[发明专利]一种用于神经网络的三维点云数据识别方法

说明书

本发明提供一种用于神经网络的三维点云数据识别方法，包括：获取三维点云数据；根据三维点云数据获得三维点云数据的采样点集；当三维点云数据发生旋转时，获取采样点集中的旋转不变特征数据；构建若干个RISurFormer模块，用于逐个将旋转不变特征数据处理为高维旋转不变特征数据；构建Transformer‑Encoder模块，用于优化高维旋转不变特征数据，获得优化后的高维旋转不变特征数据；构建分类器，用于根据优化后的高维旋转不变特征数据对三维点云数据进行分类；本方法能够处理任意旋转的三维点云数据，不受目标物体姿态的影响，且不需要复杂的数据预处理，效率大大提高，可以广泛应用于神经网络中，尤其是初始输入数据即为原始数据的卷积神经网络。

技术领域

本发明涉及三维信息技术领域，具体而言，涉及一种用于神经网络的三维点云数据识别方法。

背景技术

三维点云是空间中一系列点的几何，记录了被扫描物体表面每个点的一组的三维坐标信息和多种属性信息，如纹理、材质、颜色、占用图、法向量、反射强度、特征数据等。三维点云数据是真实物体的几何描述，是一种新的三维模型数据格式，作为视觉通信场景下表达信息的主要载体，不仅可以有效的表示视觉媒体服务中的静态实物和场景，还可以实时渲染精确的立体模型，真实地描述动态实物或场景信息。因此，三维点云数据可以为用户带来虚实结合、实时交互的沉浸式消费体验。随着信息技术的快速发展，三维点云已成为与图像、音频、视频等互补的重要数据模态。三维点云作为自主导航、地图构建和场景理解等任务的主要输入数据，在自动驾驶、移动机器人、虚拟/混合现实、地理信息系统、遥感测绘以及文化遗产保护等诸多邻域有巨大应用前景，已成为新一代人工智能技术的研究热点之一。

随着人工智能的发展，催生出一系列三维点云相关的深度学习算法，如PointNet++、DGCNN、PointCNN以及pointmlp等，从网络架构到卷积方式，进行了各种改进，精度和速度也不断得到提高，性能不断提高，在不同任务的三维点云数据集上取得了很好的效果。然而，这些方法都无法有效解决抗旋转的问题，也即实际测试三维数据物体发生旋转时，以上方法并不能很好处理。为解决这个问题，现有的方案是在对神经网络的训练过程中常常要加入数据扩展(Data Augmentation)，具体来说，就是随机的或者沿着z轴对三维点云数据进行旋转，才能缓解因旋转所带来的精度下降问题。然而在实际应用中，三维物体是可以沿着任意轴自由旋转，拥有无限种的旋转情况。因此，无论训练过程中加入多少的随机旋转依然无法覆盖现实中的所有旋转情况，此外，在训练过程中对数据进行扩展也增加了训练时间，降低了效率。

发明内容

本发明解决的问题是：提供一种用于神经网络的三维点云数据识别方法，能够处理任意旋转的三维点云数据，不受目标物体姿态的影响，且不需要复杂的数据预处理，可以广泛应用于神经网络中，尤其是初始输入数据即为原始数据的卷积神经网络。

为解决上述问题，本发明提供一种用于神经网络的三维点云数据识别方法，包括：

S1、获取三维点云数据；

S2、根据三维点云数据获得三维点云数据的采样点集；

S3、当三维点云数据发生旋转时，获取采样点集中的旋转不变特征数据；

S4、构建若干个RISurFormer模块，用于将旋转不变特征数据逐级处理为高维旋转不变特征数据；

S5、构建Transformer-Encoder模块，用于优化高维旋转不变特征数据，获得优化后的高维旋转不变特征数据；

S6、构建分类器，用于根据优化后的高维旋转不变特征数据对三维点云数据进行分类。