[发明专利]基于互补的多分支深度学习进行三维点云分类方法

权利要求书

1.一种基于互补的多分支深度学习进行三维点云分类方法，其特征在于，该方法包括：

获取待标记的三维点云数据集；

将该三维点云数据集进行特征分类，所述特征分类包括局部特征、全局特征以及逐点特征；

将所述局部特征、所述全局特征以及所述逐点特征串联在一起。

2.根据权利要求1所述的基于互补的多分支深度学习进行三维点云分类方法，其特征在于，所述局部特征包括：

基于Kernal-Point卷积法从所述三维点云数据集中选取第一预设数量个点；

对于每个点，利用点云特征提取在特定半径内选择其相邻点作为输入；

将每个点与具有不同权重的预定义内核点进行卷积。

3.根据权利要求1所述的基于互补的多分支深度学习进行三维点云分类方法，其特征在于，所述全局特征包括：

在组合球形卷积中，利用网格法线和射线之间的每个交点的角度来增加原始数据；

构建角度特征；

通过插值，使得每个网格都包含一个值，该值指示球体与点之间的距离；

根据距离信息，计算点云的形状。

4.根据权利要求1所述的基于互补的多分支深度学习进行三维点云分类方法，其特征在于，所述逐点特征包括：

利用MLP层提取点状特征；

最大池化层以聚合所述点状特征。

5.一种基于互补的多分支深度学习进行三维点云分类装置，其特征在于，该装置包括：

获取单元，用于获取待标记的三维点云数据集；

分类单元，用于将该三维点云数据集进行特征分类，所述特征分类包括局部特征、全局特征以及逐点特征；

串联单元，用于将所述局部特征、所述全局特征以及所述逐点特征串联在一起。

6.根据权利要求5所述的基于互补的多分支深度学习进行三维点云分类装置，其特征在于，所述局部特征包括：

选取单元，用于基于Kernal-Point卷积法从所述三维点云数据集中选取第一预设数量个点；

提取单元，用于对于每个点，利用点云特征提取在特定半径内选择其相邻点作为输入；

卷积单元，用于将每个点与具有不同权重的预定义内核点进行卷积。

7.根据权利要求5所述的基于互补的多分支深度学习进行三维点云分类装置，其特征在于，所述全局特征包括：

在组合球形卷积中，利用网格法线和射线之间的每个交点的角度来增加原始数据；

构建角度特征；

通过插值，使得每个网格都包含一个值，该值指示球体与点之间的距离；

根据距离信息，计算点云的形状。

8.根据权利要求5所述的基于互补的多分支深度学习进行三维点云分类装置，其特征在于，所述逐点特征包括：

利用MLP层提取点状特征；

最大池化层以聚合所述点状特征。

9.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4中任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于：

所述计算机程序被处理器执行时实现如权利要求1-4中任一所述的方法。