CN112052884A - 一种基于局部边缘特征增强的点云分类方法及*** - Google Patents
一种基于局部边缘特征增强的点云分类方法及*** Download PDFInfo
- Publication number
- CN112052884A CN112052884A CN202010827732.3A CN202010827732A CN112052884A CN 112052884 A CN112052884 A CN 112052884A CN 202010827732 A CN202010827732 A CN 202010827732A CN 112052884 A CN112052884 A CN 112052884A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- data
- module
- feature
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
Abstract
本发明属于点云分类技术领域,公开了一种基于局部边缘特征增强的点云分类方法及***,所述基于局部边缘特征增强的点云分类***包括:点云数据获取模块、数据预处理模块、主控模块、边缘特征提取模块、边缘特征增强模块、特征填充模块、点云分类模型构建模块、点云分类模块、云存储模块、显示模块。本发明通过获取点云体素化数据、点云体素化数据对应的点云在预设邻域内的边缘特征,以及点云体素化数据对应点云对应的体素位置,基于图卷积网络结构和通道注意力机制构建出点云分类模型对特征填充后的点云进行分类,并输出点云分类结果,增加了特征通道之间的相互依赖关系,加强了点云的全局特征表示,从而提高了点云分类的效率和预测准确度。
Description
技术领域
本发明属于点云分类技术领域,尤其涉及一种基于局部边缘特征增强的点云分类方法及***。
背景技术
目前,自从深度学习技术兴起之后,研究者们开始探索怎样利用深度神经网络来进行点云的特征学习,基于深度学习三维点云分类与分割也成为一个研究者们越来越重视的方向。
传统的点云分类方法主要利用人的领域知识手工构造特征,并使用支持向量机(SVM)、随机森林(RF)等算法对从样本中提取出的手工构造特征进行分类。这类方法需要针对不同的任务与不同的数据、依赖丰富的实践经验设计手工特征,不仅耗费人力,而且在特征的表达能力上也存在局限性。另外,传统的点云分类方法的点云分类准确性低下,不能对边缘特征进行增强处理,无法满足现有需求。因此,亟需一种新的基于局部边缘特征增强的点云分类方法。
通过上述分析,现有技术存在的问题及缺陷为:
(1)传统的点云分类方法需针对不同的任务与不同的数据、依赖丰富的实践经验设计手工特征,不仅耗费人力,而且在特征的表达能力上也存在局限性。
(2)传统的点云分类方法的点云分类准确性低下,不能对边缘特征进行增强处理,无法满足现有需求。
发明内容
针对现有技术存在的问题,本发明提供了一种基于局部边缘特征增强的点云分类方法及***。
本发明是这样实现的,一种基于局部边缘特征增强的点云分类方法,所述基于局部边缘特征增强的点云分类方法包括以下步骤:
步骤一,通过点云数据获取模块利用数据获取设备接收点云分类请求,获取所述点云分类请求中的点云数据;
步骤二,通过数据预处理模块利用数据预处理程序对所述点云数据对应的点云进行点云体素化操作,得到点云体素化数据;
所述通过数据预处理模块利用数据预处理程序对所述点云数据对应的点云进行点云体素化操作的方法,包括:
(2.1)将获取的点云数据转换为笛卡尔坐标系的TXT文本文档格式,并以X、Y、Z形式的笛卡尔坐标表示三维点云数据;
(2.2)将基于三维点云数据的X、Y、Z笛卡尔坐标系以(Xmin,Ymin,Zmin)为起始点,体元大小为步长,根据取整算法确定点云数据在空间中的体素坐标,将单个的点云数据转为三维体素值;
步骤三,通过主控模块利用主控器控制所述基于局部边缘特征增强的点云分类***各个模块的正常运行;
步骤四,通过边缘特征提取模块利用特征提取程序获取所述点云体素化数据对应的点云在预设邻域内的边缘特征;
所述获取点云体素化数据对应的点云在预设邻域内的边缘特征的方法,包括:
(4.1)获取的点云体素化数据,并对获取的点云体素化数据进行处理,得到点云分布数据;
(4.2)对得到的点云分布数据进行处理,得到在对应点云在预设邻域内的关联特征距离数据和点云向量数据;
(4.3)根据得到的关联特征距离数据获取点云相似数据;
(4.4)根据得到的点云相似数据对点云向量数据进行分类,即可得到点云体素化数据对应的点云在预设邻域内的边缘特征;
步骤五,通过边缘特征增强模块利用特征增强程序对所述点云体素化数据对应的点云在预设邻域内的边缘特征进行增强处理;
步骤六,通过特征填充模块利用特征填充程序获取所述点云体素化数据对应点云对应的体素位置,并在所述点云对应的体素位置填充所述增强处理后的边缘特征;通过点云分类模型构建模块利用模型构建程序构建点云分类模型;
步骤七,通过点云分类模块利用点云分类程序利用构建的云分类模型对所述边缘特征填充后的点云进行分类,并输出所述点云数据对应的点云分类结果;
步骤八,通过云存储模块利用云数据库服务器存储获取的点云数据、与处理后的点云体素化数据、边缘特征、点云分类模型及点云分类结果;
步骤九,通过显示模块利用LED高清显示器显示获取的点云数据、与处理后的点云体素化数据、边缘特征、点云分类模型以及点云分类结果的实时数据。
进一步,步骤(2.2)中,所述步长为2cm。
进一步,步骤(2.2)中,所述将单个的点云数据转为三维体素值包括:
其中,i、j、k为对应的体素坐标,L为步长,即体素值大小。
进一步,步骤七中,所述通过点云分类模块利用点云分类程序利用构建的云分类模型对所述边缘特征填充后的点云进行分类的方法,包括:
(1)将点云数据输入构建的所述云分类模型;其中,所述点云分类模型包括:至少一个KNN图卷积单元和通道注意力单元;
(2)依次通过各个所述KNN图卷积单元提取所述点云数据中所含点云数据中每个顶点所有边的特征聚合数据;
(3)将所述特征聚合数据依次经过多层感知器和池化处理后,得到第一全局点云特征;-
(4)将所述第一全局点云特征输入所述通道注意力单元,通过所述通道注意力单元得到调整后的第二全局点云特征;
(5)根据调整后的第二全局点云特征得到点云分类结果。
进一步,所述KNN图卷积单元包括边特征提取子单元和特征聚合子单元。
进一步,所述依次通过各个所述KNN图卷积模块提取所述点云数据中所含点云数据中每个顶点所有边的特征聚合数据的方法,包括:
1)将点云数据中各个点数据的中心节点特征、邻域节点特征以及节点间的特征差值输入所述特征提取子单元,通过所述特征提取子单元得到所述点云数据中点云之间所连接的边特征;
2)将所述边特征输入特征聚合子单元,通过所述特征聚合子单元得到所述点云数据中各个顶点所有边的特征聚合数据。
本发明的另一目的在于提供一种实施所述基于局部边缘特征增强的点云分类方法的基于局部边缘特征增强的点云分类***,所述基于局部边缘特征增强的点云分类***包括:
点云数据获取模块、数据预处理模块、主控模块、边缘特征提取模块、边缘特征增强模块、特征填充模块、点云分类模型构建模块、点云分类模块、云存储模块、显示模块。
点云数据获取模块,与主控模块连接,用于通过数据获取设备接收点云分类请求,获取所述点云分类请求中的点云数据;
数据预处理模块,与主控模块连接,用于通过数据预处理程序对所述点云数据对应的点云进行点云体素化操作,得到点云体素化数据;
主控模块,与点云数据获取模块、数据预处理模块、边缘特征提取模块、边缘特征增强模块、特征填充模块、点云分类模型构建模块、点云分类模块、云存储模块、显示模块连接,用于通过主控器控制所述基于局部边缘特征增强的点云分类***各个模块的正常运行;
边缘特征提取模块,与主控模块连接,用于通过特征提取程序获取所述点云体素化数据对应的点云在预设邻域内的边缘特征;
边缘特征增强模块,与主控模块连接,用于通过特征增强程序对所述点云体素化数据对应的点云在预设邻域内的边缘特征进行增强处理;
特征填充模块,与主控模块连接,用于通过特征填充程序获取所述点云体素化数据对应点云对应的体素位置,并在所述点云对应的体素位置填充所述增强处理后的边缘特征;
点云分类模型构建模块,与主控模块连接,用于通过模型构建程序构建点云分类模型;
点云分类模块,与主控模块连接,用于通过点云分类程序利用构建的云分类模型对所述边缘特征填充后的点云进行分类,并输出所述点云数据对应的点云分类结果;
云存储模块,与主控模块连接,用于通过云数据库服务器存储获取的点云数据、与处理后的点云体素化数据、边缘特征、点云分类模型及点云分类结果;
显示模块,与主控模块连接,用于通过LED高清显示器显示获取的点云数据、与处理后的点云体素化数据、边缘特征、点云分类模型以及点云分类结果的实时数据。
进一步,所述点云分类模块包括:
数据输入单元,用于将点云数据输入构建的所述云分类模型;所述点云分类模型包括:至少一个KNN图卷积单元和通道注意力单元;
特征聚合数据提取单元,用于通过各个所述KNN图卷积单元提取所述点云数据中所含点云数据中每个顶点所有边的特征聚合数据;
第一全局点云特征获取单元,用于将所述特征聚合数据依次经过多层感知器和池化处理后,得到第一全局点云特征;
第二全局点云特征获取单元,用于将所述第一全局点云特征输入所述通道注意力单元,通过所述通道注意力单元得到调整后的第二全局点云特征;
分类结果输出单元,用于根据调整后的第二全局点云特征得到点云分类结果并进行输出显示。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施所述的基于局部边缘特征增强的点云分类方法。
本发明的另一目的在于提供一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行所述的基于局部边缘特征增强的点云分类方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明提供的基于局部边缘特征增强的点云分类方法,通过接收点云分类请求,获取点云分类请求中的点云数据,对点云数据对应的点云进行点云体素化操作,得到点云体素化数据,获取点云体素化数据对应的点云在预设邻域内的边缘特征,获取点云体素化数据对应点云对应的体素位置,并在点云对应的体素位置填充获取的边缘特征,基于图卷积网络结构和通道注意力机制构建出点云分类模型对特征填充后的点云进行分类,输出点云数据对应的点云分类结果,增加了特征通道之间的相互依赖关系,加强点云的全局特征表示,从而提高了点云分类的效率和预测准确度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于局部边缘特征增强的点云分类***结构框图;
图中:1、点云数据获取模块;2、数据预处理模块;3、主控模块;4、边缘特征提取模块;5、边缘特征增强模块;6、特征填充模块;7、点云分类模型构建模块;8、点云分类模块;9、云存储模块;10、显示模块。
图2是本发明实施例提供的基于局部边缘特征增强的点云分类方法流程图。
图3是本发明实施例提供的通过数据预处理模块利用数据预处理程序对所述点云数据对应的点云进行点云体素化操作的方法流程图。
图4是本发明实施例提供的获取所述点云体素化数据对应的点云在预设邻域内的边缘特征的方法流程图。
图5是本发明实施例提供的通过点云分类模块利用点云分类程序利用构建的云分类模型对所述边缘特征填充后的点云进行分类的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种基于局部边缘特征增强的点云分类方法及***,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的基于局部边缘特征增强的点云分类方法包括以下步骤:
S101,通过点云数据获取模块利用数据获取设备接收点云分类请求,获取所述点云分类请求中的点云数据。
S102,通过数据预处理模块利用数据预处理程序对所述点云数据对应的点云进行点云体素化操作,得到点云体素化数据。
S103,通过主控模块利用主控器控制所述基于局部边缘特征增强的点云分类***各个模块的正常运行。
S104,通过边缘特征提取模块利用特征提取程序获取所述点云体素化数据对应的点云在预设邻域内的边缘特征。
S105,通过边缘特征增强模块利用特征增强程序对所述点云体素化数据对应的点云在预设邻域内的边缘特征进行增强处理。
S106,通过特征填充模块利用特征填充程序获取所述点云体素化数据对应点云对应的体素位置,并在所述点云对应的体素位置填充所述增强处理后的边缘特征;通过点云分类模型构建模块利用模型构建程序构建点云分类模型。
S107,通过点云分类模块利用点云分类程序利用构建的云分类模型对所述边缘特征填充后的点云进行分类,并输出所述点云数据对应的点云分类结果。
S108,通过云存储模块利用云数据库服务器存储获取的点云数据、与处理后的点云体素化数据、边缘特征、点云分类模型及点云分类结果。
S109,通过显示模块利用LED高清显示器显示获取的点云数据、与处理后的点云体素化数据、边缘特征、点云分类模型以及点云分类结果的实时数据。
如图2所示,本发明实施例提供的基于局部边缘特征增强的点云分类***包括:点云数据获取模块1、数据预处理模块2、主控模块3、边缘特征提取模块4、边缘特征增强模块5、特征填充模块6、点云分类模型构建模块7、点云分类模块8、云存储模块9、显示模块10。
点云数据获取模块1,与主控模块3连接,用于通过数据获取设备接收点云分类请求,获取所述点云分类请求中的点云数据;
数据预处理模块2,与主控模块3连接,用于通过数据预处理程序对所述点云数据对应的点云进行点云体素化操作,得到点云体素化数据;
主控模块3,与点云数据获取模块1、数据预处理模块2、边缘特征提取模块4、边缘特征增强模块5、特征填充模块6、点云分类模型构建模块7、点云分类模块8、云存储模块9、显示模块10连接,用于通过主控器控制所述基于局部边缘特征增强的点云分类***各个模块的正常运行;
边缘特征提取模块4,与主控模块3连接,用于通过特征提取程序获取所述点云体素化数据对应的点云在预设邻域内的边缘特征;
边缘特征增强模块5,与主控模块3连接,用于通过特征增强程序对所述点云体素化数据对应的点云在预设邻域内的边缘特征进行增强处理;
特征填充模块6,与主控模块3连接,用于通过特征填充程序获取所述点云体素化数据对应点云对应的体素位置,并在所述点云对应的体素位置填充所述增强处理后的边缘特征;
点云分类模型构建模块7,与主控模块3连接,用于通过模型构建程序构建点云分类模型;
点云分类模块8,与主控模块3连接,用于通过点云分类程序利用构建的云分类模型对所述边缘特征填充后的点云进行分类,并输出所述点云数据对应的点云分类结果;
云存储模块9,与主控模块3连接,用于通过云数据库服务器存储获取的点云数据、与处理后的点云体素化数据、边缘特征、点云分类模型及点云分类结果;
显示模块10,与主控模块3连接,用于通过LED高清显示器显示获取的点云数据、与处理后的点云体素化数据、边缘特征、点云分类模型以及点云分类结果的实时数据。
本发明实施例提供的点云分类模块8包括:
数据输入模块8-1,用于将点云数据输入构建的所述云分类模型;所述点云分类模型包括:至少一个KNN图卷积单元和通道注意力单元;
特征聚合数据提取模块8-2,用于通过各个所述KNN图卷积单元提取所述点云数据中所含点云数据中每个顶点所有边的特征聚合数据;
第一全局点云特征获取模块8-3,用于将所述特征聚合数据依次经过多层感知器和池化处理后,得到第一全局点云特征;
第二全局点云特征获取模块8-4,用于将所述第一全局点云特征输入所述通道注意力单元,通过所述通道注意力单元得到调整后的第二全局点云特征;
分类结果输出模块8-5,用于根据调整后的第二全局点云特征得到点云分类结果并进行输出显示。
下面结合具体实施例对本发明的技术方案作进一步说明。
实施例1:
本发明实施例提供的基于局部边缘特征增强的点云分类方法如图1所示,作为优选实施例,如图3所示,本发明实施例提供的通过数据预处理模块利用数据预处理程序对所述点云数据对应的点云进行点云体素化操作的方法,包括:
S201,将获取的点云数据转换为笛卡尔坐标系的TXT文本文档格式,并以X、Y、Z形式的笛卡尔坐标表示三维点云数据。
S202,将基于三维点云数据的X、Y、Z笛卡尔坐标系以(Xmin,Ymin,Zmin)为起始点,体元大小为步长,根据取整算法确定点云数据在空间中的体素坐标,将单个的点云数据转为三维体素值。
步骤S202中,本发明实施例提供的步长为2cm。
步骤S202中,本发明实施例提供的将单个的点云数据转为三维体素值包括:
其中,i、j、k为对应的体素坐标,L为步长,即体素值大小。
实施例2:
本发明实施例提供的基于局部边缘特征增强的点云分类方法如图1所示,作为优选实施例,如图4所示,本发明实施例提供的获取点云体素化数据对应的点云在预设邻域内的边缘特征的方法,包括:
S301,获取的点云体素化数据,并对获取的点云体素化数据进行处理,得到点云分布数据;
S302,对得到的点云分布数据进行处理,得到在对应点云在预设邻域内的关联特征距离数据和点云向量数据;
S303,根据得到的关联特征距离数据获取点云相似数据;
S304,根据得到的点云相似数据对点云向量数据进行分类,即可得到点云体素化数据对应的点云在预设邻域内的边缘特征。
实施例3:
本发明实施例提供的基于局部边缘特征增强的点云分类方法如图1所示,作为优选实施例,,如图5所示,本发明实施例提供的通过点云分类模块利用点云分类程序利用构建的云分类模型对所述边缘特征填充后的点云进行分类的方法,包括:
S401,将点云数据输入构建的所述云分类模型;其中,所述点云分类模型包括:至少一个KNN图卷积单元和通道注意力单元。
S402,依次通过各个所述KNN图卷积单元提取所述点云数据中所含点云数据中每个顶点所有边的特征聚合数据。
S403,将所述特征聚合数据依次经过多层感知器和池化处理后,得到第一全局点云特征。
S404,将所述第一全局点云特征输入所述通道注意力单元,通过所述通道注意力单元得到调整后的第二全局点云特征。
S405,根据调整后的第二全局点云特征得到点云分类结果。
本发明实施例提供的KNN图卷积单元包括边特征提取子单元和特征聚合子单元;所述依次通过各个所述KNN图卷积模块提取所述点云数据中所含点云数据中每个顶点所有边的特征聚合数据的方法,包括:
1)将点云数据中各个点数据的中心节点特征、邻域节点特征以及节点间的特征差值输入所述特征提取子单元,通过所述特征提取子单元得到所述点云数据中点云之间所连接的边特征;
2)将所述边特征输入特征聚合子单元,通过所述特征聚合子单元得到所述点云数据中各个顶点所有边的特征聚合数据。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于局部边缘特征增强的点云分类方法,其特征在于,所述基于局部边缘特征增强的点云分类方法包括以下步骤:
步骤一,通过点云数据获取模块利用数据获取设备接收点云分类请求,获取所述点云分类请求中的点云数据;
步骤二,通过数据预处理模块利用数据预处理程序对所述点云数据对应的点云进行点云体素化操作,得到点云体素化数据;
所述通过数据预处理模块利用数据预处理程序对所述点云数据对应的点云进行点云体素化操作的方法,包括:
(2.1)将获取的点云数据转换为笛卡尔坐标系的TXT文本文档格式,并以X、Y、Z形式的笛卡尔坐标表示三维点云数据;
(2.2)将基于三维点云数据的X、Y、Z笛卡尔坐标系以(Xmin,Ymin,Zmin)为起始点,体元大小为步长,根据取整算法确定点云数据在空间中的体素坐标,将单个的点云数据转为三维体素值;
步骤三,通过主控模块利用主控器控制所述基于局部边缘特征增强的点云分类***各个模块的正常运行;
步骤四,通过边缘特征提取模块利用特征提取程序获取所述点云体素化数据对应的点云在预设邻域内的边缘特征;
所述获取点云体素化数据对应的点云在预设邻域内的边缘特征的方法,包括:
(4.1)获取的点云体素化数据,并对获取的点云体素化数据进行处理,得到点云分布数据;
(4.2)对得到的点云分布数据进行处理,得到在对应点云在预设邻域内的关联特征距离数据和点云向量数据;
(4.3)根据得到的关联特征距离数据获取点云相似数据;
(4.4)根据得到的点云相似数据对点云向量数据进行分类,即可得到点云体素化数据对应的点云在预设邻域内的边缘特征;
步骤五,通过边缘特征增强模块利用特征增强程序对所述点云体素化数据对应的点云在预设邻域内的边缘特征进行增强处理;
步骤六,通过特征填充模块利用特征填充程序获取所述点云体素化数据对应点云对应的体素位置,并在所述点云对应的体素位置填充所述增强处理后的边缘特征;通过点云分类模型构建模块利用模型构建程序构建点云分类模型;
步骤七,通过点云分类模块利用点云分类程序利用构建的云分类模型对所述边缘特征填充后的点云进行分类,并输出所述点云数据对应的点云分类结果;
步骤八,通过云存储模块利用云数据库服务器存储获取的点云数据、与处理后的点云体素化数据、边缘特征、点云分类模型及点云分类结果;
步骤九,通过显示模块利用LED高清显示器显示获取的点云数据、与处理后的点云体素化数据、边缘特征、点云分类模型以及点云分类结果的实时数据。
2.如权利要求1所述基于局部边缘特征增强的点云分类方法,其特征在于,步骤(2.2)中,所述步长为2cm。
4.如权利要求1所述基于局部边缘特征增强的点云分类方法,其特征在于,步骤七中,所述通过点云分类模块利用点云分类程序利用构建的云分类模型对所述边缘特征填充后的点云进行分类的方法,包括:
(1)将点云数据输入构建的所述云分类模型;其中,所述点云分类模型包括:至少一个KNN图卷积单元和通道注意力单元;
(2)依次通过各个所述KNN图卷积单元提取所述点云数据中所含点云数据中每个顶点所有边的特征聚合数据;
(3)将所述特征聚合数据依次经过多层感知器和池化处理后,得到第一全局点云特征;
(4)将所述第一全局点云特征输入所述通道注意力单元,通过所述通道注意力单元得到调整后的第二全局点云特征;
(5)根据调整后的第二全局点云特征得到点云分类结果。
5.如权利要求4所述基于局部边缘特征增强的点云分类方法,其特征在于,所述KNN图卷积单元包括边特征提取子单元和特征聚合子单元。
6.如权利要求4所述基于局部边缘特征增强的点云分类方法,其特征在于,所述依次通过各个所述KNN图卷积模块提取所述点云数据中所含点云数据中每个顶点所有边的特征聚合数据的方法,包括:
1)将点云数据中各个点数据的中心节点特征、邻域节点特征以及节点间的特征差值输入所述特征提取子单元,通过所述特征提取子单元得到所述点云数据中点云之间所连接的边特征;
2)将所述边特征输入特征聚合子单元,通过所述特征聚合子单元得到所述点云数据中各个顶点所有边的特征聚合数据。
7.一种实施如权利要求1-6任意一项所述基于局部边缘特征增强的点云分类方法的基于局部边缘特征增强的点云分类***,其特征在于,所述基于局部边缘特征增强的点云分类***包括:
点云数据获取模块、数据预处理模块、主控模块、边缘特征提取模块、边缘特征增强模块、特征填充模块、点云分类模型构建模块、点云分类模块、云存储模块、显示模块;
点云数据获取模块,与主控模块连接,用于通过数据获取设备接收点云分类请求,获取所述点云分类请求中的点云数据;
数据预处理模块,与主控模块连接,用于通过数据预处理程序对所述点云数据对应的点云进行点云体素化操作,得到点云体素化数据;
主控模块,与点云数据获取模块、数据预处理模块、边缘特征提取模块、边缘特征增强模块、特征填充模块、点云分类模型构建模块、点云分类模块、云存储模块、显示模块连接,用于通过主控器控制所述基于局部边缘特征增强的点云分类***各个模块的正常运行;
边缘特征提取模块,与主控模块连接,用于通过特征提取程序获取所述点云体素化数据对应的点云在预设邻域内的边缘特征;
边缘特征增强模块,与主控模块连接,用于通过特征增强程序对所述点云体素化数据对应的点云在预设邻域内的边缘特征进行增强处理;
特征填充模块,与主控模块连接,用于通过特征填充程序获取所述点云体素化数据对应点云对应的体素位置,并在所述点云对应的体素位置填充所述增强处理后的边缘特征;
点云分类模型构建模块,与主控模块连接,用于通过模型构建程序构建点云分类模型;
点云分类模块,与主控模块连接,用于通过点云分类程序利用构建的云分类模型对所述边缘特征填充后的点云进行分类,并输出所述点云数据对应的点云分类结果;
云存储模块,与主控模块连接,用于通过云数据库服务器存储获取的点云数据、与处理后的点云体素化数据、边缘特征、点云分类模型及点云分类结果;
显示模块,与主控模块连接,用于通过LED高清显示器显示获取的点云数据、与处理后的点云体素化数据、边缘特征、点云分类模型以及点云分类结果的实时数据。
8.如权利要求7所述基于局部边缘特征增强的点云分类***,其特征在于,所述点云分类模块包括:
数据输入单元,用于将点云数据输入构建的所述云分类模型;所述点云分类模型包括:至少一个KNN图卷积单元和通道注意力单元;
特征聚合数据提取单元,用于通过各个所述KNN图卷积单元提取所述点云数据中所含点云数据中每个顶点所有边的特征聚合数据;
第一全局点云特征获取单元,用于将所述特征聚合数据依次经过多层感知器和池化处理后,得到第一全局点云特征;
第二全局点云特征获取单元,用于将所述第一全局点云特征输入所述通道注意力单元,通过所述通道注意力单元得到调整后的第二全局点云特征;
分类结果输出单元,用于根据调整后的第二全局点云特征得到点云分类结果并进行输出显示。
9.一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施如权利要求3~8任意一项所述的基于局部边缘特征增强的点云分类方法。
10.一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求3~8任意一项所述的基于局部边缘特征增强的点云分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010827732.3A CN112052884A (zh) | 2020-08-17 | 2020-08-17 | 一种基于局部边缘特征增强的点云分类方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010827732.3A CN112052884A (zh) | 2020-08-17 | 2020-08-17 | 一种基于局部边缘特征增强的点云分类方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112052884A true CN112052884A (zh) | 2020-12-08 |
Family
ID=73600059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010827732.3A Pending CN112052884A (zh) | 2020-08-17 | 2020-08-17 | 一种基于局部边缘特征增强的点云分类方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052884A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633376A (zh) * | 2020-12-24 | 2021-04-09 | 南京信息工程大学 | 基于深度学习的点云数据地物分类方法、***与存储介质 |
CN113642712A (zh) * | 2021-08-17 | 2021-11-12 | 成都视海芯图微电子有限公司 | 一种基于深度学习的点云数据处理器及方法 |
CN116128835A (zh) * | 2023-02-02 | 2023-05-16 | 南方电网数字电网研究院有限公司 | 基于点云分析的输电导线弧垂测量方法、装置和设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106933786A (zh) * | 2017-03-07 | 2017-07-07 | 福建农林大学 | 一种三维激光点云数据快速体素化处理方法 |
CN109426828A (zh) * | 2017-08-28 | 2019-03-05 | 中国科学院深圳先进技术研究院 | 点云分类方法、装置、设备及存储介质 |
US20190179024A1 (en) * | 2017-12-13 | 2019-06-13 | Luminar Technologies, Inc. | Processing point clouds of vehicle sensors having variable scan line distributions using voxel grids |
CN110516751A (zh) * | 2019-08-29 | 2019-11-29 | 上海交通大学 | 三维数据的处理方法、***及设备 |
CN110569926A (zh) * | 2019-09-19 | 2019-12-13 | 北京工商大学 | 一种基于局部边缘特征增强的点云分类方法 |
CN111242208A (zh) * | 2020-01-08 | 2020-06-05 | 深圳大学 | 一种点云分类方法、分割方法及相关设备 |
-
2020
- 2020-08-17 CN CN202010827732.3A patent/CN112052884A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106933786A (zh) * | 2017-03-07 | 2017-07-07 | 福建农林大学 | 一种三维激光点云数据快速体素化处理方法 |
CN109426828A (zh) * | 2017-08-28 | 2019-03-05 | 中国科学院深圳先进技术研究院 | 点云分类方法、装置、设备及存储介质 |
US20190179024A1 (en) * | 2017-12-13 | 2019-06-13 | Luminar Technologies, Inc. | Processing point clouds of vehicle sensors having variable scan line distributions using voxel grids |
CN110516751A (zh) * | 2019-08-29 | 2019-11-29 | 上海交通大学 | 三维数据的处理方法、***及设备 |
CN110569926A (zh) * | 2019-09-19 | 2019-12-13 | 北京工商大学 | 一种基于局部边缘特征增强的点云分类方法 |
CN111242208A (zh) * | 2020-01-08 | 2020-06-05 | 深圳大学 | 一种点云分类方法、分割方法及相关设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633376A (zh) * | 2020-12-24 | 2021-04-09 | 南京信息工程大学 | 基于深度学习的点云数据地物分类方法、***与存储介质 |
CN113642712A (zh) * | 2021-08-17 | 2021-11-12 | 成都视海芯图微电子有限公司 | 一种基于深度学习的点云数据处理器及方法 |
CN113642712B (zh) * | 2021-08-17 | 2023-08-08 | 成都视海芯图微电子有限公司 | 一种基于深度学习的点云数据处理器及方法 |
CN116128835A (zh) * | 2023-02-02 | 2023-05-16 | 南方电网数字电网研究院有限公司 | 基于点云分析的输电导线弧垂测量方法、装置和设备 |
CN116128835B (zh) * | 2023-02-02 | 2023-09-15 | 南方电网数字电网研究院有限公司 | 基于点云分析的输电导线弧垂测量方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112528977B (zh) | 目标检测方法、装置、电子设备和存储介质 | |
CN112052884A (zh) | 一种基于局部边缘特征增强的点云分类方法及*** | |
CN111488985B (zh) | 深度神经网络模型压缩训练方法、装置、设备、介质 | |
CN113221743B (zh) | 表格解析方法、装置、电子设备和存储介质 | |
CN113742483A (zh) | 文档分类的方法、装置、电子设备和存储介质 | |
US20210166058A1 (en) | Image generation method and computing device | |
CN112418292A (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN114648676B (zh) | 点云处理模型的训练和点云实例分割方法及装置 | |
CN112906865B (zh) | 神经网络架构搜索方法、装置、电子设备及存储介质 | |
CN113902010A (zh) | 分类模型的训练方法和图像分类方法、装置、设备和介质 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN114566233A (zh) | 分子筛选的方法、装置、电子设备及存储介质 | |
CN113162787B (zh) | 电信网络中故障定位的方法、节点分类方法以及相关设备 | |
CN112241789A (zh) | 用于轻量化神经网络的结构化剪枝方法、装置、介质及设备 | |
CN113762109B (zh) | 一种文字定位模型的训练方法及文字定位方法 | |
CN114861059A (zh) | 资源推荐方法、装置、电子设备及存储介质 | |
US11881044B2 (en) | Method and apparatus for processing image, device and storage medium | |
CN112784102B (zh) | 视频检索方法、装置和电子设备 | |
CN111709473B (zh) | 对象特征的聚类方法及装置 | |
CN114037772A (zh) | 一种图像生成器的训练方法、图像生成方法及装置 | |
CN117971487A (zh) | 一种高性能算子生成方法、装置、设备及存储介质 | |
CN113344213A (zh) | 知识蒸馏方法、装置、电子设备及计算机可读存储介质 | |
CN113139110A (zh) | 区域特征处理方法、装置、设备、存储介质和程序产品 | |
WO2021000411A1 (zh) | 基于神经网络的文档分类方法、装置、设备及存储介质 | |
CN115495248B (zh) | 一种推理卡的内存分配方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201208 |