基于宽度学习的物体识别方法及系统技术方案

本发明专利技术实施例公开了基于宽度学习的物体识别方法及系统。本发明专利技术实施例将先采集当前区域内的三维点云数据；通过预设统一空间编码器对所述三维点云数据进行处理，以得到统一特征空间下的当前特征节点；将所述当前特征节点通过预设宽度学习神经网络进行物体识别。可见，本发明专利技术实施例在进行物体识别时，采用的预设宽度学习神经网络不同于传统的深度学习神经网络，整体上计算效率较高；同时，预设宽度学习神经网络的输入量由原始的三维点云数据变更为了统一特征空间下的特征向量，处理该种数据类型更为简单，进一步地提高了计算效率。

Object recognition method and system based on width learning

【技术实现步骤摘要】
基于宽度学习的物体识别方法及系统
本专利技术涉及物体识别
，尤其涉及基于宽度学习的物体识别方法及系统。
技术介绍
随着双目图像和连续视频的成像与分析技术不断成熟，可实现对于真实环境的三维光场感知，这可被广泛应用在无人车自动驾驶、三维场景中的物体识别领域中。但是，存在着远景图像分辨率较低的缺陷，这导致了获取到的周围环境数据的数据精度不高；并且，该类技术的估测精度受光照和天气影响较大，容易导致无法获得精确的三维数据。对此，可使用激光雷达(LiDAR，Lightdetectionandranging)传感器来克服该缺陷，鉴于LiDAR传感器具有速度快、精度高以及距离远等特性，所以，可用于获得未知环境的三维点云数据。此外，基于激光测距获取到的三维点云数据还不易受到光照和天气影响，可以准确地测量出100米以内的距离信息。但是，三维点云数据由于具有稀疏性、非结构化以及空间分布不均匀等特点，而且，不同物体的三维点云数据中会包含数量不等的三维点，这导致了大多数的深度学习神经网络架构无法直接处理原始的三维点云数据。即使使用训练好的传统深度学习神经网络进行三维点云数据的识别，计算效率也较低。
技术实现思路
为了解决上述问题，本专利技术实施例提供基于宽度学习的物体识别方法及系统。第一方面，本专利技术实施例提供一种基于宽度学习的物体识别方法，其特征在于，包括：采集当前区域内的三维点云数据；通过预设统一空间编码器对所述三维点云数据进行处理，以得到统一特征空间下的当前特征节点；将所述当前特征节点通过预设宽度学习神经网络进行物体识别。优选地，所述通过预设统一空间编码器对所述三维点云数据进行处理，以得到统一特征空间下的当前特征节点，具体包括：通过预设统一空间编码器中的当前编码矩阵对所述三维点云数据进行处理，以获得不确定特征空间下的当前不确定特征向量；通过所述预设统一空间编码器中的平均池化算法对所述当前不确定特征向量进行池化处理，以获得统一特征空间下的当前统一特征向量；对所述当前统一特征向量进行转置，以获得当前特征节点。优选地，所述将所述当前特征节点通过预设宽度学习神经网络进行物体识别，具体包括：将所述当前特征节点通过预设宽度学习神经网络中的预设权值矩阵进行物体识别。优选地，所述采集当前区域内的三维点云数据之前，所述基于宽度学习的物体识别方法还包括：获取待训练宽度学习神经网络中的预设特征节点、预设增强节点以及待更新权值矩阵；根据所述预设特征节点、所述预设增强节点以及所述待更新权值矩阵进行输出处理，以获得输出矩阵；根据所述预设特征节点、所述预设增强节点以及所述输出矩阵进行权值矩阵的更新，以将所述待更新权值矩阵更新为预设权值矩阵。优选地，所述获取待训练宽度学习神经网络中的预设特征节点、预设增强节点以及待更新权值矩阵之前，所述基于宽度学习的物体识别方法还包括：获取预设特征节点；将所述预设特征节点通过预设激活函数进行增强层的构建，以构建出预设增强节点。优选地，所述获取待训练宽度学习神经网络中的预设特征节点、预设增强节点以及待更新权值矩阵之前，所述基于宽度学习的物体识别方法还包括：获取三维点云样本；根据所述三维点云样本中的坐标信息从预设编码矩阵中选取当前编码矩阵；通过所述当前编码矩阵对所述三维点云样本进行处理，以获得不确定特征空间下的目标不确定特征向量；通过平均池化算法对所述目标不确定特征向量进行池化处理，以获得统一特征空间下的目标统一特征向量；对所述目标统一特征向量进行转置，以获得预设特征节点。优选地，所述根据所述三维点云样本中的坐标信息从预设编码矩阵中选取当前编码矩阵，具体包括：通过预设批量梯度下降算法进行编码矩阵与解码矩阵的训练，以获得预设编码矩阵与预设解码矩阵；通过所述预设编码矩阵对所述三维点云样本中的坐标信息进行映射，以获得隐藏层信息；通过所述预设解码矩阵对所述隐藏层信息进行映射，以获得输出层信息；若所述坐标信息与所述输出层信息的相似度处于预设相似度范围内，则将所述预设编码矩阵作为当前编码矩阵。第二方面，本专利技术实施例提供一种基于宽度学习的物体识别系统，包括：数据采集模块，用于采集当前区域内的三维点云数据；空间编码模块，用于通过预设统一空间编码器对所述三维点云数据进行处理，以得到统一特征空间下的当前特征节点；物体识别模块，用于将所述当前特征节点通过预设宽度学习神经网络进行物体识别。第三方面，本专利技术实施例提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现本专利技术第一方面提供的一种基于宽度学习的物体识别方法的步骤。第四方面，本专利技术实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本专利技术第一方面提供的一种基于宽度学习的物体识别方法的步骤。本专利技术实施例提供的基于宽度学习的物体识别方法及系统，先采集当前区域内的三维点云数据；通过预设统一空间编码器对所述三维点云数据进行处理，以得到统一特征空间下的当前特征节点；将所述当前特征节点通过预设宽度学习神经网络进行物体识别。本专利技术实施例在进行物体识别时，采用的预设宽度学习神经网络不同于传统的深度学习神经网络，网络层数较少且该神经网络结构内涉及到的参数个数也较少，整体上计算效率较高；同时，预设宽度学习神经网络的输入量由原始的三维点云数据变更为了统一特征空间下的特征向量，处理该种数据类型更为简单，进一步地提高了计算效率。附图说明图1为本专利技术实施例提供的一种基于宽度学习的物体识别方法的流程图；图2为本专利技术又一实施例提供的一种基于宽度学习的物体识别方法的流程图；图3为本专利技术再一实施例提供的一种基于宽度学习的物体识别方法的流程图；图4为本专利技术另一实施例提供的一种基于宽度学习的物体识别方法的流程图；图5为本专利技术另一实施例提供的预设统一空间编码器与预设宽度学习神经网络的架构示意图；图6为本专利技术另一实施例提供的室外环境的三维点云数据可视化示意图；图7为本专利技术另一实施例提供的目标物体对应的三维点云数据的空间分布示意图；图8本专利技术实施例提供的一种基于宽度学习的物体识别系统的结构示意图；图9为本专利技术实施例提供的一种电子设备的实体结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1为本专利技术实施例提供的一种基于宽度学习的物体识别方法的流程图，如图1所本文档来自技高网...

【技术保护点】
1.一种基于宽度学习的物体识别方法，其特征在于，包括：/n采集当前区域内的三维点云数据；/n通过预设统一空间编码器对所述三维点云数据进行处理，以得到统一特征空间下的当前特征节点；/n将所述当前特征节点通过预设宽度学习神经网络进行物体识别。/n

【技术特征摘要】
1.一种基于宽度学习的物体识别方法，其特征在于，包括：
采集当前区域内的三维点云数据；
通过预设统一空间编码器对所述三维点云数据进行处理，以得到统一特征空间下的当前特征节点；
将所述当前特征节点通过预设宽度学习神经网络进行物体识别。


2.根据权利要求1所述的基于宽度学习的物体识别方法，其特征在于，所述通过预设统一空间编码器对所述三维点云数据进行处理，以得到统一特征空间下的当前特征节点，具体包括：
通过预设统一空间编码器中的当前编码矩阵对所述三维点云数据进行处理，以获得不确定特征空间下的当前不确定特征向量；
通过所述预设统一空间编码器中的平均池化算法对所述当前不确定特征向量进行池化处理，以获得统一特征空间下的当前统一特征向量；
对所述当前统一特征向量进行转置，以获得当前特征节点。


3.根据权利要求1或2所述的基于宽度学习的物体识别方法，其特征在于，所述将所述当前特征节点通过预设宽度学习神经网络进行物体识别，具体包括：
将所述当前特征节点通过预设宽度学习神经网络中的预设权值矩阵进行物体识别。


4.根据权利要求3所述的基于宽度学习的物体识别方法，其特征在于，所述采集当前区域内的三维点云数据之前，所述基于宽度学习的物体识别方法还包括：
获取待训练宽度学习神经网络中的预设特征节点、预设增强节点以及待更新权值矩阵；
根据所述预设特征节点、所述预设增强节点以及所述待更新权值矩阵进行输出处理，以获得输出矩阵；
根据所述预设特征节点、所述预设增强节点以及所述输出矩阵进行权值矩阵的更新，以将所述待更新权值矩阵更新为预设权值矩阵。


5.根据权利要求4所述的基于宽度学习的物体识别方法，其特征在于，所述获取待训练宽度学习神经网络中的预设特征节点、预设增强节点以及待更新权值矩阵之前，所述基于宽度学习的物体识别方法还包括：
获取预设特征节点；
将所述预设特征节点通过预设激活函数进行增强层的构建，以构建出预设增强节点。


6.根...

【专利技术属性】
技术研发人员：宋伟，刘子澍，田逸非，
申请(专利权)人：北方工业大学，
类型：发明
国别省市：北京;11