[發明專利]點云數據分類方法、裝置、設備及可讀存儲介質

在審

• 申請號: 202011114532.X
• 申請日: 2020-10-16
• 公開（公告）號: CN112348056A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 高偉;楊丁豪
• 申請（專利權）人: 北京大學深圳研究生院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 薛福玲

本發明公開了一種點云數據分類方法、裝置、設備及可讀存儲介質，該方法包括步驟：提取預設點云數據的點云特征向量；基于預設升維算法對所述點云特征向量進行升維，得到升維后點云特征向量；對所述升維后點云特征向量進行分類，得到分類結果。本發明實現了通過預設升維算法對點云特征向量進行升維，得到升維后點云特征向量，升維后點云特征向量的維度高于點云特征向量的維度，從而豐富了對點云數據進行分類時的輸入特征，使得升維后點云特征向量的特征表示能力強于點云特征向量的特征表示能力，進而提高了點云數據分類結果的準確性。

技術領域

本發明涉及點云數據處理技術領域，尤其涉及一種點云數據分類方法、裝置、設備及可讀存儲介質。

背景技術

隨著計算能力的提升和數據量的大幅增加，深度學習技術在近年來取得了突破式的發展，在計算機視覺，自然語言處理等領域都取得了顯著的成果。計算機視覺方面，圖像分類、人臉識別、目標檢測、語義分割等任務上，深度神經網絡都取得了超過傳統方法以及人類能力的效果。近年來，GNN(Graph Neural Network，圖神經網絡)發展迅速，二維數字圖像、社交網絡、三維點集等數據都可以使用圖的形式進行表達，利用深度神經網絡強大的擬合能力學習圖節點之間的潛在關系，提取特征，再結合具體任務進行損失函數設計，使得圖神經網絡具備處理多種類型任務的能力。最近幾年，一方面由于深度學習在二維圖像處理領域的一些任務上已經取得了滿足實際應用場景的效果，另一方面得益于激光雷達等設備的發展，三維數據更容易獲得，因此，越來越多的注意力被放到了深度學習應用于三維數據分析領域，3D點云作為三維數據的代表，在室內導航、自動駕駛、虛擬現實等領域均有廣泛應用，而點的特性適用于圖表達，將圖神經網絡運用與點云分析處理，成為了一個具有探索價值的方向。

然而，現有的點云分析處理方法在處理點云數據分類任務時，由于輸入特征較簡單，特征表示能力較低，使得分類結果準確性較低。

由此可知，目前的點云分析處理方法存在在處理點云數據分類任務時，準確性低的問題。

發明內容

本發明的主要目的在于提供一種點云數據分類方法、裝置、設備及可讀存儲介質，旨在解決現有的點云數據分類結果的準確性低的技術問題。

為實現上述目的，本發明提供一種點云數據分類方法，所述點云數據分類方法包括步驟：

提取預設點云數據的點云特征向量；

基于預設升維算法對所述點云特征向量進行升維，得到升維后點云特征向量；

對所述升維后點云特征向量進行分類，得到分類結果。

可選地，所述基于預設升維算法對所述點云特征向量進行升維，得到升維后點云特征向量，包括：

基于預設降維算法對所述點云特征向量進行降維，得到降維后點云特征向量；

基于預設特征連接方法連接所述降維后點云特征向量對應的低維特征和所述點云特征向量對應的原始特征，得到升維后點云特征向量。

可選地，所述基于預設降維算法對所述點云特征向量進行降維，得到降維后點云特征向量，包括：

基于k近鄰算法和局部線性嵌套獲取所述點云特征向量對應的點在降維后空間下的表達；

基于所述降維后空間下的表達對各所述點進行降維，得到降維后點云特征向量。

可選地，所述基于預設降維算法對所述點云特征向量進行降維，得到降維后點云特征向量，還包括：

投影所述點云特征向量對應的點至預設投影平面，得到降維后點云特征向量。

可選地，所述對所述升維后點云特征向量進行分類，得到分類結果，包括：