深度-宽度结合分类网络及其对应的点云分类方法

1.本发明涉及计算机视觉技术领域，具体涉及深度-宽度结合分类网络及其对应的点云分类方法。


背景技术：

2.随着人工智能技术的进步，深度学习在计算机视觉方面得到了广泛的应用，基于深度学习的图像分类与目标检测方法得到了空前的发展。相较于传统图像处理方法，深度学习网络能够更加有效地提取图像特征，提高目标识别的准确性。然而，普通相机、rgb-d相机等视觉传感器容易受到光线、视角、遮挡等环境因素的干扰。相比之下，激光雷达等基于三维点云的传感器具有更强的抗干扰能力。由于三维点云数据能够更加真实地反映物体的三维特征信息，因此，基于深度学习的三维点云处理方法也在近些年成为计算机视觉领域的热门研究方向。然而，基于深度学习的三维点云处理方法具有网络结构复杂、计算量大、模型训练时间长等缺点。相比之下，宽度学习方法具有网络结构简单、参数量少、训练速度快的优点。但由于三维点云具有稀疏性、无序性的特点，原始三维点云数据无法直接输入宽度学习网络进行处理。因此，充分利用深度学习与宽度学习技术各自的优势，能够在提高目标识别准确率的同时，提升算法的实时性，是很有必要研究的方法技术。


技术实现要素：

3.有鉴于此，本发明提供了深度-宽度结合分类网络及其对应的点云分类方法，能够提高点云数据分类的准确率和实时性。
4.为实现上述发明目的，本发明的技术方案为：
5.深度-宽度结合分类网络，包括深度学习网络和宽度学习网络；深度学习网络采用pointnet模型，包括顺次连接的多层感知器网络层和最大值池化层。
6.宽度学习网络包括映射层、增强层和输出层；其中映射层的输出端连接至增强层和输出层，增强层的输出连接至输出层，输出层将映射层的输出数据和增强层的输出数据进行拼接后输出，作为三维点云分类系统的输出。
7.一种基于深度-宽度结合分类网络的点云分类方法，应用于上述的深度-宽度结合分类网络，具体步骤包括：
8.构建基于pointnet深度学习模型的深度学习网络，深度学习网络以点云数据作为输入，经多层感知器网络进行特征升维，并由最大值池化层进行最大值池化，输出点云特征。
9.构建宽度学习网络，将点云特征作为输入，点云数据的真实分类标签作为标签，训练宽度学习网络。
10.将用于点云特征提取的深度学习网络与用于分类的宽度学习网络进行拼接，得到深度-宽度学习结合网络；将待分类点云数据输入深度-宽度学习结合网络，输出点云分类结果。
11.进一步的，构建并训练深度学习网络的具体方法为：
12.构建基于pointnet深度学习模型的深度学习网络。
13.将n
×
3维点云数据输入多层感知器网络进行特征升维，每层感知器网络的特征维数分别为64、128和1024，最终输出n
×
1024维的点云数据。
14.将n
×
1024维的点云数据进行最大值池化，获得点云特征，完成深度学习网络的训练。
15.进一步的，n
×
3维点云数据是包含n个点，且每个点包含x、y、z三维空间直角坐标系坐标的点云数据。
16.进一步的，将n
×
1024维的点云数据进行最大值池化，获得点云特征，具体方法为：对点云中的每一个点求最大值，将最大值作为该点的特征，所有点的特征集成为该点云的点云特征。
17.进一步的，构建并训练宽度学习网络的具体方法为：
18.构建宽度学习网络，宽度学习网络包括映射层、增强层和输出层；将点云特征作为输入，点云数据的真实分类标签作为标签，训练宽度学习网络，具体方法如下：
19.将点云数据输入训练好的深度学习网络，获取点云特征。
20.将点云特征输入稀疏自编码器，获取宽度学习网络映射层的模型参数，以及映射层的输出数据a1。
21.随机初始化增强层的模型参数，并将映射层的输出数据a1输入增强层，经过激活函数后，得到增强层的输出数据a2。
22.将映射层的输出数据a1和增强层的输出数据a2进行拼接，并利用真实分类标签y，计算输出层的网络权重w，完成宽度学习网络的训练。
23.进一步的，真实分类标签y为点云one-hot形式的真实分类标签。
24.进一步的，使用岭回归算法计算输出层的网络权重w。
25.有益效果：
26.1、本发明提出深度-宽度结合分类网络，包括用于提取点云特征的深度学习网络和分类点云特征的宽度学习网络两部分。考虑到三维点云数据无法直接输入宽度学习网络，需要经过其他方法提取点云特征后，才能进行宽度学习，因此将宽度学习网络拼接在深度学习网络之后，解决了深度学习网络结构复杂、计算量大、训练时间长的缺点以及宽度学习网络无法直接处理三维点云数据的缺点，实现简单、准确、快速的三维点云信息分类。
27.2、本发明提出基于深度-宽度结合分类网络的点云分类方法，应用于深度-宽度结合分类网络。在训练完深度学习网络和宽度学习网络后，将用于点云特征提取的深度学习网络与用于分类的宽度学习网络进行拼接，得到深度-宽度学习结合网络；将待分类点云数据输入深度-宽度学习结合网络，输出点云分类结果，实现简单、准确、快速的三维点云信息分类。
28.3、深度学习网络的训练中，将点云数据作为输入，经多层感知器网络进行特征升维，并由最大值池化层进行最大值池化，对点云特征进行有效提取。
29.4、宽度学习网络的训练中，将点云数据的真实分类标签作为标签，点云特征输入到映射层，接着进入增强层。将增强层和映射层的输出数据进行拼接，利用真实分类标签计算输出层的权重矩阵，完成训练。宽度学习网络结构简单、训练速度快、计算量小，能够对点
云特征进行快速、准确地分类，适用于计算能力受限或需要算法快速投入应用的场景。
30.5、宽度学习网络的训练中，宽度学习网络通过岭回归算法计算输出层的模型参数，即采用求取矩阵伪逆的方式进行训练，与深度学习网络相比，其训练速度更快。
31.6、本发明通过加强对宽度学习网络的训练，可以获取更高质量的点云特征，从而提高宽度学习网络的分类准确率。
附图说明
32.图1为本发明的方法流程图。
33.图2为基于pointnet深度学习模型的深度学习网络的结构图。
34.图3为深度-宽度结合分类网络的结构图。
具体实施方式
35.下面结合附图并举实施例，对本发明进行详细描述。
36.如图3所示，本发明提出了一种深度-宽度结合分类网络，包括用于提取点云特征的深度学习网络和分类点云特征的宽度学习网络两部分。
37.如图2所示，深度学习网络采用pointnet模型，包括顺次连接的多层感知器网络层和最大值池化层。宽度学习网络包括映射层、增强层和输出层；其中映射层的输出端连接至增强层和输出层，增强层的输出连接至输出层，输出层将映射层的输出数据和增强层的输出数据进行拼接后输出，作为三维点云分类系统的输出。
38.考虑到三维点云数据无法直接输入宽度学习网络，需要经过其他方法提取点云特征后，才能进行宽度学习，因此将宽度学习网络拼接在深度学习网络之后，解决了深度学习网络结构复杂、计算量大、训练时间长的缺点以及宽度学习网络无法直接处理三维点云数据的缺点，实现简单、准确、快速的三维点云信息分类。
39.如图1所示，本发明提出一种深度学习与宽度学习结合的三维点云分类方法，应用于如权利要求1的深度-宽度结合分类网络，具体步骤包括：
40.构建基于pointnet深度学习模型的深度学习网络，深度学习网络以点云数据作为输入，经多层感知器网络进行特征升维，并由最大值池化层进行最大值池化，输出点云特征。构建宽度学习网络，将点云特征作为输入，点云数据的真实分类标签作为标签，训练宽度学习网络。将用于点云特征提取的深度学习网络与用于分类的宽度学习网络进行拼接，得到深度-宽度学习结合网络；将待分类点云数据输入深度-宽度学习结合网络，输出点云分类结果。
41.如图2所示，深度学习网络具体的构建和训练方法为：
42.构建基于pointnet深度学习模型的深度学习网络。
43.将n
×
3维点云数据输入多层感知器网络进行特征升维，每层感知器网络的特征维数分别为64、128和1024，最终输出n
×
1024维的点云数据。n
×
3维点云数据是包含n个点，且每个点包含x、y、z三维空间直角坐标系坐标的点云数据。
44.将n
×
1024维的点云数据进行最大值池化，获得点云特征，完成深度学习网络的训练。最大池化的方法为：对点云中的每一个点求最大值，将最大值作为该点的特征，所有点的特征集成为该点云的点云特征。
45.宽度学习网络具体的构建和训练方法为：
46.构建宽度学习网络，宽度学习网络包括映射层、增强层和输出层；将点云特征作为输入，点云数据的真实分类标签作为标签，训练宽度学习网络，具体方法如下：
47.将点云数据输入训练好的深度学习网络，获取点云特征。
48.将点云特征输入稀疏自编码器，获取宽度学习网络映射层的模型参数，以及映射层的输出数据a1。
49.随机初始化增强层的模型参数，并将映射层的输出数据a1输入增强层，经过激活函数后，得到增强层的输出数据a2。
50.将映射层的输出数据a1和增强层的输出数据a2进行拼接，并利用真实分类标签y，使用岭回归算法计算输出层的网络权重w，即采用求取矩阵伪逆的方式进行训练，完成宽度学习网络的训练。
51.其中，真实分类标签y为点云one-hot形式的真实分类标签。宽度学习网络中的输出层权重为w＝(λi+a
t
a)-1at
y；其中，a＝[a
1 a2]，λ为一大于0且趋近于0的常数，i是单位矩阵。
[0052]
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。