[发明专利]基于宽度学习的物体识别方法及系统

权利要求书

1.一种基于宽度学习的物体识别方法，其特征在于，包括：

采集当前区域内的三维点云数据；

通过预设统一空间编码器对所述三维点云数据进行处理，以得到统一特征空间下的当前特征节点；

将所述当前特征节点通过预设宽度学习神经网络进行物体识别；

其中，所述通过预设统一空间编码器对所述三维点云数据进行处理，以得到统一特征空间下的当前特征节点，包括：

通过预设统一空间编码器中的当前编码矩阵对所述三维点云数据进行处理，以获得不确定特征空间下的当前不确定特征向量；预设不确定空间映射公式为：

r_i,j,k＝w_k,1x_i,j+w_k,2y_i,j+w_k,3z_i,j+b

r_i，j，k为不确定特征向量，w_k,1至w_k,3为当前编码矩阵W，i和j一同表示第i个物体中的第j个点，k表示不确定特征向量的向量序号，b表示偏置量，(x，y，z)表示三维点云数据中的三维坐标信息；

通过所述预设统一空间编码器中的平均池化算法对所述当前不确定特征向量进行池化处理，以获得统一特征空间下的当前统一特征向量；当前统一特征向量可表示为：

V_i＝[v_i,1,v_i,2,…,v_i,k,…,v_i,d]^T

v_i，k为平均池化结果，平均池化结果v_i，k可表示为：

r_i，j，k为不确定特征向量，n_i为三维点云样本中包含的点的个数，i表示第i个物体，i和j一同表示第i个物体中的第j个点，k表示不确定特征向量的序号；

对所述当前统一特征向量进行转置，以获得当前特征节点；当前特征节点可表示为：

X_i＝V_i^T

其中，X_i表示第i个物体的当前特征节点，V_i表示第i个物体的统一特征向量。

2.根据权利要求1所述的基于宽度学习的物体识别方法，其特征在于，所述将所述当前特征节点通过预设宽度学习神经网络进行物体识别，具体包括：

将所述当前特征节点通过预设宽度学习神经网络中的预设权值矩阵进行物体识别。

3.根据权利要求2所述的基于宽度学习的物体识别方法，其特征在于，所述采集当前区域内的三维点云数据之前，所述基于宽度学习的物体识别方法还包括：

获取待训练宽度学习神经网络中的预设特征节点、预设增强节点以及待更新权值矩阵；

根据所述预设特征节点、所述预设增强节点以及所述待更新权值矩阵进行输出处理，以获得输出矩阵；

根据所述预设特征节点、所述预设增强节点以及所述输出矩阵进行权值矩阵的更新，以将所述待更新权值矩阵更新为预设权值矩阵。

4.根据权利要求3所述的基于宽度学习的物体识别方法，其特征在于，所述获取待训练宽度学习神经网络中的预设特征节点、预设增强节点以及待更新权值矩阵之前，所述基于宽度学习的物体识别方法还包括：

获取预设特征节点；

将所述预设特征节点通过预设激活函数进行增强层的构建，以构建出预设增强节点。

5.根据权利要求3所述的基于宽度学习的物体识别方法，其特征在于，所述获取待训练宽度学习神经网络中的预设特征节点、预设增强节点以及待更新权值矩阵之前，所述基于宽度学习的物体识别方法还包括：

获取三维点云样本；

根据所述三维点云样本中的坐标信息从预设编码矩阵中选取当前编码矩阵；

通过所述当前编码矩阵对所述三维点云样本进行处理，以获得不确定特征空间下的目标不确定特征向量；

通过平均池化算法对所述目标不确定特征向量进行池化处理，以获得统一特征空间下的目标统一特征向量；

对所述目标统一特征向量进行转置，以获得预设特征节点。