[发明专利]点云数据分类方法、装置、设备及可读存储介质

说明书

本发明公开了一种点云数据分类方法、装置、设备及可读存储介质，该方法包括步骤：提取预设点云数据的点云特征向量；基于预设升维算法对所述点云特征向量进行升维，得到升维后点云特征向量；对所述升维后点云特征向量进行分类，得到分类结果。本发明实现了通过预设升维算法对点云特征向量进行升维，得到升维后点云特征向量，升维后点云特征向量的维度高于点云特征向量的维度，从而丰富了对点云数据进行分类时的输入特征，使得升维后点云特征向量的特征表示能力强于点云特征向量的特征表示能力，进而提高了点云数据分类结果的准确性。

技术领域

本发明涉及点云数据处理技术领域，尤其涉及一种点云数据分类方法、装置、设备及可读存储介质。

背景技术

随着计算能力的提升和数据量的大幅增加，深度学习技术在近年来取得了突破式的发展，在计算机视觉，自然语言处理等领域都取得了显著的成果。计算机视觉方面，图像分类、人脸识别、目标检测、语义分割等任务上，深度神经网络都取得了超过传统方法以及人类能力的效果。近年来，GNN(Graph Neural Network，图神经网络)发展迅速，二维数字图像、社交网络、三维点集等数据都可以使用图的形式进行表达，利用深度神经网络强大的拟合能力学习图节点之间的潜在关系，提取特征，再结合具体任务进行损失函数设计，使得图神经网络具备处理多种类型任务的能力。最近几年，一方面由于深度学习在二维图像处理领域的一些任务上已经取得了满足实际应用场景的效果，另一方面得益于激光雷达等设备的发展，三维数据更容易获得，因此，越来越多的注意力被放到了深度学习应用于三维数据分析领域，3D点云作为三维数据的代表，在室内导航、自动驾驶、虚拟现实等领域均有广泛应用，而点的特性适用于图表达，将图神经网络运用与点云分析处理，成为了一个具有探索价值的方向。

然而，现有的点云分析处理方法在处理点云数据分类任务时，由于输入特征较简单，特征表示能力较低，使得分类结果准确性较低。

由此可知，目前的点云分析处理方法存在在处理点云数据分类任务时，准确性低的问题。

发明内容

本发明的主要目的在于提供一种点云数据分类方法、装置、设备及可读存储介质，旨在解决现有的点云数据分类结果的准确性低的技术问题。

为实现上述目的，本发明提供一种点云数据分类方法，所述点云数据分类方法包括步骤：

提取预设点云数据的点云特征向量；

基于预设升维算法对所述点云特征向量进行升维，得到升维后点云特征向量；

对所述升维后点云特征向量进行分类，得到分类结果。

可选地，所述基于预设升维算法对所述点云特征向量进行升维，得到升维后点云特征向量，包括：

基于预设降维算法对所述点云特征向量进行降维，得到降维后点云特征向量；

基于预设特征连接方法连接所述降维后点云特征向量对应的低维特征和所述点云特征向量对应的原始特征，得到升维后点云特征向量。

可选地，所述基于预设降维算法对所述点云特征向量进行降维，得到降维后点云特征向量，包括：

基于k近邻算法和局部线性嵌套获取所述点云特征向量对应的点在降维后空间下的表达；

基于所述降维后空间下的表达对各所述点进行降维，得到降维后点云特征向量。

可选地，所述基于预设降维算法对所述点云特征向量进行降维，得到降维后点云特征向量，还包括：

投影所述点云特征向量对应的点至预设投影平面，得到降维后点云特征向量。

可选地，所述对所述升维后点云特征向量进行分类，得到分类结果，包括：