[發明專利]一種具有旋轉不變性的三維點云模型分類方法與系統

有效

• 申請號: 202110448547.8
• 申請日: 2021-04-25
• 公開（公告）號: CN113076958B
• 公開（公告）日: 2023-07-18
• 發明（設計）人: 徐雪妙;周燕
• 申請（專利權）人: 華南理工大學
• 主分類號: G06V10/40
• 分類號: G06V10/40;G06V10/26;G06V10/764;G06V10/80;G06T17/00;G06N3/0464;G06N3/044
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 馮炳輝

本發明公開了一種具有旋轉不變性的三維點云模型分類方法與系統，該方法包括：S1、獲得三維點云模型的特征球面；S2、通過特征球面卷積神經網絡，對三維點云模型的特征球面進行特征提取，獲取三維點云模型的特征描述符；S3、通過全連接層以及SoftMax分類器，對所獲取的三維點云模型的特征描述符進行處理，以獲取三維點云模型所屬類別。本發明克服了點云的不規則性及無序性，規定了模型在球面上的起始、終止位置，在所提出的特征球面卷積神經網絡部分中充分利用球面的光滑性，利用循環卷積使球面上各位置的信息都可以被提取，增強了所提取特征的旋轉不變性，通過深度融合經、緯度循環卷積，補充了特征的細粒度信息，增強了特征球面卷積神經網絡提取特征的能力。

技術領域

本發明涉及深度學習和計算機視覺的技術領域，尤其是指一種具有旋轉不變性的三維點云模型分類方法與系統。

背景技術

隨著人工智能的發展，利用深度學習進行三維目標的分類已取得長足進展，并已提出各種基于視圖、體素、點云、網格、八叉樹的深度學習神經網絡模型。現有的三維點云目標識別分類方法可以分為兩大類，基于原始點云以及基于點云的轉換。基于原始點云的三維識別分類方法可以最大限度的保留三維目標的本征特征，并且分類效率高，但是由于三維點云的不規則性和無序性，導致該種方法提取的特征不具有很好的旋轉不變性、平移不變性等。基于點云轉換的方法，首先將點云預處理為視圖、體素等形式，再利用傳統的特征提取方法實現特征提取，該方法雖然可以充分利用傳統特征提取方法的優勢，使提取的特征具有良好的空間信息，但是在對數據處理時，會造成點云信息的損壞或丟失。

發明內容

本發明的第一目的在于克服現有技術的缺點與不足，提供了一種具有旋轉不變性的三維點云模型分類方法，通過將三維點云模型構造為以經緯度劃分的特征球面，克服了點云的不規則性及無序性，規定了模型在球面上的起始、終止位置，增強了三維點云的空間信息，并且在所提出的特征球面卷積神經網絡部分中充分利用球面的光滑性，利用循環卷積使球面上各位置的信息都可以被提取，增強了所提取特征的旋轉不變性，最后，通過深度融合經、緯度循環卷積，補充了特征的細粒度信息，增強了特征球面卷積神經網絡提取特征的能力，使所提取特征具有更好的表達力，進一步提高分類準確率。

本發明的第二目的在于提供一種具有旋轉不變性的三維點云模型分類系統。

本發明的第一目的通過下述技術方案實現：一種具有旋轉不變性的三維點云模型分類方法，包括以下步驟：

S1、獲得三維點云模型的特征球面；

S2、通過特征球面卷積神經網絡，對三維點云模型的特征球面進行特征提取，獲取三維點云模型的特征描述符；其中，所述特征球面卷積神經網絡共有四層，第一層包括卷積核大小為3×3的循環卷積LoopConv，第二層到第四層均為由經、緯度方向的循環卷積和下采樣組成的組卷積，第二層組卷積輸出通道為256，第三層組卷積輸出通道為512，第四層組卷積輸出通道為1024；

S3、通過全連接層以及SoftMax分類器，對所獲取的三維點云模型的特征描述符進行處理，以獲取三維點云模型所屬類別。

進一步，所述步驟S1包括以下步驟：

S101、將三維點云模型做位姿矯正處理，包括平移、旋轉和縮放；

S102、將位姿矯正處理后的三維點云模型密集化處理：根據其每個三角面片面積大小設置閾值，對面積大于閾值的三角面片進行密集化處理，對面積小于閾值的三角面片不做處理；

S103、將密集化處理后的三維點云模型中的每個點通過投影算子δ投影在球面上：

式中，x、y、z分別代表投影前三維點云模型中每個點在三維笛卡爾坐標系中x軸、y軸、z軸的取值，r、θ、分別表示投影后三維點云模型中每個點在球面上的深度、仰角以及方位角；