申请/专利权人：杭州师范大学

申请日：2022-05-10

公开（公告）日：2024-06-04

公开（公告）号：CN114842260B

主分类号：G06V10/764

分类号：G06V10/764;G06N3/0464;G06N3/08;G06V20/64

优先权：

专利状态码：有效-授权

法律状态：2024.06.04#授权;2022.08.19#实质审查的生效;2022.08.02#公开

摘要：本发明公开了一种基于蓝图分离卷积的点云分类方法。本发明方法首先获取构成三维点云的每个点坐标数据，然后提取点与近邻点的特征值和特征向量，生成每个点的包含17个三维空间特征的三维空间特征矩阵，和包含15个二维空间特征的二维空间特征矩阵；将三维空间特征矩阵和二维空间特征矩阵合并生成每个点的特征矩阵，将每个点以及该点的31个近邻点的特征组合成特征图像矩阵，输入到featureB2SENet深度学习网络中，经过深度学习网络的计算，得到每个点云的类别标签。本发明方法不仅考虑了点云的三维特征对点云分类的影响，还考虑了二维点云特征对于点云分类的影响，获得点云数据集的丰富空间信息和较高的分类精度。

主权项：1.一种基于蓝图分离卷积的点云分类方法，其特征在于，该方法具体是：步骤1使用激光雷达采集大场景点云，获取构成三维点云的每个点坐标数据Pnxn,yn,zn，n＝1,2,…,N，N为构成三维点云的点的数量；步骤2使用K近邻算法提取点云中每个点的近邻点，提取点与近邻点的特征值和特征向量，生成每个点的包含17个三维空间特征的三维空间特征矩阵M3；17个三维空间特征包括：X轴向最大分布方向向量Mx、Y轴向最大分布方向向量My、Z轴向最大分布方向向量Mz、X轴向最小分布方向向量Nx、Y轴向最小分布方向向量Ny、Z轴向最小分布方向向量Nz、线状L、面状P、簇状S、全域方差O、各向异性A、特征熵E、轨迹B、曲率变化C、三维点密度D3、最近邻四面体体积垂直度Vz；生成每个点的三维空间特征矩阵步骤3通过点Pi的近邻点Pki，生成点Pi的包含15个二维空间特征的二维空间特征矩阵M2；XOY、XOZ和YOZ三个坐标平面分别包括5个二维空间特征：领域最优圆半径r、二维点密度D2、特征值比率R、特征值和F、高度方差H；生成每个点的二维空间特征矩阵M2＝[rXOY,D2XOY,RXOY,FXOY,HXOY,rXOZ,D2XOZ,RXOZ,FXOZ,HXOZ,rYOZ,D2YOZ,RYOZ,FYOZ,HYOZ]；步骤4将三维空间特征矩阵M3和二维空间特征矩阵M2合并，生成每个点的特征矩阵将每个点以及该点的31个近邻点的特征组合成一个32×32的二维矩阵，即特征图像矩阵Q；步骤5将特征图像矩阵Q输入到featureB2SENet深度学习网络中，点的三维空间特征和二维空间特征作为输入，经过深度学习网络的计算，得到每个点云的类别标签，输出结果；featureB2SENet深度学习网络首先对特征图像矩阵Q经过3层卷积运算得到输出特征图像U＝{u1,u2,u3,…}；每个卷积层的卷积核尺寸为1×1，激活函数Relux＝max0,x，x表示函数变量，激活函数前批标准化；卷积计算公式为：V＝{v1,v2,v3,…}为卷积层，vg表示第g个通道的卷积核，G为特征图像的通道数，xg表示第g个通道的特征矩阵，g＝1,2,…,G；然后经过3个卷积块运算得到一次优化特征图像U′＝{u′1,u′2,u′3,…}；每个卷积块的第一卷积层V1i′和第二卷积层为1×1卷积层，第三卷积层为3×3卷积层，i′表示第i′个卷积块，i′∈[1,2,3]，激活函数Relux＝max0,x，激活函数前批标准化；则一次优化特征图像BN1、BN2和BN3表示第一、第二和第三卷积层激活函数前批标准化；对一次优化特征图像的每个像素点u′h′,w′使用全局平均池化操作，全局平均池化输出H′和W′表示一次优化特征图像的高和宽，h′和w′为一次优化特征图像的高和宽的坐标索引；对全局平均池化输出z经过全连接层降维、Relu激活函数、全连接层升维操作，得到处理后全局平均池化输出z′＝fc2Relufc1z，fc1表示降维操作，fc2表示升维操作；将z′经过sigmoid激活函数后得到每个通道的激活值s＝σz′，sigmoid激活函数e表示自然常数；将每个通道的激活值s进行变维操作，得到与U′相同宽和高的二次优化特征图像U″，U″与U′点乘得到的三次优化特征图像U″′经过一层3×3卷积层V4，并与输出特征图像U进行矩阵相加，经过Relu激活函数，输出注意力特征图像经过1个1×1卷积层V5，批标准化BN4，最大池化层Maxpooling和3个全连接层后，使用softmax函数对点云的每个类别的概率进行计算，得到每个点的预测值标签out： fc3、fc4和fc5表示3个全连接层；使用交叉熵损失函数计算输出的预测结果和真实值之间的损失值Loss： 其中，yn′为每个点的预测值标签out中的第n′个值，即第n′类的预测概率，为每个点的真实值标签中的第n′个值，N′为每个点的真实值标签或预测值标签值数量。

全文数据：

权利要求：

百度查询： 杭州师范大学 一种基于蓝图分离卷积的点云分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD