[发明专利]一种基于多维点云数据的生物种属鉴别方法

权利要求书

1.一种基于多维点云数据的生物种属鉴别方法，其特征在于，该方法包括有以下步骤：

S1：预先建立标准生物种属分类检索表；

S2：获取检材的外部形态轮廓的整体点云数据；

S3：拆分整体点云数据得到表现检材局部轮廓的局部点云数据；

S4：对局部点云数据作出去噪处理得到没有噪点的局部点云数据；

S5：将没有噪点的点云数据与标准生物种属分类检索表比对，得到检材的生物种属鉴别结果。

2.如权利要求1所述的基于多维点云数据的生物种属鉴别方法，其特征在于，所述S1具体为：建立卷积神经网络预模型并进行预训练，得到合适可用的卷积神经网络模型，在卷积神经网络中内置标准生物检索表。

3.如权利要求2所述的基于多维点云数据的生物种属鉴别方法，其特征在于，在卷积神经网络中内置标准生物检索表的具体方法为：基于生物分类学理论，建立对应生物的生物分类检索表，表中针对各个对应的生物种属，记录包含其外部轮廓信息的匹配点对。

4.如权利要求1所述的基于多维点云数据的生物种属鉴别方法，其特征在于，所述S3包括有以下子步骤：

S31：对采集到的检材的外部形态轮廓的整体点云数据，提取其多维特征；

S32：对多维特征进行作出分割，得到表现检材局部轮廓的局部点云数据。

5.如权利要求4所述的基于多维点云数据的生物种属鉴别方法，其特征在于，所述S31具体为：对采集到的检材的外部形态轮廓的整体点云数据中的各个具体点，提取其法向量、高程值、切向量、曲率、坐标值、面性特征、线性特征以及点性特征中至少两个维度的特征数据。

6.如权利要求4所述的基于多维点云数据的生物种属鉴别方法，其特征在于，所述S32具体为：

S321：对于每一个点云数据，均将其呈现立体空间P内的坐标投影成为呈现在平面空间G内的坐标：

G(u，v)＝max{z|x＝u，y＝v，(x，P，z)∈P}；

S322：寻找G平面中Z值最小值Z min：Z min＝min(G)，将G平面内所有Z值比Zmim小的点投影影到XOY平面上得到图G1：

G₁(u，v)＝max{z|x＝u，y＝v，z≤Z_min，(x，y，z)∈P}；

S323：对图G1进行霍夫变换，寻找到图G1中的最长直线L，提取该最长的直线L为检材生物的各部位的边界线：

L＝max{line|line∈Hough(G₁)}；

S324：记录图G1中垂直于最长直线L方向上最长的点云距离，记录该最长点云距离为width：

width＝max{line|line⊥L，line∈G₁}；

S325：从高度为Z min的高度位置开始向上，每隔设定距离记录该对应层空间P_C中的点云数据中垂直于最长直线L的最长距离w：

ω＝max{line|line⊥L，line∈P_c}

S326：若a*width＜w＜β·width，则跳转325，否则跳转327；

S327：记录此时的高度Zs，以Zs为分割面，将多维生物形态轮廓点云数据分割成对应多个表现检材局部轮廓的局部点云数据：

T(x，y，z)＝{(x，y，z)|z＞Z_s，(x，y，z)∈P}，

B(x，y，z)＝{(x，y，z)|z≤Z_s，(x，y，z)∈P}。

7.如权利要求4所述的基于多维点云数据的生物种属鉴别方法，其特征在于，所述S4具体为：采用卡尔曼滤波器、高斯滤波器和拉普拉斯滤波器中其中任意一种滤波器对局部点云数据作出去噪处理。

8.如权利要求3所述的基于多维点云数据的生物种属鉴别方法，其特征在于，所述S5具体为：对于输入到卷积神经网络中的所有局部点云数据，卷积神经网络对每一个点均对应提取特征形成特征矩阵，随后采用对称函数对特征矩阵做最大池化处理，计算得到特征矩阵中每个维度的最大值，将其与卷积神经网络中内置标准生物检索表比对后得到鉴别结果。