[发明专利]一种3D点云数据分类方法及其相关装置

说明书

本申请公开了一种3D点云数据分类方法及其相关装置，方法包括：提取待分类3D点云数据在若干个方向上的二维图像数据，并将各二维图像数据输入到预置分类模型中，预置分类模型包括若干个并行的特征提取模块和分类预测模块，特征提取模块由卷积层和小波变换层构成；通过各特征提取模块中的卷积层对各二维图像进行卷积处理，得到若干卷积特征图；通过各特征提取模块中的小波变换层对各卷积特征图进行下采样，得到若干采样特征图；通过分类预测模块对所有采样特征图进行特征融合，并基于得到的融合特征进行分类预测，得到待分类3D点云数据的分类结果，改善了现有的3D点云数据分类方法存在的分类准确率不高的技术问题。

技术领域

本申请涉及数据分类技术领域，尤其涉及一种3D点云数据分类及其相关装置。

背景技术

目前，通过激光雷达获取3D点云数据广泛应用于计算机视觉、自动驾驶和机器人等多个领域，而3D点云数据的处理也成为热点。

现有的点云数据分类方法多采用手工设计特征进行分类，分类准确率不高。深度学习中的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类。3D点云是一种重要的几何数据结构，但由于其数据的非结构化和不变性排列，现有的神经网络框架无法直接对3D点云数据进行处理运算；其次，神经网络中的最大池化层容易造成提取的特征信息损失，影响分类准确性。

发明内容

本申请提供了一种3D点云数据分类及其相关装置，用于改善现有的3D点云数据分类方法存在的分类准确率不高的技术问题。

有鉴于此，本申请第一方面提供了一种3D点云数据分类，包括：

提取待分类3D点云数据在若干个方向上的二维图像数据，并将各二维图像数据输入到预置分类模型中，预置分类模型包括若干个并行的特征提取模块和分类预测模块，特征提取模块由卷积层和小波变换层构成；

通过各特征提取模块中的卷积层对各二维图像进行卷积处理，得到若干卷积特征图；

通过各特征提取模块中的小波变换层对各卷积特征图进行下采样，得到若干采样特征图；

通过分类预测模块对所有采样特征图进行特征融合，并基于得到的融合特征进行分类预测，得到待分类3D点云数据的分类结果。

可选的，目标方向上的二维图像数据对应的特征提取模块中的卷积层的卷积核为动态卷积核；

非目标方向上的二维图像数据对应的特征提取模块中的卷积层的卷积核为固定卷积核。

可选的，小波变换层包括4个相互正交的卷积滤波器，采样特征的具体获取过程为：

通过小波变换层中的4个卷积滤波器分别对输入的卷积特征图进行小波变换，得到4个子采样特征图；

通过小波变换层将4个子采样特征图进行通道拼接后输出，得到采样特征图。

可选的，预置分类模型的训练过程为：

基于已知类别的3D点云数据获取训练集；

通过训练集训练卷积神经网络，得到预置分类模型，其中，卷积神经网络的结构与预置分类模型的结构相同。

本申请第二方面提供了一种3D点云数据分类装置，包括：

提取单元，用于提取待分类3D点云数据在若干个方向上的二维图像数据，并将各二维图像数据输入到预置分类模型中，预置分类模型包括若干个并行的特征提取模块和分类预测模块，特征提取模块由卷积层和小波变换层构成；

卷积单元，用于通过各特征提取模块中的卷积层对各二维图像进行卷积处理，得到若干卷积特征图；

下采样单元，用于通过各特征提取模块中的小波变换层对各卷积特征图进行下采样，得到若干采样特征图；