[發明專利]點云分類模型的訓練方法、點云分類方法及裝置

在審

• 申請號: 202210689407.4
• 申請日: 2022-06-17
• 公開（公告）號: CN115100627A
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 伍闊梁;楊政;何曉飛
• 申請（專利權）人: 杭州飛步科技有限公司
• 主分類號: G06V20/58
• 分類號: G06V20/58;G06V10/44;G06V10/74;G06V10/764;G01S17/89
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 孫靜;臧建明

1.一種點云分類模型的訓練方法，其特征在于，包括：

獲取多個訓練樣本，所述訓練樣本包括點云和所述點云的類別；

對每個所述訓練樣本的點云進行特征提取，獲得每個所述點云的特征向量；

根據每個所述點云的特征向量，獲取每個點云的相似度信息，所述相似度信息包括所述點云與其它每個點云的相似度；

根據每個所述點云的特征向量和所述相似度信息以及所述點云的類別，對點云分類模型進行訓練，得到訓練完成的點云分類模型。

2.根據權利要求1所述的方法，其特征在于，所述對每個所述訓練樣本的點云進行特征提取，包括：

將每個所述訓練樣本的點云以三維檢測框的中心為原點，以所述三維檢測框的朝向為預設坐標軸的正方向進行坐標轉換，獲得轉換后的點云，其中，所述朝向為所述三維檢測框在三維空間中的朝向；

對所述轉換后的點云進行特征提取，獲得所述點云的特征向量。

3.根據權利要求2所述的方法，其特征在于，所述對所述轉換后的點云進行特征提取，獲得所述點云的特征向量，包括：

將所述三維檢測框劃分為N*N個柵格；

對每個所述柵格中的點云進行8維特征向量提取，其中，所述8維特征向量包括6維高度特征向量、1維密度特征向量以及1維反射強度特征向量；

將N*N*8維特征向量作為所述點云的特征向量。

4.根據權利要求3所述的方法，其特征在于，所述根據每個所述點云的特征向量，獲取每個點云的相似度信息，所述相似度信息包括所述點云與其它每個點云的相似度，包括：

根據每個所述點云的特征向量，獲取所述點云與其它每個點云的特征向量的余弦相似度；

根據每個點云對應的多個余弦相似度以及每個點云的類別，獲取所述點云的相似度信息，其中，針對大于預設余弦相似度的兩個點云，若所述點云的類別相同，則兩個點云的相似度高，若所述點云的類別不同，則兩個點云的相似度低。

5.根據權利要求1所述的方法，其特征在于，所述根據每個所述點云的特征向量和所述相似度信息以及所述點云的類別，對點云分類模型進行訓練，得到訓練完成的點云分類模型，包括：

將每個所述點云的特征向量和所述相似度信息輸入至所述點云分類模型，獲取所述點云分類模型輸出的分類結果；

獲取每個所述分類結果的損失函數，對每個所述分類結果的損失函數進行疊加處理，獲得所述點云分類模型的損失函數；

根據所述點云分類模型的損失函數，采用反向傳播的方式對所述點云分類模型進行參數優化。

6.根據權利要求5所述的方法，其特征在于，所述獲得每個所述分類結果的損失函數，包括：

獲取每個所述分類結果的Softmax損失函數以及流形損失函數，其中，所述流形損失函數是根據所述相似度確定的；

對所述Softmax損失函數以及所述流形損失函數進行疊加處理，獲得每個所述分類結果的損失函數。

7.一種點云分類方法，其特征在于，包括：

獲取待分類的點云的特征向量；

將所述特征向量輸入至點云分類模型，獲得所述待分類的點云的分類結果，其中，所述點云分類模型是通過如上1至6任一項所述的方法訓練得到的模型。

8.一種點云分類模型的訓練裝置，其特征在于，包括：

第一獲取模塊，用于獲取多個訓練樣本，所述訓練樣本包括點云和所述點云的類別；

特征提取模塊，用于對每個所述訓練樣本的點云進行特征提取，獲得每個所述點云的特征向量；

第二獲取模塊，用于根據每個所述點云的特征向量，獲取每個點云的相似度信息，所述相似度信息包括所述點云與其它每個點云的相似度；

訓練模塊，用于根據每個所述點云的特征向量和所述相似度信息以及所述點云的類別，對點云分類模型進行訓練，得到訓練完成的點云分類模型。