[发明专利]基于高次项参考曲面学习的点云特征提取方法、分类方法和分割方法

权利要求书

1.一种基于高次项参考曲面学习的点云特征提取方法，其特征在于，包括下列步骤：

步骤S1：配置点云数据的三维参考曲面函数：

确定所述三维参考曲面函数对应的高次项的最高次项M，基于所述高次项包括的所有单次项的表达式得到点云数据的每个点的高次项表示X；

为特征向量X中的每个单次项设置一个单次项系数，并按列构成编号向量π；

生成三维参考曲面函数的映射关系f(x,y,z)＝π^T·X+c，其中，(x,y,z)表示点云数据的每个点的坐标，c表示偏置项；

步骤S2：通过第一卷积神经网络同时对多个三维参考曲面函数进行单次项系数和偏置项的学习训练，其中，第一卷积神经网络的输入为每个点的高次项表示X，第一卷积神经网络的输入通道数为M，第一卷积神经网络的输出通道数N_f用于表征同时学习的三维参考曲面函数的数量，且输出通道数N_f不低于M；

步骤S3：通过第二卷积神经网络学习点云数据的每个点的权重，其中，第二卷积神经网络的输入为第一卷积神经网络的输出特征图，第二卷积神经网络的输出通道数为N_f；

步骤S4：基于第二卷积神经网络所获取的每个点的权重，对第一卷积神经网络输出的特征图进行加权，得到点云数据的特征信息。

2.如权利要求1所述的方法，其特征在于，还包括步骤S5：对得到的点云数据的特征信息进行图形化的可视化输出。

3.如权利要求1或2所述的方法，其特征在于，步骤S2中，所述第一卷积神经网络包括依次连接的归一化层和修正线性单元ReLU层，其中，ReLU层用于拟合空间立体曲面的边缘。

4.如权利要求1或2所述的方法，其特征在于，步骤S2中，所述第二卷积神经网络包括依次连接的归一化层、修正线性单元ReLU层和sofmax层，所述sofmax层的输出为0～1范围内的浮点型数据，用于表征点云数据的每个点的权重。

5.一种基于高次项参考曲面学习的点云数据的物体分类方法，其特征在于，包括下列步骤：

基于权利要求1至4任一项所述的方法获取待分类的点云数据的特征信息，并输入至用于三维物体分类的分类神经网络，所述分类神经网络用于输出点云数据分别属于各目标类别的概率，并基于最大概率所对应的类别确定当前待分类的点云数据的类别识别结果。

6.如权利要求5所述的方法，其特征在于，所述分类神经网络包括池化处理层和全连接层，其中，池化处理层用于对输入的特征图分别进行平均池化和最大池化处理，再将处理结果展平为一维向量后输入全连接层；其中，平均池化层和最大池化层的输出通道数均为N_f；所述全连接层用于预测全连接层的输入特征图分别属于各目标类别的概率，基于全连接层输出的最大概率所对应的类别确定当前待分类的点云数据的类别识别结果。

7.一种基于高次项参考曲面学习的点云数据的语义分割方法，其特征在于，包括下列步骤：

基于权利要求1至4任一项所述的方法获取待分类的点云数据的特征信息，并输入至用于三维物体语义分割的分割神经网络，所述分割神经网络用于输出点云数据的每个点的属于各语义目标类别的概率，基于最大概率确定各点的语义分割类别，得到三维物体的语义分割结果。