一种基于卷积神经网络的点云排序预处理方法及装置制造方法及图纸

本发明专利技术提供的一种基于卷积神经网络的点云排序预处理方法及装置，通过获取点云数据，并通过训练好的pointNet模型进行预处理，得到处理后的数据；对所述处理后的数据进行评分，得到评分结果；根据所述评分结果对点云数据进行排序，输出有序的点云数据，利用直接评分对点云进行一次评分，逐步评分对点云进行等级评分，减少计算资源的消耗，且易于快速训练，达到优秀的分类和分割结果，同时大大减少了空间消耗。耗。耗。

【技术实现步骤摘要】
一种基于卷积神经网络的点云排序预处理方法及装置


[0001]本专利技术涉及计算机
，特别涉及一种基于卷积神经网络的点云排序预处理方法及装置。

技术介绍

[0002]随着激光扫描仪等现代三维传感器的兴起，点云在室内导航、自动驾驶、机器人等领域得到了广泛的应用。应用于点云的卷积神经网络在分类、分割等视觉任务中取得了良好的性能。EdgeConv使用连接成对距离的坐标作为边缘特征，并使用多层感知作为过滤器。X
‑
Conv通过学习变换，将点的局部信息投影到势空间，然后执行标准卷积。现有的点云卷积神经网络大多更关注每个点的空间相关性，而忽略点云数据的排序，为了减少资源消耗，必须根据一定的规则选择一些无序的、独立的点。因此，它们不适合使用空间局部相关性，导致应用于点云的卷积神经网络在深度上不如图像上的卷积神经网络深入，并且消耗大量计算资源。
[0003]借鉴卷积神经网络应用于二维图像上的经验，这种网格状数据的有序性和规律性使卷积运算能够有效地利用图像的空间相关性。因此，有序的点云数据更有利于卷积运算。大多数三维点云的深度模型都需要进行预处理，例如通过视图投影将不规则的点云转换为立体像素或二维图像。但是这样会导致局部形状保真度或点云自然不变性的损失。
[0004]因此，需要一种基于卷积神经网络的点云排序预处理方法及装置，能够减少计算资源的消耗，且易于快速训练，达到优秀的分类和分割结果，同时大大减少了空间消耗。

技术实现思路

[0005](一)要解决的技术问题
[0006]为了解决现有技术的上述问题，本专利技术提供一种基于卷积神经网络的点云排序预处理方法及装置，能够减少计算资源的消耗，且易于快速训练，达到优秀的分类和分割结果，同时大大减少了空间消耗。
[0007](二)技术方案
[0008]为了达到上述目的，本专利技术采用的一种技术方案为：
[0009]一种基于卷积神经网络的点云排序预处理方法，包括步骤：
[0010]S1、获取点云数据，并通过训练好的pointNet模型进行预处理，得到处理后的数据；
[0011]S2、对所述处理后的数据进行评分，得到评分结果；
[0012]S3、根据所述评分结果对点云数据进行排序，输出有序的点云数据。
[0013]为了达到上述目的，本专利技术采用的另一种技术方案为：
[0014]一种基于卷积神经网络的点云排序预处理装置，包括存储器、处理器及存储在存储器上并可在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以下步骤：
[0015]S1、获取点云数据，并通过训练好的pointNet模型进行预处理，得到处理后的数
据；
[0016]S2、对所述处理后的数据进行评分，得到评分结果；
[0017]S3、根据所述评分结果对点云数据进行排序，输出有序的点云数据。
[0018](三)有益效果
[0019]本专利技术的有益效果在于：通过获取点云数据，并通过训练好的pointNet模型进行预处理，得到处理后的数据；对所述处理后的数据进行评分，得到评分结果；根据所述评分结果对点云数据进行排序，输出有序的点云数据，利用直接评分对点云进行一次评分，逐步评分对点云进行等级评分，减少计算资源的消耗，且易于快速训练，达到优秀的分类和分割结果，同时大大减少了空间消耗。
附图说明
[0020]图1为本专利技术实施例的基于卷积神经网络的点云排序预处理方法流程图；
[0021]图2为本专利技术实施例的基于卷积神经网络的点云排序预处理装置的整体结构示意图；
[0022]图3为采用KeypointNet(DS)、Random、FPS、Gpool和WCPL方法获得的下行采样结果的可视化示意图。
[0023]【附图标记说明】
[0024]1：基于卷积神经网络的点云排序预处理装置；
[0025]2：存储器；
[0026]3：处理器。
具体实施方式
[0027]为了更好的解释本专利技术，以便于理解，下面结合附图，通过具体实施方式，对本专利技术作详细描述。
[0028]实施例一
[0029]请参照图1，一种基于卷积神经网络的点云排序预处理方法，包括步骤：
[0030]S1、获取点云数据，并通过训练好的pointNet模型进行预处理，得到处理后的数据；
[0031]步骤S1具体为：
[0032]获取具有N0点的点云数据，将点云特征表示为P＝{p
i
∈R
D
,i＝1,2,
…
,N0}，并通过训练好的pointNet模型进行预处理，得到处理后的数据F
i
；
[0033][0034]其中，是第i点的M维特征，f
ij
是元素。
[0035]S2、对所述处理后的数据进行评分，得到评分结果；
[0036]步骤S2具体包括：
[0037]通过池化操作找出所述处理后的数据F
i
每列的最大值f
j
进行直接评分，得到评分结果v
i
；
[0038][0039][0040]其中，idx
j
表示在第j维中具有最大值f
j
的点，idx＝[idx1,idx2,
…
,idxM]为各个值的向量，M表示维度；
[0041][0042]其中，v
i
是每个点的分数，1(idx
j
＝＝i)是指标，当idx
j
＝＝i为真时等于1，否则为0。
[0043]步骤S2具体包括：
[0044]通过池化操作计算所述处理后的数据F
i
每列由大到小的所有值进行逐步评分，得到评分结果
[0045][0046][0047]其中，表示具有第k个值的点，表示每列的第k个值的来源向量，M表示维度；
[0048][0049]其中，v
i
是每个点对第k个值的所有贡献。
[0050]S3、根据所述评分结果对点云数据进行排序，输出有序的点云数据。
[0051]实施例二
[0052]本实施例和实施例一的区别在于，本实施例将结合具体的应用场景进一步说明上述基于卷积神经网络的点云排序预处理方法是如何实现的：
[0053]1、相关工作
[0054]由于点云的不规则性和无序性，许多理想的图像处理方法无法在点云上实现。现有的点云处理方法都需要处理成对的空间相关性，可以分为三类：基于多视图的方法、基于立体像素的方法和基于集合的方法。基于多视图的方法将点云投影到不同方向的二维图像中，并采用标准的二维CNN进行识别，但它无法完全表示三维物体，同时丢失了某些维度的信息。基于立体像素的方法通过立体像素化将非结构化点云转化为结构化的三维网格，并利用标准的三维CNN进行特征提取，但这些方法需要消耗大量的内存资源，难以处理大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的点云排序预处理方法，其特征在于，包括步骤：S1、获取点云数据，并通过训练好的pointNet模型进行预处理，得到处理后的数据；S2、对所述处理后的数据进行评分，得到评分结果；S3、根据所述评分结果对点云数据进行排序，输出有序的点云数据。2.根据权利要求1所述的基于卷积神经网络的点云排序预处理方法，其特征在于，步骤S1具体为：获取具有N0点的点云数据，将点云特征表示为P＝{p
i
∈RD，i＝1，2，...，N0}，并通过训练好的pointNet模型进行预处理，得到处理后的数据F
i
；其中，F
i
＝{f
i1
，f
i2
，...，f
iM
}是第i点的M维特征，f
ij
是元素。3.根据权利要求2所述的基于卷积神经网络的点云排序预处理方法，其特征在于，步骤S2具体包括：通过池化操作找出所述处理后的数据F
i
每列的最大值f
j
进行直接评分，得到评分结果v
i
；；其中，idx
j
表示在第j维中具有最大值f
j
的点，idx＝[idx1，idx2，...，idxM]为各个值的向量，M表示维度；其中，v
i
是每个点的分数，1(idx
j
＝＝i)是指标，当idx
j
＝＝i为真时等于1，否则为0。4.根据权利要求2所述的基于卷积神经网络的点云排序预处理方法，其特征在于，步骤S2具体包括：通过池化操作计算所述处理后的数据F
i
每列由大到小的所有值进行逐步评分，得到评分结果评分结果评分结果其中，表示具有第k个值的点，表示每列的第k个值的来源向量，M表示维度；其中，v
i
是每个点对第k个值的所有贡献。5.一种基于卷积神经网络的点云排序预处理装置，包括存储器、处理器及存储在存...

【专利技术属性】
技术研发人员：林为伟，张泽清，
申请(专利权)人：福建技术师范学院，
类型：发明
国别省市：