[發(fā)明專利]一種基于局部邊緣特征增強(qiáng)的點云分類方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010827732.3
• 申請日: 2020-08-17
• 公開（公告）號: CN112052884A
• 公開（公告）日: 2020-12-08
• 發(fā)明（設(shè)計）人: 楊國為;楊鵬;張凡龍;黃璞;萬鳴華;楊章靜
• 申請（專利權(quán)）人: 南京審計大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 北京國坤專利代理事務(wù)所(普通合伙) 11491
• 代理人: 趙紅霞

本發(fā)明屬于點云分類技術(shù)領(lǐng)域，公開了一種基于局部邊緣特征增強(qiáng)的點云分類方法及系統(tǒng)，所述基于局部邊緣特征增強(qiáng)的點云分類系統(tǒng)包括：點云數(shù)據(jù)獲取模塊、數(shù)據(jù)預(yù)處理模塊、主控模塊、邊緣特征提取模塊、邊緣特征增強(qiáng)模塊、特征填充模塊、點云分類模型構(gòu)建模塊、點云分類模塊、云存儲模塊、顯示模塊。本發(fā)明通過獲取點云體素化數(shù)據(jù)、點云體素化數(shù)據(jù)對應(yīng)的點云在預(yù)設(shè)鄰域內(nèi)的邊緣特征，以及點云體素化數(shù)據(jù)對應(yīng)點云對應(yīng)的體素位置，基于圖卷積網(wǎng)絡(luò)結(jié)構(gòu)和通道注意力機(jī)制構(gòu)建出點云分類模型對特征填充后的點云進(jìn)行分類，并輸出點云分類結(jié)果，增加了特征通道之間的相互依賴關(guān)系，加強(qiáng)了點云的全局特征表示，從而提高了點云分類的效率和預(yù)測準(zhǔn)確度。

技術(shù)領(lǐng)域

本發(fā)明屬于點云分類技術(shù)領(lǐng)域，尤其涉及一種基于局部邊緣特征增強(qiáng)的點云分類方法及系統(tǒng)。

背景技術(shù)

目前，自從深度學(xué)習(xí)技術(shù)興起之后，研究者們開始探索怎樣利用深度神經(jīng)網(wǎng)絡(luò)來進(jìn)行點云的特征學(xué)習(xí)，基于深度學(xué)習(xí)三維點云分類與分割也成為一個研究者們越來越重視的方向。

傳統(tǒng)的點云分類方法主要利用人的領(lǐng)域知識手工構(gòu)造特征，并使用支持向量機(jī)(SVM)、隨機(jī)森林(RF)等算法對從樣本中提取出的手工構(gòu)造特征進(jìn)行分類。這類方法需要針對不同的任務(wù)與不同的數(shù)據(jù)、依賴豐富的實踐經(jīng)驗設(shè)計手工特征，不僅耗費人力，而且在特征的表達(dá)能力上也存在局限性。另外，傳統(tǒng)的點云分類方法的點云分類準(zhǔn)確性低下，不能對邊緣特征進(jìn)行增強(qiáng)處理，無法滿足現(xiàn)有需求。因此，亟需一種新的基于局部邊緣特征增強(qiáng)的點云分類方法。

通過上述分析，現(xiàn)有技術(shù)存在的問題及缺陷為：

(1)傳統(tǒng)的點云分類方法需針對不同的任務(wù)與不同的數(shù)據(jù)、依賴豐富的實踐經(jīng)驗設(shè)計手工特征，不僅耗費人力，而且在特征的表達(dá)能力上也存在局限性。

(2)傳統(tǒng)的點云分類方法的點云分類準(zhǔn)確性低下，不能對邊緣特征進(jìn)行增強(qiáng)處理，無法滿足現(xiàn)有需求。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提供了一種基于局部邊緣特征增強(qiáng)的點云分類方法及系統(tǒng)。

本發(fā)明是這樣實現(xiàn)的，一種基于局部邊緣特征增強(qiáng)的點云分類方法，所述基于局部邊緣特征增強(qiáng)的點云分類方法包括以下步驟：

步驟一，通過點云數(shù)據(jù)獲取模塊利用數(shù)據(jù)獲取設(shè)備接收點云分類請求，獲取所述點云分類請求中的點云數(shù)據(jù)；

步驟二，通過數(shù)據(jù)預(yù)處理模塊利用數(shù)據(jù)預(yù)處理程序?qū)λ鳇c云數(shù)據(jù)對應(yīng)的點云進(jìn)行點云體素化操作，得到點云體素化數(shù)據(jù)；

所述通過數(shù)據(jù)預(yù)處理模塊利用數(shù)據(jù)預(yù)處理程序?qū)λ鳇c云數(shù)據(jù)對應(yīng)的點云進(jìn)行點云體素化操作的方法，包括：

(2.1)將獲取的點云數(shù)據(jù)轉(zhuǎn)換為笛卡爾坐標(biāo)系的TXT文本文檔格式，并以X、Y、Z形式的笛卡爾坐標(biāo)表示三維點云數(shù)據(jù)；

(2.2)將基于三維點云數(shù)據(jù)的X、Y、Z笛卡爾坐標(biāo)系以(X_min，Y_min，Z_min)為起始點，體元大小為步長，根據(jù)取整算法確定點云數(shù)據(jù)在空間中的體素坐標(biāo)，將單個的點云數(shù)據(jù)轉(zhuǎn)為三維體素值；

步驟三，通過主控模塊利用主控器控制所述基于局部邊緣特征增強(qiáng)的點云分類系統(tǒng)各個模塊的正常運(yùn)行；

步驟四，通過邊緣特征提取模塊利用特征提取程序獲取所述點云體素化數(shù)據(jù)對應(yīng)的點云在預(yù)設(shè)鄰域內(nèi)的邊緣特征；

所述獲取點云體素化數(shù)據(jù)對應(yīng)的點云在預(yù)設(shè)鄰域內(nèi)的邊緣特征的方法，包括：

(4.1)獲取的點云體素化數(shù)據(jù)，并對獲取的點云體素化數(shù)據(jù)進(jìn)行處理，得到點云分布數(shù)據(jù)；

(4.2)對得到的點云分布數(shù)據(jù)進(jìn)行處理，得到在對應(yīng)點云在預(yù)設(shè)鄰域內(nèi)的關(guān)聯(lián)特征距離數(shù)據(jù)和點云向量數(shù)據(jù)；