[发明专利]一种基于三维卷积神经网络的点云物体类型识别方法

摘要

本发明提供了一种基于三维卷积神经网络的点云物体类型识别方法，具体包括：采集并处理已知物体类型的物体的点云数据，得到由CP组成的三维矩阵；将训练集数据中由CP组成的三维矩阵输入到三维卷积神经网络中，依次对三维卷积神经网络的每层进行处理，并对三维卷积神经网络进行更新，得到新的三维卷积神经网络；将验证集数据中由CP组成的三维矩阵输入到新的三维卷积神经网络中，判断得到训练好的三维卷积神经网络；根据训练好的三维卷积神经网络对待识别物体进行识别，最终得到待识别物体的类型；本发明操作方便，克服了传统点云物体识别中需要根据不同类型物体使用不同方法的缺点；并克服了需要不同专业知识的专家参与及自动化识别程度低的缺点。

主权项

1.一种点云物体类型识别的三维卷积神经网络的搭建方法，包括以下步骤：步骤1、采集已知物体类型的物体的点云数据，并对所述物体的点云数据进行离群点删除，得到无噪声的物体点云数据；所述物体的点云数据包括训练集数据、验证集数据；步骤2、对得到的无噪声的物体点云数据进行体素化操作，得到三维矩阵，并对所述三维矩阵进行归一化操作，得到由CP组成的三维矩阵，所述由CP组成的三维矩阵包括训练集数据中由CP组成的三维矩阵和验证集数据中由CP组成的三维矩阵；其特征在于，还包括如下步骤：步骤3、将训练集数据中由CP组成的三维矩阵作为输入数据，将输入数据输入到三维卷积神经网络中，得到带有输入数据的三维卷积神经网络，将带有输入数据的三维卷积神经网络的层按照从上到下的顺序依次记为第1层至第32层；步骤4、依次对带有输入数据的三维卷积神经网络的第1层至19层进行计算，得到第19层的特征图序列；将第19层的特征图序列输入到带有输入数据的三维卷积神经网络的第20层，依次对第20层至30层进行计算，得到第30层的特征图序列；将第30层的特征图序列输入到带有输入数据的三维卷积神经网络的第31层，依次对第31层至第32层进行计算，得到最终的特征向量；根据最终的特征向量，计算得到每种识别类型的概率和网络损失值；步骤5、将所述每种识别类型的概率和网络损失值输入到所述带有输入数据的三维卷积神经网络中，得到新的带有输入数据的三维卷积神经网络；对得到的新的带有输入数据的三维卷积神经网络进行计算更新，得到新的三维卷积神经网络。