[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

说明书

本发明公开了一种基于多维特征最优组合的大场景三维点云分类方法，具体为：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，并提取三维特征，形成一个17*17的特征矩阵，将点云分别投影到3个不同的坐标平面，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，对二维特征矩阵X进行多维特征排列组合，得出最优排列矩阵X＝[X_(XOZ),X_(YOZ),X_(XOY)],对2D/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)，将其输入到深度学习框架中，CliqueNet运行得出结果。

技术领域

本发明涉及三维点云分类方法领域，具体涉及一种基于多维特征最优组合的大场景三维点云分类方法。

背景技术

由于三维激光扫描仪所采集的大规模城市点云数据包含大量且复杂的对象类别，这就为大场景点云分类带来了极大的挑战。针对室外大场景三维点云对象分类，由于大场景目标复杂，自遮挡或被遮挡情况下的目标数据不完全均会对目标分类的精度造成影响。基于大场景三维点云分类，我们在先前的工作中,提出了一种结合特征描述矩阵(FDM)的大规模3D点云场景分类算法，总体分类精度为94.75％；HEElong等人提出了一种改进的空间上下文点云分类方法，分类精度可以达到97.59％。

在我们的先前工作中,设计了一种新的三维点云数据处理方法。对每个点pi提取了16个三维特征，然后为每个具有16*16大小的p i构造特征描述矩阵FDM，可以将FDM作为深度神经网络的输入用于训练和测试。

An Improved Contextual Classification Method of Point Cloud中HEElong等人提出了一种改进的空间上下文点云分类方法。该方法在提取点云数据顾及曲率的自适应邻域的基础上，首先估算点云局部特征与依赖性空间上下文，并基于超级体素提取分布性空间上下文，最后采用高阶条件随机场模型，实现对点云数据的自动分类。

在3D Point Cloud Analysis and Classification in Large-Scale Sc eneBased on Deep Learning中L.Wang等人提出的一种新的三维点云数据处理方法，仅仅对点云数据提取三维特征并不足以获取完整的三维点云数据信息，物体的自遮挡与被遮挡均会造成信息损失，从而影响分类精度。在An Improved Contextual ClassificationMethod of Point Cloud中HE Elong等人提出的一种改进的空间上下文点云分类方法中虽然有效利用了非局部空间的上下文信息，但是对于非平面的三维空间，利用该方法获得丰富的数据信息仍存在一定的局限性。

发明内容

由于大场景目标复杂，自遮挡或被遮挡情况下的目标数据不完全均会对目标分类的精度造成影响。本发明提出了一种基于多维特征最优组合的大场景三维点云分类方法，通过在三个二维平面对点云投影，获得完整的三维空间信息，提取2D/3D特征并优化组合，得到最优组合特征矩阵Z，将该组合特征矩阵作为CliqueNet网络的输入，以实现三维点云分类，并且本发明将循环卷积网络CliqueNet首次引入到了三维点云分类中，以提高分类精度，本发明具体是通过以下技术方案来实现的：

一种基于多维特征最优组合的大场景三维点云分类方法，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；