基于图卷积神经网络的目标点云分类算法研究

发布时间：2021-02-15 20:41

　　本课题研究对象为三维点云分类任务,研究目的为通过实现点云分类来验证基于图卷积的点云特征提取算法的可行性和有效性。三维目标分类作为三维感知领域的基础任务,可以通过实现该任务来验证三维目标特征提取算法的有效性,并且能够将该特征提取算法应用到三维感知领域其他任务上,例如分割和重建。本课题考虑到当前大部分空间信息采集设备均以点云数据格式提供三维目标的空间信息,因此选择三维目标的点云数据作为本课题分类任务的处理对象。针对三维点云分类任务,传统算法的缺陷在于只能通过匹配特征库来判断点云类别,所选特征的准确性和特征库的完备性将直接影响分类性能;机器学习算法的缺陷在于仍使用人工设计的点云特征,固定的特征计算方法限定了算法的泛化能力;当前深度学习算法均是通过修改用于处理规则数据的卷积操作来提取不规则点云数据的特征,算法未能完全契合点云数据特点,泛化能力不强。本课题通过分析点云特征提出一种基于图卷积的端到端点云分类网络实现对仅携带空间位置信息的单一模型点云的分类任务。本课题针对点云的无序性、点云的旋转不变性和点云的稀疏性三大特点,提出了如下解决方法:（1）整体网络架构借鉴二维图像卷积神经网络;（2）基于图... 

【文章来源】：北方工业大学北京市

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

旋转图像法

第一章绪论8（局部参考系），然后将局部曲面绕局部参考系的三轴旋转给定角度，分别投影到XOY、XOZ、YOZ坐标平面上，最后计算有关投影点分布的统计信息，以直方图形式表示，形成最终特征描述符（如图1-2）。图1-2旋转投影统计方法基于几何属性直方图的局部特征点云分类方法有：PFH，点特征直方图法[11]，由Rusu于2008年提出。该方法先计算特征点的K近邻点的集合内（包括特征点本身）任意两个节点的法线相对偏差，然后通过直方图的形式来表示以该特征点为中心的点云局部特征（如图1-3）。因为计算节点间的法线相对偏差，所以该方法满足旋转平移不变性，对噪声和采样密度鲁棒。但是此方法计算量大，对具有n个点的点云，其PFH理论计算复杂度为O(nK2)，其中k为每个查询点的最近邻点数。图1-3点特征直方图法

第一章绪论8（局部参考系），然后将局部曲面绕局部参考系的三轴旋转给定角度，分别投影到XOY、XOZ、YOZ坐标平面上，最后计算有关投影点分布的统计信息，以直方图形式表示，形成最终特征描述符（如图1-2）。图1-2旋转投影统计方法基于几何属性直方图的局部特征点云分类方法有：PFH，点特征直方图法[11]，由Rusu于2008年提出。该方法先计算特征点的K近邻点的集合内（包括特征点本身）任意两个节点的法线相对偏差，然后通过直方图的形式来表示以该特征点为中心的点云局部特征（如图1-3）。因为计算节点间的法线相对偏差，所以该方法满足旋转平移不变性，对噪声和采样密度鲁棒。但是此方法计算量大，对具有n个点的点云，其PFH理论计算复杂度为O(nK2)，其中k为每个查询点的最近邻点数。图1-3点特征直方图法

【参考文献】：
期刊论文
[1]基于移动激光扫描点云特征图像和SVM的建筑物立面半自动提取方法[J]. 彭晨,余柏蒗,吴宾,吴健平.  地球信息科学学报. 2016(07)
[2]利用随机森林的城区机载LiDAR数据特征选择与分类[J]. 孙杰,赖祖龙.  武汉大学学报(信息科学版). 2014(11)
[3]顾及空间上下文关系的JointBoost点云分类及特征降维[J]. 郭波,黄先锋,张帆,王晏民.  测绘学报. 2013(05)
[4]实时高精度地图匹配技术的研究与实现[J]. 柳林,李万武,王志余,田雨.  测绘科学. 2010(05)



本文编号：3035504