[發(fā)明專利]一種目標(biāo)分類方法、裝置、設(shè)備和計算機可讀存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202210981059.8
• 申請日: 2022-08-16
• 公開（公告）號: CN115345235A
• 公開（公告）日: 2022-11-15
• 發(fā)明（設(shè)計）人: 陳健;張國凱;黃宇軒;錢星橋;吳浩明;高云嵩
• 申請（專利權(quán)）人: 廣東電網(wǎng)有限責(zé)任公司;廣東電網(wǎng)有限責(zé)任公司珠海供電局
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產(chǎn)權(quán)代理有限公司 11227
• 代理人: 劉曉娟

1.一種目標(biāo)分類方法，其特征在于，包括：

獲取激光雷達(dá)采集的待分類目標(biāo)對應(yīng)的原始點云數(shù)據(jù)；

刪除所述原始點云數(shù)據(jù)中的錯誤數(shù)據(jù)后，得到待分析點云數(shù)據(jù)；

利用LTSA算法，對所述待分析點云數(shù)據(jù)進行降維，得到降維點云數(shù)據(jù)；

將所述降維點云數(shù)據(jù)輸入至BP神經(jīng)網(wǎng)絡(luò)模型，得到分類結(jié)果，其中，所述BP神經(jīng)網(wǎng)絡(luò)模型為降維點云數(shù)據(jù)和分類結(jié)果的映射關(guān)系模型。

2.根據(jù)權(quán)利要求1所述的目標(biāo)分類方法，其特征在于，刪除所述原始點云數(shù)據(jù)中的錯誤數(shù)據(jù)后，得到待分析點云數(shù)據(jù)，具體包括：

獲取所述原始點云數(shù)據(jù)中相同的點云數(shù)據(jù)；

在所述相同的點云數(shù)據(jù)中，只保留一個點云數(shù)據(jù)，將其它的點云數(shù)據(jù)刪除；

將刪除后，所述原始點云數(shù)據(jù)中保留的所有點云數(shù)據(jù)作為待分析點云數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的目標(biāo)分類方法，其特征在于，利用LTSA算法，對所述待分析點云數(shù)據(jù)進行降維，得到降維點云數(shù)據(jù)，具體包括：

按照預(yù)設(shè)的分解基準(zhǔn)，分解所述待分析點云數(shù)據(jù)，得到若干局部分解數(shù)據(jù)；

利用主成分分析算法，計算各所述局部分解數(shù)據(jù)對應(yīng)的局部坐標(biāo)；

根據(jù)各所述局部分解數(shù)據(jù)的所述局部坐標(biāo)，計算對應(yīng)的全局坐標(biāo)；

根據(jù)各所述局部分解數(shù)據(jù)的全局坐標(biāo)，計算對應(yīng)的低維數(shù)據(jù)，得到降維點云數(shù)據(jù)。

4.根據(jù)權(quán)利要求3所述的目標(biāo)分類方法，其特征在于，所述分解基準(zhǔn)包括：所述待分析點云數(shù)據(jù)的數(shù)據(jù)全覆蓋和局部分解數(shù)據(jù)之間存在交疊；

按照預(yù)設(shè)的分解基準(zhǔn)，分解所述待分析點云數(shù)據(jù)，得到若干局部分解數(shù)據(jù)，具體包括：

對所述待分析點云數(shù)據(jù)中的所有數(shù)據(jù)進行分解，得到若干局部分解數(shù)據(jù)；

若干所述局部分解數(shù)據(jù)對應(yīng)的所有數(shù)據(jù)對應(yīng)所述待分析點云數(shù)據(jù)中的所有數(shù)據(jù)，且一個局部分解數(shù)據(jù)和至少一個局部分解數(shù)據(jù)存在交疊。

5.根據(jù)權(quán)利要求3所述的目標(biāo)分類方法，其特征在于，利用主成分分析算法，計算各所述局部分解數(shù)據(jù)對應(yīng)的局部坐標(biāo)，具體包括：

計算各所述局部分解數(shù)據(jù)對應(yīng)的中心化后的矩陣；

對各所述中心化后的矩陣進行奇異值分解，得到對應(yīng)的分解矩陣；

根據(jù)各所述局部分解數(shù)據(jù)對應(yīng)的分解矩陣，計算對應(yīng)的局部坐標(biāo)。

6.根據(jù)權(quán)利要求1所述的目標(biāo)分類方法，其特征在于，所述BP神經(jīng)網(wǎng)絡(luò)模型的配置過程包括：

獲取訓(xùn)練樣本，所述訓(xùn)練樣本為用于訓(xùn)練的降維點云數(shù)據(jù)；

將所述訓(xùn)練樣本輸入至BP神經(jīng)網(wǎng)絡(luò)的輸入層，判斷所述BP神經(jīng)網(wǎng)絡(luò)的輸出層對應(yīng)的輸出分類結(jié)果是否滿足預(yù)設(shè)條件；

若所述輸出分類結(jié)果滿足所述預(yù)設(shè)條件，則將所述BP神經(jīng)網(wǎng)絡(luò)作為所述BP神經(jīng)網(wǎng)絡(luò)模型；

若所述輸出分類結(jié)果不滿足所述預(yù)設(shè)條件，則利用反向傳播，調(diào)整所述BP神經(jīng)網(wǎng)絡(luò)中各層對應(yīng)的權(quán)值和閾值，得到新的BP神經(jīng)網(wǎng)絡(luò)，并將所述訓(xùn)練樣本輸入至所述新的BP神經(jīng)網(wǎng)絡(luò)的輸入層后執(zhí)行后續(xù)步驟。

7.根據(jù)權(quán)利要求1所述的目標(biāo)分類方法，其特征在于，還包括：

結(jié)合所述分類結(jié)果和所述降維點云數(shù)據(jù)，構(gòu)建所述待分類目標(biāo)對應(yīng)的三維模型并顯示。

8.一種目標(biāo)分類裝置，其特征在于，包括：

獲取單元，用于獲取激光雷達(dá)采集的待分類目標(biāo)對應(yīng)的原始點云數(shù)據(jù)；

刪除單元，用于刪除所述原始點云數(shù)據(jù)中的錯誤數(shù)據(jù)后，得到待分析點云數(shù)據(jù)；

降維單元，用于利用LTSA算法，對所述待分析點云數(shù)據(jù)進行降維，得到降維點云數(shù)據(jù)；

分類單元，用于將所述降維點云數(shù)據(jù)輸入至BP神經(jīng)網(wǎng)絡(luò)模型，得到分類結(jié)果，其中，所述BP神經(jīng)網(wǎng)絡(luò)模型為降維點云數(shù)據(jù)和分類結(jié)果的映射關(guān)系模型。

9.一種目標(biāo)分類設(shè)備，其特征在于，所述設(shè)備包括處理器以及存儲器；

所述存儲器用于存儲程序代碼，并將所述程序代碼傳輸給所述處理器；

所述處理器用于根據(jù)所述程序代碼中的指令執(zhí)行權(quán)利要求1至7中任一項所述的目標(biāo)分類方法。

10.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)用于存儲程序代碼，所述程序代碼用于執(zhí)行權(quán)利要求1至7中任一項所述的目標(biāo)分類方法。