[发明专利]一种目标分类方法、装置、设备和计算机可读存储介质

说明书

本申请公开了一种目标分类方法、装置、设备和计算机可读存储介质，其中方法包括：获取激光雷达采集的待分类目标对应的原始点云数据；删除原始点云数据中的错误数据后，得到待分析点云数据；利用LTSA算法，对待分析点云数据进行降维，得到降维点云数据；将降维点云数据输入至BP神经网络模型，得到分类结果，其中，BP神经网络模型为降维点云数据和分类结果的映射关系模型。解决了现有对于目标分类方法准确率较低的技术问题。

技术领域

本申请涉及激光雷达技术领域，尤其涉及一种目标分类方法、装置、设备和计算机可读存储介质。

背景技术

随着计算机技术的发展，目标分类是图形学和机器视觉等领域中的研究热点。激光雷达作为一种主动遥测工具，被广泛应用于各行各业，例如：地形测量、大气监测、无人驾驶等行业。由于激光雷达的采样频率高，导致采集后得到的点云数据也较多。现有技术中基于这大量的点云数据进行目标分类时，准确率较低。

发明内容

本申请提供了一种目标分类方法、装置、设备和计算机可读存储介质，可以对激光雷达的点云数据进行有效分类，解决了现有对于目标分类方法准确率较低的技术问题。

有鉴于此，本申请第一方面提供了一种目标分类方法，包括：

获取激光雷达采集的待分类目标对应的原始点云数据；

删除所述原始点云数据中的错误数据后，得到待分析点云数据；

利用LTSA算法，对所述待分析点云数据进行降维，得到降维点云数据；

将所述降维点云数据输入至BP神经网络模型，得到分类结果，其中，所述BP神经网络模型为降维点云数据和分类结果的映射关系模型。

可选地，删除所述原始点云数据中的错误数据后，得到待分析点云数据，具体包括：

获取所述原始点云数据中相同的点云数据；

在所述相同的点云数据中，只保留一个点云数据，将其它的点云数据删除；

将删除后，所述原始点云数据中保留的所有点云数据作为待分析点云数据。

可选地，利用LTSA算法，对所述待分析点云数据进行降维，得到降维点云数据，具体包括：

按照预设的分解基准，分解所述待分析点云数据，得到若干局部分解数据；

利用主成分分析算法，计算各所述局部分解数据对应的局部坐标；

根据各所述局部分解数据的所述局部坐标，计算对应的全局坐标；

根据各所述局部分解数据的全局坐标，计算对应的低维数据，得到降维点云数据。

可选地，所述分解基准包括：所述待分析点云数据的数据全覆盖和局部分解数据之间存在交叠；

按照预设的分解基准，分解所述待分析点云数据，得到若干局部分解数据，具体包括：

对所述待分析点云数据中的所有数据进行分解，得到若干局部分解数据；

若干所述局部分解数据对应的所有数据对应所述待分析点云数据中的所有数据，且一个局部分解数据和至少一个局部分解数据存在交叠。

可选地，利用主成分分析算法，计算各所述局部分解数据对应的局部坐标，具体包括：

计算各所述局部分解数据对应的中心化后的矩阵；

对各所述中心化后的矩阵进行奇异值分解，得到对应的分解矩阵；

根据各所述局部分解数据对应的分解矩阵，计算对应的局部坐标。

可选地，所述BP神经网络模型的配置过程包括：