欢迎来到知嘟嘟! 联系电话:13095918853 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13095918853
知嘟嘟经纪人
收藏
专利号: 2018107901331
申请人: 北方民族大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2024-11-18
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

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。