[发明专利]一种基于深度学习的点云分类方法

说明书

本发明提供一种基于深度学习的点云分类方法，属于三维点云数据处理领域，采用残差网络模型中应用通道注意力机制以及改进分类器的方式，对点云数据集进行分类处理。本发明中的残差网络解决了深度学习网络随着网络层数增加出现的梯度爆炸问题，提高了模型的泛化能力；通道注意力机制通过学习每个通道的重要程度，进行权重分配，提高了点云特征提取能力；通过改进分类器，进一步提高了点云数据分类的准确度。

技术领域

本发明涉及三维点云数据处理领域，尤其涉及一种基于深度学习的点云分类方法。

背景技术

随着三维扫描技术的快速发展，三维点云数据已被广泛的应用于自动驾驶、文物保护和测绘地理信息等技术上。近年来，越来越多的学者将深度学习应用在点云数据处理中，而点云分类是点云数据应用的一个重要分支，也是重要的热点研究方向，而三维点云的数据结构的无序性、稀疏性、非结构化特点使得点云的分类极具挑战性。

近年来深度学习不断发展，点云分类方法取得了显著进步。根据点云数据的处理方式，分为基于投影的方法、基于原始点云的方法。其中，基于投影的方法包括基于多视图的方法和基于体素的方法，通过将无序的、稀疏的、不规则的三维点云转换成规则的二维图像或体素网格，然后通过传统卷积神经网络对二维图像提取特征；基于原始点云的方法通过直接处理原始点云，实现三维点云的分类处理，保留了点云信息的完整性。

发明内容

本发明的目的是提供一种基于深度学习的点云分类方法，以解决现有技术中存在的技术问题，提高点云数据分类的准确度。

为实现上述发明目的，本发明方法包括以下步骤：

S1、输入点云数据集，对点云数据集进行预处理；

进一步的，对所述点云数据集预处理过程，包括：

对所述点云数据进行栅格化处理，将点云数据栅格化成二维图像；

对所述栅格化后的点云数据集通过数据增强算法对进行随机旋转、随机平移、镜像翻转等操作处理；

对所述预处理后的点云数据集划分为训练集和测试集；

S2、构建残差网络模型，在残差网络模型中应用通道注意力机制；

进一步的，对所述的构建残差网络模型具体方法，包括：

对所述的训练集数据输入到残差网络中，在每个卷积层后进行归一化和ReLU激活，通过跳跃连接到其他层与卷积后的输出相加求和；

对所述的求和后的特征图输入到通道注意力模块，输入H×W×C的特征图，使用全局平均池化对特征图进行压缩，得到两个1×1×C的特征图；

对所述的经过全局平均池化后的特征图，将其送入一个两层的神经网络，第一层神经元个数为C/r，激活函数为ReLU，第二层神经元个数为C，输出新特征图进行相加求和，再通过激活函数Sigmoid得到通道权重，将每个通道的权重和对应的原始特征进行相乘加权，得到数据集新的的特征信息；

S3、建立K-means聚类算法模型，替换网络模型中的Softmax层，得到改进后的网络模型；

进一步的，对所述的建立K-means聚类算法模型的具体方法，包括：

根据选取的K值作为聚类的初始中心点，按照距离大小将数据点划分到离它最近的类，通过求平均值来更新中心点，再得到新的中心点后继续分类，直至各类中心点不再变化，此时迭代完成，形成聚类模型；

S4、将点云数据集输入改进后的网络模型中进行训练和测试；

进一步的，对所述网络模型的训练和测试方法，包括：