[发明专利]点云分类方法、装置、设备及存储介质

说明书

本发明适用计算机技术领域，提供了一种点云分类方法、装置、设备及存储介质，该方法包括：接收点云分类请求，获取点云分类请求中的点云数据，对点云数据对应的点云进行点云体素化操作，得到点云体素化数据，获取点云体素化数据对应的点云在预设邻域内的填充特征，获取点云体素化数据对应点云对应的体素位置，并在点云对应的体素位置填充获取的填充特征，通过预先构建的点云分类网络对特征填充后的点云进行分类，输出点云数据对应的点云分类结果，从而提高了点云分类的效率。

技术领域

本发明属于计算机技术领域，尤其涉及一种点云分类方法、装置、设备及存储介质。

背景技术

卷积神经网络是一种受动物视觉皮层中神经元连接方式启发而产生的一种深度学习算法，能够从输入数据中提取出预测性非常好的特征。2012年，Alex等在大规模视觉识别挑战赛(ILSVRC)中，使用AlexNet在图像分类子竞赛中取得了16.4％的错误率，远远低于使用传统方法的第二名的错误率，点燃了卷积神经网络研究的热潮。之后，卷积神经网络被广泛应用于目标检测、语义分割、特征提取等领域。

传统的点云分类方法主要利用人的领域知识手工构造特征，并使用支持向量机(SVM)、随机森林(RF)等算法对从样本中提取出的手工构造特征进行分类。这类方法需要针对不同的任务与不同的数据、依赖丰富的实践经验设计手工特征，不仅耗费人力，而且在特征的表达能力上也存在局限性。另外，传统的点云分类方法的点云分类准确性低下。

综上所述，现有的点云分类方法的分类效率不高。因此，如何利用卷积神经网络对点云数据进行特征提取，提高点云分类的准确性，对解决现有点云分类方法的分类效率不高这个问题来说具有积极的作用。另外，在对点云分类之前，从不同角度对点云体素化会得到不同的体素数据，而且在点云体素化的过程中会伴随着点云局部分布信息的损失，从而影响点云分类准确性。

发明内容

本发明的目的在于提供一种点云分类方法、装置、设备及存储介质，旨在解决由于现有点云分类方法的点云分类效率不高的问题。

一方面，本发明提供了一种点云分类方法，所述方法包括下述步骤：

接收点云分类请求，获取所述点云分类请求中的点云数据；

对所述点云数据对应的点云进行点云体素化操作，得到点云体素化数据，获取所述点云体素化数据对应的点云在预设邻域内的填充特征；

获取所述点云体素化数据对应点云对应的体素位置，并在所述点云对应的体素位置填充所述填充特征；

通过预先构建的点云分类网络对所述特征填充后的点云进行分类，输出所述点云数据对应的点云分类结果。

另一方面，本发明提供了一种点云分类装置，所述装置包括：

点云数据获取单元，用于接收点云分类请求，获取所述点云分类请求中的点云数据；

特征获取单元，用于对所述点云数据对应的点云进行点云体素化操作，得到点云体素化数据，获取所述点云体素化数据对应的点云在预设邻域内的填充特征；

特征填充单元，用于获取所述点云体素化数据对应点云对应的体素位置，并在所述点云对应的体素位置填充所述填充特征；以及

分类结果输出单元，用于通过预先构建的点云分类网络对所述特征填充后的点云进行分类，输出所述点云数据对应的点云分类结果。

另一方面，本发明还提供了一种物体识别设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如所述点云分类方法的步骤。

另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如所述点云分类方法的步骤。