1.一种基于卷积神经网络的三维点云模型分类方法，其特征在于，包括以下步骤：S1、选用Princeton ModelNet，分别针对ModelNet10和ModelNet40，从官网选取所需数量的模型作为训练数据和测试数据，生成训练集和测试集；

S2、对点云模型进行特征分析以及构建分类框架；

S3、对点云进行有序化；

S4、将有序点云数据二维图像化，得到二维点云图像；

输入无序点云数据的有序化序列S=((xi,yi,zi)，i=1,…,n)，将有序化序列放置在二维图像A=(ajk)p×q中，其中p×q=n，A为二维矩阵，对应生成的图像；j和k分别为像素的行和列；ajk为二维矩阵中第j行第k列的像素值；p、q分别为矩阵的行数和列数；n表示点云模型中所包含点个数，以满足图像内部相邻像素间对应的点云数据在空间位置上彼此相近，针对这一要求，设计以下三种不同的二维图像化方法：行扫描法：模仿荧光屏电子束的运动，将有序点云数据从前到后依次取出，从左到右、从上到下逐行填充到二维图像中；

棋盘法：提出了棋盘法的图像化方法：将有序点云数据从前到后依次取出，从左到右、从上到下依次填充各个格子，格子内部仍然按照从左到右、从上到下的方式填充每个像素，当格子取值为8×8时，每个格子就对应一个包含64个点的点云局部区域；

螺旋法：将有序点云数据从前到后依次取出，从图像中心像素开始，按螺旋轨迹依次进行填充；

S5、构建面向二维点云图像的CNN网络，包括：基于中型CNN的点云模型分类、基于小型CNN的点云模型分类和面向二维点云图像的CNN构造及分类，具体如下：基于中型CNN的点云模型分类：将点云图像输入之前，首先对图像数据进行反卷积操作，实现点云图像的高分辨率重建，获取更多的空间关联信息；

基于小型CNN的点云模型分类： LeNet是一个包含两层卷积、两层池化和三层全连接的小型CNN网络，该网络的输入是32×32大小的图像，恰好同包含1024个点的二维点云图像尺寸匹配，直接沿用基于中型CNN的点云模型分类的实验设计，去掉反卷积子模块，将32×32的二维点云图像输入LeNet完成特征提取及模型分类；

面向二维点云图像的CNN构造及分类：分析点云模型自身特点，结合以上两种实验结果，设计一个面向二维点云图像分类的卷积神经网络PCI2CNN，该网络的设计思路如下：包含一组共2个反卷积，该组反卷积通道数为64，核大小为2×2，步长分别为2×2和1×

1；

包含3个卷积层，且通道数分别为64, 128, 256；

在第一和第三个卷积层后加入池化操作，且池化层通道数与上一层通道数一致，核大小为3×3，步长为2×2。

2.根据权利要求1所述的一种基于卷积神经网络的三维点云模型分类方法，其特征在于：在步骤S1中，选用Princeton ModelNet，采用官网数据，针对ModelNet10和ModelNet40分别选取3991、9842个模型作为训练数据，908、2468个模型作为测试数据。

3.根据权利要求1所述的一种基于卷积神经网络的三维点云模型分类方法，其特征在于：在步骤S2中，设计三维点云模型的通用分类框架，包括以下三个模块：点云数据的有序化模块，用于实现无序点云数据的有序化；

有序点云数据的二维图像化模块，用于实现点云数据的规则化；

面向二维点云图像的CNN模块，该模块由两部分组成：反卷积子模块和中小型的卷积分类子模块。