[發(fā)明專利]一種目標(biāo)分類方法、裝置、設(shè)備和計算機(jī)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

本申請公開了一種目標(biāo)分類方法、裝置、設(shè)備和計算機(jī)可讀存儲介質(zhì)，其中方法包括：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，對待分析點云數(shù)據(jù)進(jìn)行降維，得到降維點云數(shù)據(jù)；將降維點云數(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，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。解決了現(xiàn)有對于目標(biāo)分類方法準(zhǔn)確率較低的技術(shù)問題。

技術(shù)領(lǐng)域

本申請涉及激光雷達(dá)技術(shù)領(lǐng)域，尤其涉及一種目標(biāo)分類方法、裝置、設(shè)備和計算機(jī)可讀存儲介質(zhì)。

背景技術(shù)

隨著計算機(jī)技術(shù)的發(fā)展，目標(biāo)分類是圖形學(xué)和機(jī)器視覺等領(lǐng)域中的研究熱點。激光雷達(dá)作為一種主動遙測工具，被廣泛應(yīng)用于各行各業(yè)，例如：地形測量、大氣監(jiān)測、無人駕駛等行業(yè)。由于激光雷達(dá)的采樣頻率高，導(dǎo)致采集后得到的點云數(shù)據(jù)也較多。現(xiàn)有技術(shù)中基于這大量的點云數(shù)據(jù)進(jìn)行目標(biāo)分類時，準(zhǔn)確率較低。

發(fā)明內(nèi)容

本申請?zhí)峁┝艘环N目標(biāo)分類方法、裝置、設(shè)備和計算機(jī)可讀存儲介質(zhì)，可以對激光雷達(dá)的點云數(shù)據(jù)進(jìn)行有效分類，解決了現(xiàn)有對于目標(biāo)分類方法準(zhǔn)確率較低的技術(shù)問題。

有鑒于此，本申請第一方面提供了一種目標(biāo)分類方法，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(jìn)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。

可選地，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)。

可選地，利用LTSA算法，對所述待分析點云數(shù)據(jù)進(jìn)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)。

可選地，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(jìn)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。

可選地，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(jìn)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)。

可選地，所述BP神經(jīng)網(wǎng)絡(luò)模型的配置過程包括：