[发明专利]点云数据处理方法、装置、计算机设备和存储介质

说明书

本申请涉及一种点云数据处理方法、装置、计算机设备和存储介质。所述方法包括：获取点云数据，并对所述点云数据中的各数据点构建对应的邻域点云；计算所述邻域点云和预构建的核点云之间的豪斯多夫距离，得到距离矩阵；通过编码器中的豪斯多夫卷积层对所述邻域点云、所述距离矩阵和网络权重矩阵进行卷积计算，得到高维点云特征；所述编码器和解码器是深度学习网络中的两个部分；通过所述解码器对所述高维点云特征进行特征降维，以使分类器根据降维所得的目标点云特征对所述点云数据进行语义分类。采用本方法能够提高语义分类的准确性。

技术领域

本申请涉及计算机图形学技术领域，特别是涉及一种点云数据处理方法、装置、计算机设备和存储介质。

背景技术

随着计算机图形学的发展，出现了点云数据语义分类技术，点云数据语义分类技术通过对点云数据中数据点进行特征提取，并根据所提取的特征对点云数据进行语义分类。传统方法中，对点云数据进行规则下采样，在更低分辨率上实现点云数据的规则化，然后再对规则化的点云数据进行特征提取和语义分类。但是，传统方法会导致点云数据更加稀疏，从而语义分类的准确性较低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高识别精度的点云数据处理方法、装置、计算机设备和存储介质。

一种点云数据处理方法，所述方法包括：

获取点云数据，并对所述点云数据中的各数据点构建对应的邻域点云；

计算所述邻域点云和预构建的核点云之间的豪斯多夫距离，得到距离矩阵；

通过编码器中的豪斯多夫卷积层对所述邻域点云、所述距离矩阵和网络权重矩阵进行卷积计算，得到高维点云特征；所述编码器和解码器是深度学习网络中的两个部分；

通过所述解码器对所述高维点云特征进行特征降维，以使分类器根据降维所得的目标点云特征对所述点云数据进行语义分类。

在一个实施例中，所述编码器中豪斯多夫卷积层的层数量不少于两个；所述通过编码器中的豪斯多夫卷积层对所述邻域点云、所述距离矩阵和网络权重矩阵进行卷积计算，得到高维点云特征包括：

在进行卷积计算的过程中，针对首层豪斯多夫卷积层，将所述邻域点云作为输入特征与所述距离矩阵和网络权重矩阵进行卷积计算，得到输出特征；

针对非首层豪斯多夫卷积层，将当前非首层豪斯多夫卷积层的上一层豪斯多夫卷积层的输出特征作为本层输入特征，与所述距离矩阵和网络权重矩阵进行卷积计算，得到输出特征；若所述当前非首层豪斯多夫卷积层为末层豪斯多夫卷积层时，将所述末层豪斯多夫卷积层的输出特征作为所述高维点云特征。

在一个实施例中，所述对所述点云数据中的各数据点构建对应的邻域点云包括：

从所述点云数据的数据点中选取查询点；

在所述点云数据的数据点中，提取与所述查询点的距离小于查询半径的目标数据点；

根据所述目标数据点构建所述查询点对应的邻域点云。

在一个实施例中，所述豪斯多夫距离包括第一最短距离与第二最短距离；所述计算所述邻域点云和预构建的核点云之间的豪斯多夫距离，得到距离矩阵包括：

分别计算所述邻域点云中每个数据点与所述核点云间的第一最短距离，并由各所述第一最短距离组成第一最短距离集合；

分别计算所述核点云中每个数据点与所述邻域点云间的第二最短距离，并由各所述第二最短距离组成第二最短距离集合；

根据所述第一最短距离集合以及所述第二最短距离集合计算得到所述距离矩阵。

在一个实施例中，所述计算所述邻域点云和预构建的核点云之间的豪斯多夫距离之前，所述方法还包括：