例上述的方法的步骤。
39、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本专利技术实施例上述的方法的步骤。
40、本专利技术采用如上技术方案，通过多尺度拓扑邻域图捕捉点云数据的复杂空间关系，并以拓扑距离精细化邻域的定义，从而提高分类的准确性和鲁棒性。
本文档来自技高网...【技术保护点】
1.一种基于多尺度特征的点云分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多尺度特征的点云分类方法，其特征在于：点云数据集中任意两点之间的拓扑距离的计算方法为：基于点云数据集构建拓扑邻域图，并通过连接拓扑邻域图中连接两顶点的边的权重函数量化点云数据集中对应两点之间的接近度；基于点云数据集中任意两点之间的接近度计算点云数据集中任意两点之间的拓扑距离。
3.根据权利要求2所述的基于多尺度特征的点云分类方法，其特征在于：拓扑邻域图中连接两顶点的边的权重函数的计算公式为：
4.根据权利要求1所述的基于多尺度特征的点云分类方法，其特征在于：点的局部密度的计算公式为：
5.根据权利要求1所述的基于多尺度特征的点云分类方法，其特征在于：点的评分函数的计算公式为：
6.根据权利要求3所述的基于多尺度特征的点云分类方法，其特征在于：点的结构熵的计算公式为：
7.根据权利要求1所述的基于多尺度特征的点云分类方法，其特征在于：点的核函数的计算公式为：
8.根据权利要求1所述的基于多尺度特征的点云分类
9.一种基于多尺度特征的点云分类终端设备，其特征在于：包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～8中任一所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1～8中任一所述方法的步骤。
...【技术特征摘要】
1.一种基于多尺度特征的点云分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多尺度特征的点云分类方法，其特征在于：点云数据集中任意两点之间的拓扑距离的计算方法为：基于点云数据集构建拓扑邻域图，并通过连接拓扑邻域图中连接两顶点的边的权重函数量化点云数据集中对应两点之间的接近度；基于点云数据集中任意两点之间的接近度计算点云数据集中任意两点之间的拓扑距离。
3.根据权利要求2所述的基于多尺度特征的点云分类方法，其特征在于：拓扑邻域图中连接两顶点的边的权重函数的计算公式为：
4.根据权利要求1所述的基于多尺度特征的点云分类方法，其特征在于：点的局部密度的计算公式为：
5.根据权利要求1所述的基于多尺度特征的点云分类方法，其特征在于：点的评分函数...
【专利技术属性】
技术研发人员：王宗跃，曾炳辉，刘昭亮，任昱衡，郭伟鹏，
申请(专利权)人：集美大学，
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。