[发明专利]三维点云全自动分类方法及深度神经网络模型

权利要求书

1.三维点云全自动分类方法，其特征在于，包括：

获取三维点云数据集；

对三维点云数据集代表的三维点云进行多次下采样，下采样过程包括：选取三维点云中的部分点作为采样点，基于每一采样点构建点云区域组，提取每个点云区域组的全局特征作为三维点云的局部特征，用采样点代替其所在的点云区域组；

将经过下采样处理后的三维点云进行与下采样相同次数的上采样，以将三维点云的点数量恢复至初始数量，并将三维点云中每点在多次下采样中每次所在点云区域组的全局特征进行拼接融合，得到每点的融合特征；

对经过上采样处理后的三维点云中每点依据其融合特征进行类别判别，得到每点的类别信息；

统计每个类别包含点的数量，选择包含点的数量最多的类别作为三维点云的类别。

2.如权利要求1所述的三维点云全自动分类方法，其特征在于，下采样过程进行两次，上采样过程也进行两次。

3.如权利要求1所述的三维点云全自动分类方法，其特征在于，下采样过程中采样点的选取数量为预设的，采样算法为Farthest point sampling算法。

4.如权利要求1所述的三维点云全自动分类方法，其特征在于，基于每一采样点构建点云区域组的过程包括：以采样点为圆心，根据预设半径和预设点数量选择采样点周围的点共同组成点云区域组。

5.如权利要求1所述的三维点云全自动分类方法，其特征在于，上采样过程中采用插值法将三维点云的点数量恢复至初始数量。

6.如权利要求1所述的三维点云全自动分类方法，其特征在于，所述三维点云全自动分类方法通过深度神经网络模型执行。

7.如权利要求6所述的三维点云全自动分类方法，其特征在于，所述深度神经网络模型训练过程中利用损失函数，通过梯度反向传播算法对模型参数进行更新，所述损失函数为负对数似然损失函数。

8.用于三维点云全自动分类的装置，其特征在于，包括：

输入层，用于获取三维点云数据集；

点云下采样层，用于对三维点云数据集代表的三维点云进行多次下采样，下采样过程包括：选取三维点云中的部分点作为采样点，基于每一采样点构建点云区域组，提取每个点云区域组的全局特征作为三维点云的局部特征，用采样点代替其所在的点云区域组；

点云数量恢复层，用于将经过下采样处理后的三维点云进行与下采样相同次数的上采样，以将三维点云的点数量恢复至初始数量，并将三维点云中每点在多次采样中每次所在点云区域组的全局特征进行拼接融合，得到每点的融合特征；

全连接层，用于对经过上采样处理后的三维点云中每点依据其融合特征进行类别判别，得到每点的类别信息；

IRS机制处理单元，用于统计每个类别包含点的数量，选择包含点的数量最多的类别作为三维点云的类别。

9.电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1~7中任一项所述的方法。

10.存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时，实现权利要求1~7中任一项所述的方法。