【技术实现步骤摘要】
本专利技术涉及图神经网络领域，特别是涉及一种点云三角剖分图神经网络的目标检测方法、系统及设备。
技术介绍
1、目前已有很多图神经网络处理点云的方法，point-gnn是使用rnn(radiusnearest neighbor，半径最近邻)搜索算法进行构图，同时还有一些使用k-nn(k nearestneighbor)搜索进行构图，但是这两中构图算法构造的图都非常的冗余，结构特别复杂，存在邻居爆炸(neighbor explosion)和超级节点(super nodes)的问题。这会导致后面图神经网络处理过程计算复杂度增加。
技术实现思路
1、本专利技术的目的是提供一种点云三角剖分图神经网络的目标检测方法、系统及设备，可避免信息损失，并在不增加计算量的情况下对聚类之后的整体点云进行信息汇聚。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种点云三角剖分图神经网络的目标检测方法，包括：
4、使用delaunay三角剖分方法，对交通场景点云进行三角剖分构图，获得交通场景的三角剖分图；
5、将所述三角剖分图输入第一图神经网络，输出编码图；
6、将所述编码图输入第二图神经网络，输出编码后的特征；
7、对所述交通场景点云进行降采样，获得关键点集；
8、以关键点集中的关键点为中心点，对所述交通场景点云进行rnn搜索或k-nn搜索，得到关键点集中各关键点对应的交通场景点云的集合；
9、将编码后的
10、将池化后的特征输入任务头神经网络，识别交通场景中目标的分类，并定位目标；其中，所述目标包括但不限于：车、走路的行人和骑自行车的人。
11、一种点云三角剖分图神经网络的目标检测系统，包括：
12、三角剖分模块，用于使用delaunay三角剖分方法，对交通场景点云进行三角剖分构图，获得交通场景的三角剖分图；
13、编码模块，用于将所述三角剖分图输入第一图神经网络，输出编码图；
14、特征提取模块，用于将所述编码图输入第二图神经网络，输出编码后的特征；
15、降采样模块，用于对所述交通场景点云进行降采样，获得关键点集；
16、搜索模块，用于以关键点集中的关键点为中心点，对所述交通场景点云进行rnn搜索或k-nn搜索，得到关键点集中各关键点对应的交通场景点云的集合；
17、池化模块，用于将编码后的特征按照关键点集中各关键点对应的交通场景点云的集合的划分方式，逐个集合地进行集合内池化，获得池化后的特征；
18、识别模块，用于将池化后的特征输入任务头神经网络，识别交通场景中目标的分类，并定位目标；其中，所述目标包括但不限于：车、走路的行人和骑自行车的人。
19、一种电子设备，包括存储器、处理器以及存储在所述存储器上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如上述的点云三角剖分图神经网络的目标检测方法。
20、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
21、本专利技术实施例的一种点云三角剖分图神经网络的目标检测方法、系统及设备，delaunay三角剖分构图可以不对原始点云降采样，而直接进行图神经网络的学习，避免了降采样带来信息的损失；且本专利技术直接使用降采样过程产生的关键点进行池化，达到在不增加计算量的情况下获取关键点邻域内的点云信息，相当于对聚类之后的整体点云进行信息汇聚。
本文档来自技高网...【技术保护点】
1.一种点云三角剖分图神经网络的目标检测方法，其特征在于，包括：
2.根据权利要求1所述的点云三角剖分图神经网络的目标检测方法，其特征在于，所述第一图神经网络的层数为1，所述第二图神经网络的层数为n；其中，n≥1。
3.根据权利要求1所述的点云三角剖分图神经网络的目标检测方法，其特征在于，所述关键点集与所述交通场景点云的关系为：
4.根据权利要求3所述的点云三角剖分图神经网络的目标检测方法，其特征在于，当或者，且时，关键点集Pk中第i个关键点对应的交通场景点云的集合满足：
5.根据权利要求4所述的点云三角剖分图神经网络的目标检测方法，其特征在于，集合内池化所依据的公式为：
6.根据权利要求1所述的点云三角剖分图神经网络的目标检测方法，其特征在于，将编码后的特征按照关键点集中各关键点对应的交通场景点云的集合的划分方式，逐个集合地进行集合内池化，获得池化后的特征，之后还包括：
7.根据权利要求1所述的点云三角剖分图神经网络的目标检测方法，其特征在于，所述任务头神经网络为全连接神经网络或图神经网络。
8
9.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器上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如权利要求1至7中任一项所述的点云三角剖分图神经网络的目标检测方法。
10.根据权利要求9所述的电子设备，其特征在于，所述存储器为非暂态计算机可读存储介质。
...【技术特征摘要】
1.一种点云三角剖分图神经网络的目标检测方法，其特征在于，包括：
2.根据权利要求1所述的点云三角剖分图神经网络的目标检测方法，其特征在于，所述第一图神经网络的层数为1，所述第二图神经网络的层数为n；其中，n≥1。
3.根据权利要求1所述的点云三角剖分图神经网络的目标检测方法，其特征在于，所述关键点集与所述交通场景点云的关系为：
4.根据权利要求3所述的点云三角剖分图神经网络的目标检测方法，其特征在于，当或者，且时，关键点集pk中第i个关键点对应的交通场景点云的集合满足：
5.根据权利要求4所述的点云三角剖分图神经网络的目标检测方法，其特征在于，集合内池化所依据的公式为：
6.根据权利要求1所述的点云三角剖分图神经网络的目...
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。