(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111638594.5 (22)申请日 2021.12.2 9 (71)申请人 江苏大学 地址 212013 江苏省镇江市京口区学府路 301号 (72)发明人 刘慧　王秀丽　徐婕　沈跃　 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/762(2022.01) G06V 10/25(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于改进PointNet++神经网络的点云 目标分类方法 (57)摘要 本发明公开了一种基于改进PointNet++神 经网络的点云目标分类方法， 包括以下步骤： 步 骤1， 对点 云数据进行预处理， 利用统计滤波器滤 除噪声点、 离群点， 保留仅包含感兴趣区域的点 云团； 步骤2， 对上述步骤处理得到的感兴趣区域 点云团利用聚类 分割算法， 分割出彼此独立的单 个目标点云； 步骤3， 将步骤2中的点云输入到改 进的PointNet++神经网络模型中进行分类， 改进 的该网络通过增加特征提取层利用多层感知机 对输入的点 云进行特征提取， 再经过两层集合采 样层不断提取局部特征， 并在集合采样层中使用 距离特征函数加强近点的特征， 弱化较远点的干 扰， 最后通过最大池化层聚合所有特征信息获得 全局特征， 输出点云 分类结果。 权利要求书2页 说明书4页 附图2页 CN 114359632 A 2022.04.15 CN 114359632 A 1.一种基于改进PointNet++神经网络的点云目标分类方法， 其特征在于， 包括以下步 骤： 步骤1， 对点云数据进行预处理， 利用统计滤波器滤除噪声点、 离群点， 保留仅包含感兴 趣区域的点云团； 步骤2， 对上述步骤处理得到的感兴趣区域点云团利用聚类分割算法， 分割出彼此独立 的单个目标点云； 步骤3， 将步骤2中的点云输入到改进的PointNet++神经网络模型中进行分类， 改进的 该网络通过增加特征提取层利用多层感知机对输入的点云进 行特征提取， 再经过两层集合 采样层不断提取局部特征， 并在集合采样层中使用距离特征函数加强近点的特征， 弱化较 远点的干扰， 最后通过最大池化层聚合所有特 征信息获得全局特 征， 输出点云 分类结果。 2.根据权利要求书1所述的一种基于改进PointNet++神经网络的点云目标分类方法， 其特征在于： 所述 步骤1具体包括： 步骤1.1， 设定点云集合 通过K近邻搜索最近邻 点， 计算点到近 邻点的平均距离di； 步骤1.2， 计算点集的平均值 和标准差 其中di为各点 到与其最近点的平均距离， n 为点集中点的数目； 步骤1.3， 将所有点与领域距离比较， 若距离大于μ+λ σ( λ为标准差倍数)则标记为离群 点， 并将其移除， 否则保留。 3.根据权利要求1所述的一种基于改进PointNet++神经网络的点云目标分类方法， 其 特征在于： 所述 步骤2的具体过程 为： 步骤2.1， 基于步骤2得到的点云团数据， 使用具有噪声的基于密度的聚类DBSCAN方法 进行聚类分割， 设置领域 ε， 领域密度阈值Mi nPoints； 步骤2.2， 扫描全部数据点， 如果某个数据点R半径范围内点数目≧MinPoints， 则将其 纳入核心点列表， 并将其密度直达的点形成对应的临时聚类簇； 步骤2.3， 对于每一个临时聚类簇， 检查其中的点是否为核心点， 如果是将该点对应的 临时聚类簇和当前临时聚类簇合并， 得到新的临时聚类簇； 步骤2.4， 遍历该核心点的ε领域内的所有核心点， 重复步骤2.3的操作， 直到当前临时 聚类簇中的每一个点要么不在核心点列表， 要么其密度直达的点都已经在该临时聚类簇， 该临时聚类簇 升级成聚类簇； 步骤2.5， 继续对剩余的临时聚类簇进行相同的合并操作， 直到全部临时聚类簇被处 理， 最终得到彼此独立的单个目标点云。 4.根据权利要求书1所述的一种基于改进PointNet++神经网络的点云目标分类方法， 其特征在于： 所述的步骤3具体过程如下： 步骤3.1， 基于输入的点云数据， 在原PointNet ++神经网络中基础 上增加一层 特征提取 层， 利用多层感知机 MLP提取输入点云的所有特 征并保留； 步骤3.2， 输入点集N经采样层FPS(最远点采样)对子集降采样， 所选择的采样点构成了 分组层每 个局部区域的中心点；权　利　要　求　书 1/2 页 2 CN 114359632 A 2步骤3.3， 分组层再对采样层得到的点进行分组， 以中心点为圆心人工设定半径r， 通过 KNN近邻搜索周围近邻点构建局部区域 集； 步骤3.4， 设定PointNet层的输入为局部区域集， 将局部区域模式编码为特征向量获得 局部特征； 步骤3.5， 在进行采样层和分组层中使用加权函数来加强近点特征弱化远点干扰， 加权 函数公式如下： 其中α为加权函数参数， 当函数参数值增加或减少时， 对与 中心点更 近的点的特 征会分别增 加或减小； 步骤3.6， 依次重复步骤3.2， 3.3， 3.4的操作两次， 不断进行特征提取， 最后通过最大池 化层聚合所有特 征信息获得全局特 征， 输出点云 分类结果。权　利　要　求　书 2/2 页 3 CN 114359632 A 3