[发明专利]基于元学习的三维点云分类算法自动选择方法

说明书

本发明提供了一种基于元学习的三维点云分类算法自动选择方法，属于点云数据处理领域，其技术要点是，包括：确定待选点云分类算法集合；提取点云全局特征，完成点云分类；提取点云数据集元特征，构建元数据；选择元分类器，利用元数据训练元分类模型；对新场景下的目标点云数据集，进行最优分类算法预测，以至少解决现有技术中对点云算法费事费力、选择算法困难与的问题，以便快速从众多的点云分类算法中选择出最适用于当前场景的算法。

技术领域

本发明属于三维点云处理技术领域，特别涉及了一种基于元学习的点云分类算法自动选择方法。

背景技术

三维三维点云是一种由激光雷达、RGB-D相机等三维扫描设备获取,由空间点的XYZ位置信息、RGB颜色信息和强度信息等组成的多维度复杂数据集合。相比于2D图像，三维点云具有无可比拟的优势，它可以提供丰富的几何、形状和尺度信息，不易受光照强度变化和其它物体遮挡等影响。通过三维点云我们能够更好地了解机器所处的环境、实现复杂环境下的场景理解，这些使得三维点云在自动驾驶、机器人和增强现实(AR)等许多领域有着广泛的应用。

基于三维点云数据的目标检测、识别是解决场景理解的主要技术，而三维点云目标分类是这些技术的基础。通过对空间中每个物体赋予特定的含义(标签)，能够准确描述空间中物体的类型，使我们对空间物体有更加细致的了解，所赋予的标签在真实世界中是有意义的。

目前，三维点云分类算法可分为两大类，即基于特征的传统机器学习方法和基于深度学习的方法。传统的机器学习方法首先提取点云全局特征，然后应用KNN，SVM，NB，DT，RF等机器学习方法进行分类，其训练时间短，实时性强，但不适用于点云种类较多的情况。基于深度学习的方法通过构建各种深度学习模型，直接将原始三维点云作为输入，通过不断优化参数来对模型进行训练。比较常用的深度学习模型有Pointnet，Pointnet++，PointCNN，DGCNN等，相比于传统的机器学习方法，深度学习模型能够很好地胜任点云类数较多的情况，唯一的不足就是其模型训练时间远远大于传统机器学习方法。

这些方法能够很好地完成点云分类的任务，但都是针对某个特定场景的大量点云数据进行训练，其模型泛化能力通常不够理想，如果场景发生改变，我们需要对模型进行重新训练。如何提高模型的泛化能力，使模型在很多不同的场景下都能适用一直是研究的难点所在。一般的方法是通过不断优化模型参数使其能够胜任更多不同的任务，但这大大增加了模型的复杂程度且训练时间会急剧增加。与其费尽心思地通过不断地改进算法来适应问题，或许主动地让问题来选择算法效果会更好，这种思想叫做算法推荐(选择)。

算法选择最直观的方法是通过反复实验选取性能最优的算法，这对计算资源要求过高且相当耗时；另一种方法是通过专家经验对算法选择进行指导，但也存在很大的缺陷，一方面获取专家经验代价较高，且专家经验不一定可靠；另一方面开发的专家系统缺乏可扩展性，从而降低了系统的灵活性。随着机器学习的快速发展，有学者意识到算法选择实际上是一种学习任务，算法选择在机器学习领域形成了元学习领域。

元学习是指应用机器学习的方法(元算法)寻求问题的特征(元特征)与算法相对性能测度间的映射，从而形成元知识的学习过程。算法选择任务可以视为一种学习任务。在初始阶段，每个候选算法应用到各个数据集，评估其性能，并提取这些数据集的形态特征(元特征)，形成元数据；然后采用适当的元算法对元数据进行元学习，以获得数据集特征与算法性能间的映射关系，形成元知识库。算法的选择需要依靠元知识的指导，当新的数据集加入时，可先对该数据集进行特征提取，然后根据与元知识库的特征匹配程度，选择最优的算法或对算法进行排序。

基于上述背景条件与技术问题，目前亟需一种点云分类算法选择方法，以至少解决现有技术中对点云算法费事费力、选择算法困难与的问题。

发明内容

本申请实施例提供了一种基于元学习的点云分类算法自动选择方法，以至少解决现有技术中对点云算法费事费力、选择算法困难与的问题，以便快速从众多的点云分类算法中选择出最适用于当前场景的算法。