[发明专利]基于全卷积神经网络的点云数据分类方法及电子设备

权利要求书

1.一种基于全卷积神经网络的点云数据分类方法，其特征在于，包括：

步骤1：针对点云数据进行鸟瞰投射，进而进行二维网格分割，获得网格特征图；

步骤2：针对所述网格特征图进行特征提取，获得输入特征图；

步骤3：针对所述输入特征图进行卷积处理，获得卷积数据图；

步骤4：针对所述卷积数据图进行预测与反卷积处理，获得输出特征图。

2.根据权利要求1所述的基于全卷积神经网络的点云数据分类方法，其中，还包括：

确定所述输出特征图中每一个网格的概率，完成对所述点云数据的分类。

3.根据权利要求2所述的基于全卷积神经网络的点云数据分类方法，其中，所述输出特征图与所述输入特征图的大小与网格划分均一致。

4.根据权利要求1所述的基于全卷积神经网络的点云数据分类方法，其中，所述步骤3包括：

步骤301：确定卷积次数为N；

步骤302：针对所述输入特征图进行卷积块处理，卷积块处理完成后进行池化处理，获得卷积处理数据；

步骤303：将所述卷积处理数据作为输入特征图，重复步骤302，直至完成N次卷积次数，获得第N次卷积处理数据；

步骤304：将第N次卷积处理数据进行多次全卷积处理，获得所述卷积数据图。

5.根据权利要求4所述的基于全卷积神经网络的点云数据分类方法，其中，所述卷积块处理包括多次卷积层处理。

6.根据权利要求4所述的基于全卷积神经网络的点云数据分类方法，其中，所述全卷积处理包括1次卷积层处理与1次dropout处理。

7.根据权利要求4所述的基于全卷积神经网络的点云数据分类方法，其中，所述步骤4包括：

步骤401：确定预测种类，确定预测与反卷积处理的次数为M；

步骤402：针对所述卷积数据图进行预测，将预测结果进行反卷积处理与剪切处理，获得预测数据；

步骤403：针对第N-1次卷积处理数据进行预测，与所述预测数据叠加，将叠加结果进行反卷积处理与剪切处理，获得叠加预测数据；

步骤404：针对第N-2次卷积处理数据进行预测，与所述叠加预测数据叠加，重复步骤403，直至完成M次预测与反卷积处理，获得所述输出特征图。

8.根据权利要求7所述的基于全卷积神经网络的点云数据分类方法，其中，所述预测种类包括：机动车、行人、自行车、其他动态目标、其他静态目标与未知类型。

9.根据权利要求7所述的基于全卷积神经网络的点云数据分类方法，其中，还包括：

针对所述输出特征图进行softmax处理，获得所述输出特征图中每一个网格的概率。

10.一种电子设备，其特征在于，所述电子设备包括：

存储器，存储有可执行指令；

处理器，所述处理器运行所述存储器中的所述可执行指令，以实现权利要求1-9中任一项所述的基于全卷积神经网络的点云数据分类方法。