[发明专利]一种具有旋转不变性的三维点云模型分类方法与系统

说明书

本发明公开了一种具有旋转不变性的三维点云模型分类方法与系统，该方法包括：S1、获得三维点云模型的特征球面；S2、通过特征球面卷积神经网络，对三维点云模型的特征球面进行特征提取，获取三维点云模型的特征描述符；S3、通过全连接层以及SoftMax分类器，对所获取的三维点云模型的特征描述符进行处理，以获取三维点云模型所属类别。本发明克服了点云的不规则性及无序性，规定了模型在球面上的起始、终止位置，在所提出的特征球面卷积神经网络部分中充分利用球面的光滑性，利用循环卷积使球面上各位置的信息都可以被提取，增强了所提取特征的旋转不变性，通过深度融合经、纬度循环卷积，补充了特征的细粒度信息，增强了特征球面卷积神经网络提取特征的能力。

技术领域

本发明涉及深度学习和计算机视觉的技术领域，尤其是指一种具有旋转不变性的三维点云模型分类方法与系统。

背景技术

随着人工智能的发展，利用深度学习进行三维目标的分类已取得长足进展，并已提出各种基于视图、体素、点云、网格、八叉树的深度学习神经网络模型。现有的三维点云目标识别分类方法可以分为两大类，基于原始点云以及基于点云的转换。基于原始点云的三维识别分类方法可以最大限度的保留三维目标的本征特征，并且分类效率高，但是由于三维点云的不规则性和无序性，导致该种方法提取的特征不具有很好的旋转不变性、平移不变性等。基于点云转换的方法，首先将点云预处理为视图、体素等形式，再利用传统的特征提取方法实现特征提取，该方法虽然可以充分利用传统特征提取方法的优势，使提取的特征具有良好的空间信息，但是在对数据处理时，会造成点云信息的损坏或丢失。

发明内容

本发明的第一目的在于克服现有技术的缺点与不足，提供了一种具有旋转不变性的三维点云模型分类方法，通过将三维点云模型构造为以经纬度划分的特征球面，克服了点云的不规则性及无序性，规定了模型在球面上的起始、终止位置，增强了三维点云的空间信息，并且在所提出的特征球面卷积神经网络部分中充分利用球面的光滑性，利用循环卷积使球面上各位置的信息都可以被提取，增强了所提取特征的旋转不变性，最后，通过深度融合经、纬度循环卷积，补充了特征的细粒度信息，增强了特征球面卷积神经网络提取特征的能力，使所提取特征具有更好的表达力，进一步提高分类准确率。

本发明的第二目的在于提供一种具有旋转不变性的三维点云模型分类系统。

本发明的第一目的通过下述技术方案实现：一种具有旋转不变性的三维点云模型分类方法，包括以下步骤：

S1、获得三维点云模型的特征球面；

S2、通过特征球面卷积神经网络，对三维点云模型的特征球面进行特征提取，获取三维点云模型的特征描述符；其中，所述特征球面卷积神经网络共有四层，第一层包括卷积核大小为3×3的循环卷积LoopConv，第二层到第四层均为由经、纬度方向的循环卷积和下采样组成的组卷积，第二层组卷积输出通道为256，第三层组卷积输出通道为512，第四层组卷积输出通道为1024；

S3、通过全连接层以及SoftMax分类器，对所获取的三维点云模型的特征描述符进行处理，以获取三维点云模型所属类别。

进一步，所述步骤S1包括以下步骤：

S101、将三维点云模型做位姿矫正处理，包括平移、旋转和缩放；

S102、将位姿矫正处理后的三维点云模型密集化处理：根据其每个三角面片面积大小设置阈值，对面积大于阈值的三角面片进行密集化处理，对面积小于阈值的三角面片不做处理；

S103、将密集化处理后的三维点云模型中的每个点通过投影算子δ投影在球面上：

式中，x、y、z分别代表投影前三维点云模型中每个点在三维笛卡尔坐标系中x轴、y轴、z轴的取值，r、θ、分别表示投影后三维点云模型中每个点在球面上的深度、仰角以及方位角；