[发明专利]一种特征提取方法、装置、机器可读介质及设备

权利要求书

1.一种特征提取方法，其特征在于，包括：

获取待处理图像的原始点云数据；

利用多种尺寸的体素网格对所述原始点云数据依次叠加进行空间划分，上一次空间划分形成的点云层作为下一次被划分的点云层，构建出由多点云层逐层叠加的拓扑结构；

基于第一点云深度学习网络与所述拓扑结构对所述原始点云数据进行特征提取，得到目标特征；

所述利用多种尺寸的体素网格对所述原始点云数据依次叠加进行空间划分，上一次空间划分形成的点云层作为下一次被划分的点云层，包括：

利用一体素网格对所述原始点云数据进行空间划分，以使所述原始点云数据中的每个点对应一体素空间，其中所述原始点云数据是初始点云层；

将每个体素空间的中心确定为新的点云层中的点，以生成新的点云层；

利用另一个体素网格对所述新的点云层进行空间划分，以使所述新的点云层中每个点对应一体素空间，将每个体素空间的中心确定为最新的点云层中的点，依次类推，

其中，后一次空间划分时的体素网格尺寸大于前一次空间划分时的体素网格尺寸，每层点云层中的每个点对应相应体素空间的体素网格编号；

所述体素网格编号的生成过程包括：

将点云层中每个点的编号p_i转化为体素坐标转化方法为：n为点云总数，p_min是点云坐标x,y,z中的最小值，v为体素网格的尺寸；

对所述体素坐标取整，得到所述体素网格编号。

2.根据权利要求1所述的特征提取方法，其特征在于，所述拓扑结构的点云层数与所述第一点云深度学习网络的层数相同。

3.根据权利要求1所述的特征提取方法，其特征在于，所述第一点云深度学习网络包括：

依次连接的多个特征处理模块，用于对所述原始点云数据进行多次特征处理；其中，所述多个特征处理模块与第一点云深度学习网络的每一层一一对应；

后一个特征处理模块的输入为前一个特征处理模块的输出；后一个特征处理模块输出的特征的数量小于前一个特征处理模块输出的特征的数量，后一个特征处理模块输出的特征的维度大于前一个特征处理模块输出的特征的维度。

4.根据权利要求3所述的特征提取方法，其特征在于，每个所述特征处理模块包括：

mlp子模块，用于对输入的点云中每个点进行特征计算并进行维度拓展；

特征划分子模块，用于将具有相同体素网格编号的点云对应的特征划分为一组，得到特征组；

特征池化子模块，用于对所述特征组进行池化操作，得到池化特征；所述池化特征为特征处理模块的输出。

5.根据权利要求4所述的特征提取方法，其特征在于，所述mlp子模块包括全连接线性单元、批归一化单元、激活单元。

6.根据权利要求5所述的特征提取方法，其特征在于，所述特征处理模块还包括残差子模块、特征拼接子模块。

7.根据权利要求1所述的特征提取方法，其特征在于，若待处理对象为人脸，则该方法还包括：

基于目标特征对人脸点云数据进行对齐；

利用第二点云深度学习模型对对齐后的人脸点云数据进行特征提取；所述第二点云深度学习模型的深度大于所述第一点云深度学习网络的深度。