点云识别方法、装置、设备和计算机可读存储介质制造方法及图纸

本申请实施例公开了一种点云识别方法、装置、设备和计算机可读存储介质。该方法包括：对点云中每个点的位置信息进行位置编码，得到每个点的初始特征；在点云中确定至少一个初始中心点，以及确定至少一个初始中心点中每个初始中心点对应的至少一个邻近点；对于每个初始中心点，通过计算邻近点与初始中心点的距离，对至少一个邻近点对应的至少一个初始特征进行特征聚合，得到每个初始中心点对应的邻域特征；基于每个初始中心点对应的邻域特征，在至少一个初始中心点中进行下一次中心点确定与邻近点特征聚合，直至确定出全局中心点以及全局特征；基于全局特征进行识别，得到点云的识别结果。通过本申请，能够提高点云识别的效率。能够提高点云识别的效率。能够提高点云识别的效率。

【技术实现步骤摘要】
点云识别方法、装置、设备和计算机可读存储介质


[0001]本申请涉及计算机
，尤其涉及一种点云识别方法、装置、设备和计算机可读存储介质。

技术介绍

[0002]点云识别是计算机三维视觉中的主流任务，针对不同的识别任务，需要对输入的点云进行类别分类、部件分割、或者目标检测等等。目前，相关技术的点云识别方法通常是通过特征提取网络，从输入的点云数据中提取出高维度的特征表示；再根据不同的识别任务，通过识别网络，基于提取的特征表示输出识别结果。
[0003]相关技术中，特征提取网络需要针对不同识别任务设计相应的网络结构，并且需要先随机初始化可学习的网络参数，然后通过深度学习训练得到最终可部署的特征提取网络。可以看出，相关技术的特征提取网络的训练周期长，且网络规模较大，从而降低了点云识别的效率。

技术实现思路

[0004]本申请实施例期望提供一种点云识别方法、装置、设备和计算机可读存储介质，能够提高点云识别的效率。
[0005]本申请的技术方案是这样实现的：
[0006]第一方面，本申请实施例提供一种点云识别方法，包括：
[0007]对点云中每个点的位置信息进行位置编码，得到所述每个点的初始特征；
[0008]在所述点云中确定至少一个初始中心点，以及确定所述至少一个初始中心点中每个初始中心点对应的至少一个邻近点；
[0009]对于所述每个初始中心点，通过计算邻近点与初始中心点的距离，对至少一个邻近点对应的至少一个初始特征进行特征聚合，得到所述每个初始中心点对应的邻域特征；
[0010]基于所述每个初始中心点对应的邻域特征，在所述至少一个初始中心点中进行下一次中心点确定与邻近点特征聚合，直至确定出全局中心点以及全局特征；所述全局特征是通过对所述全局中心点对应的至少一个邻近点进行特征聚合得到的；
[0011]基于所述全局特征进行识别，得到所述点云的识别结果。
[0012]第二方面，本申请实施例提供一种点云识别装置，包括：
[0013]编码模块，用于对点云中每个点的位置信息进行位置编码，得到所述每个点的初始特征；
[0014]确定模块，用于在所述点云中确定至少一个初始中心点，以及确定所述至少一个初始中心点中每个初始中心点对应的至少一个邻近点；
[0015]聚合模块，用于对于所述每个初始中心点，通过计算邻近点与初始中心点的距离，对至少一个邻近点对应的至少一个初始特征进行特征聚合，得到所述每个初始中心点对应的邻域特征；
[0016]所述确定模块与所述聚合模块，还用于基于所述每个初始中心点对应的邻域特征，在所述至少一个初始中心点中进行下一次中心点确定与邻近点特征聚合，直至确定出全局中心点以及全局特征；所述全局特征是通过对所述全局中心点对应的至少一个邻近点进行特征聚合得到的；
[0017]识别模块，用于基于所述全局特征进行识别，得到所述点云的识别结果。
[0018]第三方面，本申请实施例提供一种点云识别设备，包括：
[0019]存储器，用于存储可执行数据指令；
[0020]处理器，用于执行所述存储器中存储的可执行指令时，实现如本申请实施例所述的点云识别方法。
[0021]第四方面，本申请实施例提供一种计算机可读存储介质，存储有可执行指令，用于引起处理器执行时，实现如本申请实施例所述的点云识别方法。
[0022]本申请实施例提供了一种点云识别方法、装置、设备和计算机可读存储介质。通过对点云中每个点的位置信息进行编码得到初始特征，并通过迭代地中心点确定与特征聚合过程，将点云中每个点的初始特征聚合为全局特征，利用全局特征进行点云识别，不依赖于训练网络参数来进行特征提取，从而节约了网络训练的成本，缩减了网络规模，提高了特征提取的效率，进而提高了基于特征提取进行点云识别的效率。
附图说明
[0023]图1为本申请实施例提供的一种点云识别方法的可选的步骤流程图；
[0024]图2为本申请实施例提供的一种点云识别方法的可选的步骤流程图；
[0025]图3为本申请实施例提供的一种点云识别方法的可选的步骤流程图；
[0026]图4为本申请实施例提供的一种点云识别方法中的非参数化特征提取过程示意图；
[0027]图5为本申请实施例提供的一种点云识别方法的可选的步骤流程图；
[0028]图6为本申请实施例提供的一种点云识别方法的可选的步骤流程图；
[0029]图7为本申请实施例提供的一种点云识别方法的可选的步骤流程图；
[0030]图8为本申请实施例提供的一种点云识别方法的可选的步骤流程图；
[0031]图9为本申请实施例提供的一种点云识别方法的过程示意图；
[0032]图10为本申请实施例提供的一种点云识别方法的可选的步骤流程图；
[0033]图11为本申请实施例提供的点云识别方法应用于实际的点云识别任务场景中的过程示意图；
[0034]图12为本申请实施例提供的一种点云识别装置的结构示意图；
[0035]图13为本申请实施例提供的一种点云识别设备的结构示意图。
具体实施方式
[0036]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。应当理解的是，此处所描述的一些实施例仅仅用以解释本申请的技术方案，并不用于限定本申请的技术范围。
[0037]为便于理解本方案，在对本申请实施例进行说明之前，对本申请实施例中的相关
技术进行说明。
[0038]相关技术的点云识别方法通常分为两个部分，第一部分为“点云特征提取器”，即利用特征提取网络，将输入点云数据转化为高维度的特征表示，获取其主要信息；第二部分为“识别头”，即根据不同子任务对应的识别网络，基于提取得到的点云特征表示输出最终识别结果。相关技术中，特征提取网络与识别网络都需要针对不同的识别任务部署不同网络结构的神经网络，并预先对部署前的神经网络进行深度学习训练，这样会占用不小的时间和空间资源，从而降低了点云识别的效率。
[0039]图1是本申请实施例提供的方法的一个可选的流程示意图，将结合图1示出的步骤进行说明。
[0040]S101、对点云中每个点的位置信息进行位置编码，得到每个点的初始特征。
[0041]本申请实施例适用于对待识别场景的点云数据进行点云识别，以实现的物体分类识别、部件分割、目标检测、以及少样本识别等识别任务的应用场景。
[0042]在一些实施例中，点云识别设备可以通过对目标物体进行数据采集的测量仪器，如三维激光扫描仪、照相式扫描仪、或深度相机等获得待识别场景的点云，也可以通过图像处理算法，根据待识别场景的图像生成点云。具体的根据实际情况进行选择，本申请实施例不作限定。
[0043]本申请实施例中，点云中的每个点包含位置信息。示例性地，对于三维点云中的每个点，其位置信息可以是该点在三维空间中的坐标。点云识别设备可以通过对点云中每个点的位置信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种点云识别方法，其特征在于，包括：对点云中每个点的位置信息进行位置编码，得到所述每个点的初始特征；在所述点云中确定至少一个初始中心点，以及确定所述至少一个初始中心点中每个初始中心点对应的至少一个邻近点；对于所述每个初始中心点，通过计算邻近点与初始中心点的距离，对至少一个邻近点对应的至少一个初始特征进行特征聚合，得到所述每个初始中心点对应的邻域特征；基于所述每个初始中心点对应的邻域特征，在所述至少一个初始中心点中进行下一次中心点确定与邻近点特征聚合，直至确定出全局中心点以及全局特征；所述全局特征是通过对所述全局中心点对应的至少一个邻近点进行特征聚合得到的；基于所述全局特征进行识别，得到所述点云的识别结果。2.根据权利要求1所述的方法，其特征在于，所述通过计算邻近点与初始中心点的距离，对至少一个邻近点对应的至少一个初始特征进行特征聚合，得到所述每个初始中心点对应的邻域特征，包括：根据所述至少一个初始邻近点中每个初始邻近点的第一位置信息，以及所述每个初始中心点的第二位置信息，得到所述每个初始邻近点与所述每个初始中心点之间的距离；对所述距离进行位置编码，作为所述每个初始邻近点对应的权重；基于所述权重，对所述每个初始邻近点对应的初始特征进行加权，并对得到的至少一个加权特征进行融合，得到所述每个初始中心点对应的所述邻域特征。3.根据权利要求2所述的方法，其特征在于，所述基于所述权重，对所述每个初始邻近点对应的初始特征进行加权，并对得到的至少一个加权特征进行融合，得到所述每个初始中心点对应的所述邻域特征，包括：对于所述每个初始邻近点，将所述权重与所述每个初始邻近点对应的初始特征按特征维度进行相乘，得到所述每个邻近点对应的加权特征，得到所述至少一个初始邻近点对应的所述至少一个加权特征；所述加权特征包含至少一个特征维度；对于所述至少一个特征维度中的每个特征维度，将所述每个特征维度在所述至少一个加权特征中对应的最大值，作为所述每个特征维度的邻域特征值，得到所述每个初始中心点对应的所述邻域特征。4.根据权利要求3所述的方法，其特征在于，所述基于所述每个初始中心点对应的邻域特征，在所述至少一个初始中心点中进行下一次中心点确定与邻近点特征聚合，直至确定出全局中心点以及全局特征，包括：在所述至少一个初始中心点的数量大于预设数量阈值的情况下，在所述至少一个初始中心点中确定至少一个更新中心点；对于所述至少一个更新中心点中的每个更新中心点，在所述至少一个初始中心点中确定出所述每个更新中心点对应的至少一个更新邻近点，并对所述至少一个更新邻近点对应的至少一个邻域特征进行特征聚合，得到所述每个更新中心点对应的更新邻域特征；以上述过程迭代进行，直至基于上一次的至少一个更新中心点确定出的更新中心点数量达到所述预设数量阈值的情况下，得到全局中心点；确定所述全局中心点对应的至少一个全局邻近点，并对所述至少一个全局邻近点对应的至少一个更新邻域特征进行特征聚合，得到所述全局特征。
5.根据权利要求1所述的方法，其特征在于，所述确定所述至少一个初始中心点中每个初始中心点对应的至少一个邻近点之后，所述方法还包括：通过预训练的第一线性层，对所述至少一个初始特征进行线性变换，并利用线性变换后的至少一个第一特征更新所述至少一个初始特征。6.根据权利要求3所述的方法，其特征在于，所述得到所述每个邻近点对应的加权特征之后，所述方法还包括：通过预训练的第二线性层，对所述每个邻近点对应的加权特征进行线性变换，并利用线性变换后的加权特征更新所述每个初始邻近点对应的加权特征。7.根据权利要求1所述的方法，其特征在于，所...

【专利技术属性】
技术研发人员：张仁瑞，郭子瑜，王亚立，高鹏，李鸿升，乔宇，
申请(专利权)人：上海人工智能创新中心，
类型：发明
国别省市：