[发明专利]一种基于旋转的点云数据的处理方法、装置及终端设备

说明书

本发明公开一种基于旋转的点云数据的特征处理方法、装置及终端设备，其中方法包括：获取目标点云数据；利用旋转映射模块从目标点云数据中提取旋转不变特征；利用多个聚类模块对旋转不变特征进行多维特征处理，多个聚类模块依次按照由大至小的聚类数目顺序连接；利用分类器模块将多维特征处理后的旋转不变特征进行分类，得到旋转不变特征的分类结果。本发明结合旋转映射模块、多个聚类模块对从目标点云数据中提取的旋转不变特征进行处理，可以确保基于3D点云数据进行目标识别的鲁棒性，增强目标点云数据的分类识别精度，同时降低了对深度学习模型的训练数据的数量需求和深度学习模型训练时的计算成本。

技术领域

本发明涉及点云数据的三维变换处理技术领域，具体涉及一种基于旋转的点云数据的处理方法、装置及终端设备。

背景技术

点云的旋转变换在3D技术领域中较为常见，同时，它在3D识别中引起了不可避免的挑战。理论上讲，任意3D旋转可以由多个操作组合而成，且这种组合的数量是无限的。因此，机器学习模型从极大的输入空间提取特征，对该提取的特征进行训练处理进而确保旋转变换带来的点云数据的分类精度。

目前，现有技术中为了确保点云数据在3D旋转过程中的旋转不变性，往往通过提供大量的旋转增强数据，即应用空间变换器网路在特征提取之前规范输入数据，虽然旋转增强数据在某种程度上对提高机器模型的旋转鲁棒性是有效的，但是基于大量的旋转增强数据，显然其计算成本较高，并且利用较为固定的规范方式进行数据增强，使得机器模型按照该固定的方式进行持续训练，其训练方式不够灵活，很难保证旋转鲁棒性得到保证。

发明内容

因此，本发明实施例要解决的技术问题在于现有技术中为了确保点云数据在3D旋转过程中的旋转不变性，通过提供大量的旋转增强数据，利用机器模型按照固定的方式进行持续训练，其训练方式不够灵活，很难保证旋转鲁棒性得到保证。

为此，本发明实施例提供了如下技术方案：

根据第一方面，本发明实施例提供一种基于旋转的点云数据的特征处理方法，包括如下步骤：

获取目标点云数据；

利用旋转映射模块从所述目标点云数据中提取旋转不变特征；

利用多个聚类模块对所述旋转不变特征进行多维特征处理，所述多个聚类模块依次按照由大至小的聚类数目顺序连接；

利用分类器模块将所述多维特征处理后的所述旋转不变特征进行分类，得到所述旋转不变特征的分类结果。

结合第一方面，在第一方面第一实施方式中，所述利用旋转映射模块从所述目标点云数据中提取旋转不变特征的步骤还包括：

利用K最邻近算法将所述目标点云数据从第一维空间变换至第二维空间；

建立具有多层感知机的第一神经网络模型；

将变换至所述第二维空间的所述目标点云数据输入至所述第一神经网络模型训练得到所述旋转不变特征。

结合第一方面，在第一方面第二实施方式中，，所述将变换至所述第二维空间的所述目标点云数据输入至所述第一神经网络模型训练得到所述旋转不变特征的步骤还包括：

将所述旋转不变特征进行池化处理。

结合第一方面，在第一方面第三实施方式中，，所述利用多个聚类模块对所述旋转不变特征进行多维特征处理，所述多个聚类模块依次按照由大至小的聚类数目顺序连接的步骤还包括：

将所述旋转不变特征依次输入至第一聚类模块、第二聚类模块和第三聚类模块进行聚类处理得到多维的所述旋转不变特征，所述第一聚类模块的聚类数目大于第二聚类模块的聚类数目，所述第二聚类模块的聚类数目大于第三聚类模块的聚类数目。