[发明专利]三维点云的结构化方法、分类方法、设备及装置

权利要求书

1.一种基于反卷积神经网络的三维点云的结构化方法，其特征在于，所述方法包括：

通过局部特征提取网络对原始三维点云进行特征提取处理，进而得到以所述三维点云的多个点为中心点的局部区域的局部特征向量；

通过所述反卷积神经网络对每一所述中心点所对应的局部特征向量进行反卷积映射处理，以获得多个局部特征映射图，所述局部特征映射图与所述局部特征向量一一对应；

通过第一最大值池化层对多个所述局部特征映射图进行最大值池化处理，以得到融合图像。

2.根据权利要求1所述的方法，其特征在于，所述局部特征提取网络包括至少一集合抽象层，所述集合抽象层包括采样层、分组层以及点网层；

所述通过局部特征提取网络对原始三维点云进行特征提取处理的步骤包括：

所述采样层以所述原始三维点云或经前一级所述集合抽象层输出的中心点集合作为输入点云，利用最远点采样算法从所述输入点云中采样出第一点云子集；

所述分组层从所述输入点云中查找以所述第一点云子集中的点为所述中心点的相邻区域点，以形成多个第二点云子集；

所述点网层分别对所述第二点云子集进行特征提取，以获得所述中心点所对应的局部特征向量。

3.根据权利要求2所述的方法，其特征在于，所述局部特征提取网络包括级联设置的至少两个集合抽象层，其中第一个所述集合抽象层以所述原始三维点云作为所述输入点云，后续的所述集合抽象层以前一级所述集合抽象层处理后的所述中心点的集合作为所述输入点云。

4.根据权利要求1所述的方法，其特征在于，所述反卷积神经网络包括至少一反卷积层；

所述通过所述反卷积神经网络对每一所述中心点所对应的局部特征向量进行反卷积映射处理的步骤包括：

所述反卷积层以所述中心点经上采样处理获得的上采样图像或前一级所述反卷积层输出的局部特征映射图作为输入图像，对所述输入图像进行反卷积映射处理，并输出经处理后的局部特征映射图。

5.根据权利要求4所述的方法，其特征在于，所述反卷积神经网络包括至少一深度残差层；

所述通过所述反卷积神经网络对每一所述中心点所对应的局部特征向量进行反卷积映射处理的步骤还包括：

通过所述深度残差层对所述经处理后的局部特征映射图进行深度残差优化。

6.根据权利要求5所述的方法，其特征在于，所述反卷积神经网络包括交替级联设置的所述反卷积层和深度残差层，其中第一个所述反卷积层以所述中心点经上采样处理获得的上采样图像作为所述输入图像，后续的所述反卷积层以经前一级所述深度残差层进行深度残差优化的所述局部特征映射图作为输入图像。

7.一种基于反卷积神经网络的三维点云的分类方法，其特征在于，所述方法包括如权利要求1-6任意一项所述的基于反卷积神经网络的三维点云的结构化方法；以及

通过分类网络对所述融合图像进行分类处理，以实现对所述三维点云的分类。

8.根据权利要求7所述的基于反卷积神经网络的三维点云的分类方法，其特征在于，所述分类网络包括至少一组级联设置的卷积层、批量标准层、激活函数层和第二最大值池化层，以及与最后一组的第二最大值池化层连接的全接触层；

所述通过分类网络对所述融合图像进行分类处理的步骤包括：

所述卷积层对所述融合图像或经前一组的第二最大值池化层输出的融合映射图像作为输入图像进行二维卷积运算，以提取特征数据；

所述批量标准层对所述特征数据进行标准化处理；

所述激活函数层对标准化后的所述特征数据进行线性激活，其中，选用参数修正线性单元ReLu为激活函数；

所述第二最大值池化对所述激活数据进行最大值池化处理，以形成所述融合映射图像；

所述全连接层对最后一组的所述第二最大值池化层所输出的所述融合映射图像进行分类处理，并输出分类结果。