[发明专利]一种基于多维特征最优组合的大场景三维点云分类方法

权利要求书

1.一种基于多维特征最优组合的大场景三维点云分类方法，其特征在于，具体包括以下步骤：

步骤1、以3D点云每一个点为中心，利用“Kd-tree”算法搜索邻近的100个点，并依据三维协方差矩阵对应的特征值和特征向量提取三维特征，形成一个17*17的特征矩阵Y；

步骤2、将点云分别投影到3个不同的坐标平面XOY,YOZ,XOZ，并利用“Kd-tree”算法搜索邻近的100个点对该三个平面提取2D特征，得到一个12*12的特征矩阵X；

步骤3、对二维特征矩阵X进行多维特征排列组合；

步骤4、再基于步骤3中的二维特征最优排列矩阵X＝[X_(XOZ),X_(YOZ),X_(XOY)],对2D和3D特征进行多维特征加权组合得到29*29的特征矩阵Z(X,Y)；

步骤5、将步骤4所求得的特征矩阵Z输入到深度学习框架中去，经过CliqueNet网络处理之后计算出测试标签的可能值，再与真实标签值对比，得出每类的分类精度，CliqueNet运行得出结果。

2.根据权利要求1所述的一种基于多维特征最优组合的大场景三维点云分类方法，其特征在于，所述“Kd-tree”算法的核心步骤分为两步：

1)树的建立：定义树的节点类型

树建立过程中最大的问题在于划分轴的选择，划分策略为最大离散维度策略，即计算每个维度上的数据方差，选择其中方差最大的那个维度，设有N个样本点，每个点的坐标为(x_i,y_i,z_i),则模型建立过程公式如下：

其中n′＝x，y，z

则d_n为最终所求维度；

2)邻近搜索

设给定点为P(x,y,z),则离它最近的100个点P_h，h＝1,2,...100,的距离为：

通过以上1)2)步骤完成“Kd-tree”算法搜索邻近点。

3.根据权利要求1所述的一种基于多维特征最优组合的大场景三维点云分类方法，其特征在于，所述步骤1中具体为：

设m为样本总数，三维样本矩阵为G’_m*3:

每一维的样本均值：

三维样本中的每一列减去对应列均值：

三维协方差矩阵为：

通过对齐次线性方程组(cov_k′-λ_k′E)G_k′＝0，k’＝1，...，10；求解，可以求出三维协方差矩阵cov_k′，及对应的特征值λ_k′，特征向量G_k′，依据三维协方差矩阵，对应的特征值和特征向量提取17个三维特征：曲面变化率C_λ，线状L_λ，面状P_λ，簇状S_λ，三维局部点密度D，最近邻四面体体积Q，其中[N_x，N_y，N_z]^T表示该点的最大分布方向，[M_x，M_y，M_z]^T表示该点的最小分布方向，垂直度V，全方差O_λ，各向异性A_λ，特征熵E_λ，以及点的轨迹T_λ；

最终得出三维特征矩阵

Y＝[L_λ，N_x，N_y，N_z，P_λ，S_λ，M_x，M_y，M_z，O_λ，A_λ，E_λ，T_λ，C_λ，D，Q，V]。