[发明专利]一种基于改进PointNet++神经网络的点云目标分类方法

权利要求书

1.一种基于改进PointNet++神经网络的点云目标分类方法，其特征在于，包括以下步骤：

步骤1，对点云数据进行预处理，利用统计滤波器滤除噪声点、离群点，保留仅包含感兴趣区域的点云团；

步骤2，对上述步骤处理得到的感兴趣区域点云团利用聚类分割算法，分割出彼此独立的单个目标点云；

步骤3，将步骤2中的点云输入到改进的PointNet++神经网络模型中进行分类，改进的该网络通过增加特征提取层利用多层感知机对输入的点云进行特征提取，再经过两层集合采样层不断提取局部特征，并在集合采样层中使用距离特征函数加强近点的特征，弱化较远点的干扰，最后通过最大池化层聚合所有特征信息获得全局特征，输出点云分类结果。

2.根据权利要求书1所述的一种基于改进PointNet++神经网络的点云目标分类方法，其特征在于：所述步骤1具体包括：

步骤1.1，设定点云集合通过K近邻搜索最近邻点，计算点到近邻点的平均距离d_i；

步骤1.2，计算点集的平均值和标准差其中d_i为各点到与其最近点的平均距离，n为点集中点的数目；

步骤1.3，将所有点与领域距离比较，若距离大于μ+λσ(λ为标准差倍数)则标记为离群点，并将其移除，否则保留。

3.根据权利要求1所述的一种基于改进PointNet++神经网络的点云目标分类方法，其特征在于：所述步骤2的具体过程为：

步骤2.1，基于步骤2得到的点云团数据，使用具有噪声的基于密度的聚类DBSCAN方法进行聚类分割，设置领域ε，领域密度阈值MinPoints；

步骤2.2，扫描全部数据点，如果某个数据点R半径范围内点数目≧MinPoints，则将其纳入核心点列表，并将其密度直达的点形成对应的临时聚类簇；

步骤2.3，对于每一个临时聚类簇，检查其中的点是否为核心点，如果是将该点对应的临时聚类簇和当前临时聚类簇合并，得到新的临时聚类簇；

步骤2.4，遍历该核心点的ε领域内的所有核心点，重复步骤2.3的操作，直到当前临时聚类簇中的每一个点要么不在核心点列表，要么其密度直达的点都已经在该临时聚类簇，该临时聚类簇升级成聚类簇；

步骤2.5，继续对剩余的临时聚类簇进行相同的合并操作，直到全部临时聚类簇被处理，最终得到彼此独立的单个目标点云。

4.根据权利要求书1所述的一种基于改进PointNet++神经网络的点云目标分类方法，其特征在于：所述的步骤3具体过程如下：

步骤3.1，基于输入的点云数据，在原PointNet++神经网络中基础上增加一层特征提取层，利用多层感知机MLP提取输入点云的所有特征并保留；

步骤3.2，输入点集N经采样层FPS(最远点采样)对子集降采样，所选择的采样点构成了分组层每个局部区域的中心点；

步骤3.3，分组层再对采样层得到的点进行分组，以中心点为圆心人工设定半径r，通过KNN近邻搜索周围近邻点构建局部区域集；

步骤3.4，设定PointNet层的输入为局部区域集，将局部区域模式编码为特征向量获得局部特征；

步骤3.5，在进行采样层和分组层中使用加权函数来加强近点特征弱化远点干扰，加权函数公式如下：

其中α为加权函数参数，当函数参数值增加或减少时，对与中心点更近的点的特征会分别增加或减小；

步骤3.6，依次重复步骤3.2，3.3，3.4的操作两次，不断进行特征提取，最后通过最大池化层聚合所有特征信息获得全局特征，输出点云分类结果。