[发明专利]三维点云的结构化方法、分类方法、设备及装置

说明书

本申请涉及神经网络处理技术领域，具体公开了一种三维点云的结构化方法、分类方法、设备及装置，该方法包括：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；通过反卷积神经网络对每一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，局部特征映射图与局部特征向量一一对应；通过第一最大值池化层对多个局部特征映射图进行最大值池化处理，以得到融合图像。通过上述方式，本申请能够实现非结构化的原始三维点云转化为结构化的图像数据。

技术领域

本申请涉及神经网络处理技术领域，特别是涉及三维点云的结构化方法、分类方法、设备及装置。

背景技术

相对于二维图像领域，深度学习模型在三维形状上的研究起步较晚。图像是结构化的，可以表示为二维平面上的一个矩阵，但三维点云和网格都是非结构化的，不能直接输入到深度神经网络中。

发明内容

本申请主要解决的技术问题是提供一种三维点云的结构化方法、分类方法、设备及装置，能够实现非结构化的原始三维点云转化为结构化的图像数据。

一方面，本申请提供一种基于反卷积神经网络的三维点云的结构化方法，该方法包括：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；通过反卷积神经网络对每一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，局部特征映射图与局部特征向量一一对应；通过第一最大值池化层对多个局部特征映射图进行最大值池化处理，以得到融合图像。

另一方面，本申请提供一种基于反卷积神经网络的三维点云的分类方法，该方法包括如前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融合图像进行分类处理，以实现对三维点云的分类。

又一方面，本申请提供一种基于反卷积神经网络的图像分类设备，其特征在于，设备包括存储器、处理器，处理器耦接存储器；处理器在工作时配合存储器实现如前述的基于反卷积神经网络的三维点云的分类方法。

再一方面，本申请提供一种具有存储功能的装置，该装置存储有程序数据，程序数据被执行时能够实现如前述的基于反卷积神经网络的三维点云的结构化方法，或程序数据被执行时能够实现如前述的基于反卷积神经网络的三维点云的分类方法。

本申请的有益效果是：区别于现有技术的情况，本申请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；通过反卷积神经网络对每一中心点所对应的局部特征向量进行反卷积映射处理，反卷积神经网络能够自动学习点到图像的投影映射关系，并保留对三维点云分类有用的局部特征信息，以获得多个局部特征映射图，局部特征映射图与局部特征向量一一对应；通过第一最大值池化层对多个局部特征映射图进行最大值池化处理，以得到融合图像，利用基于反卷积神经网络对三维点云进行特征提取，实现将非结构化的原始三维点云转化为结构化的图像数据，得到的特征鲁棒性明显提高。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：

图1是本申请基于反卷积神经网络的三维点云的结构化方法一实施方式的流程示意图；

图2是本申请基于反卷积神经网络的三维点云的结构化方法另一实施方式的流程示意图；

图3是本申请基于反卷积神经网络的三维点云的分类方法一实施方式的流程示意图；

图4是本申请基于反卷积神经网络的三维点云的分类方法另一实施方式的流程示意图；