【技術實現步驟摘要】
本專利技術涉及深度學習，特別是一種基于點云數據多維特征提取的智能分類方法及系統。
技術介紹
1、隨著三維傳感技術的發展，點云數據已廣泛應用于自動駕駛、機器人導航、3d重建等領域；點云數據作為三維空間的離散表達，能夠精確描述物體的幾何形狀和空間分布，因此在智能分類、目標識別中發揮著重要作用；傳統的點云數據處理方法通常依賴于基于幾何特征的提取與分類模型，這些方法雖能提供一定的精度，但由于點云數據的稀疏性、不規則性以及高維度特性，傳統方法在處理大規模點云數據時，存在計算復雜度高、特征提取不充分等問題；為此，結合深度學習的點云分類方法逐漸得到關注，其中多層感知器和卷積神經網絡等模型被引入，以增強對點云數據的自動特征提取和分類能力。
2、然而，現有技術在應對多尺度點云特征融合及分類時，仍然存在諸多不足；其一，現有方法缺乏對不同尺度下特征變化的自適應融合機制，導致特征表達能力不足；其二，傳統分類模型大多使用單一激活函數，無法有效結合不同類型特征的非線性關系，限制了模型的分類性能；其三，現有模型在處理高維特征時未充分引入注意力機制，難以聚焦于重要的特征維度或空間區域，導致分類精度的下降。
技術實現思路
1、鑒于上述現有存在的問題，提出了本專利技術。
2、因此，本專利技術提供了一種基于點云數據多維特征提取的智能分類方法解決點云數據分類精度不高問題。
3、為解決上述技術問題，本專利技術提供如下技術方案：
4、第一方面，本專利技術提供了一種基于點云數據多
5、作為本專利技術所述基于點云數據多維特征提取的智能分類方法的一種優選方案，其中：所述采集點云數據，將點云數據進行預處理，具體步驟為，
6、采集三維點云數據；
7、采用統計濾波進行去噪，通過體素網格濾波器進行下采樣。
8、作為本專利技術所述基于點云數據多維特征提取的智能分類方法的一種優選方案，其中：所述提取特征，并利用特征的相對變化率自適應融合，生成融合特征向量，具體步驟為，
9、使用主成分分析pca提取三維點云數據中的幾何特征；
10、基于三維點云數據中的反射強度，得到物理特征；
11、基于特征相對變化率的自適應，將提取到的幾何特征和物理特征進行融合，得到融合后的特征向量ff，表達式為：
12、
13、其中，z是歸一化因子，δgeo是幾何特征的相對變化率，δphy是物理特征的相對變化率，fgeo(i)是第i個幾何特征，fphy(j)是第j個物理特征，i是幾何特征的索引，j是物理特征的索引，m是物理特征的總數，n是幾何特征的總數。
14、作為本專利技術所述基于點云數據多維特征提取的智能分類方法的一種優選方案，其中：所述構建混合激活多層感知網絡模型，具體步驟為，
15、對多層隱藏層輸入融合后的特征向量，并進行線性變換，引入非線性能力，通過混合激活函數進行處理，得到激活結果f(x)，表達式為：
16、f(x)＝α×relu(x)+(1-α)×tanh(x)；
17、其中，α是自適應參數，relu(x)是激活函數，tanh(x)是雙曲正切激活函數，x是輸入數據；
18、基于激活結果，通過線性變換將激活結果映射到分類任務的類別空間中；
19、設定分類閾值，選擇類別空間中類別得分達到設定閾值的類別作為混合激活多層感知網絡模型預測結果；
20、使用交叉熵損失函數衡量混合激活多層感知網絡模型預測結果與真實類別標簽的差異；
21、通過adam優化算法優化混合激活多層感知網絡模型的參數。
22、作為本專利技術所述基于點云數據多維特征提取的智能分類方法的一種優選方案，其中：所述對原始點云數據進行多尺度處理，提取特征，通過拼接生成多尺度融合高維特征向量輸送到混合激活多層感知網絡模型中，具體步驟為，
23、將原始點云數據進行多尺度處理，并對每個尺度的點云數據進行幾何特征提取和物理特征提取，生成每個尺度的特征向量；
24、將不同尺度的特征向量進行拼接，生成多尺度融合高維特征向量；
25、將多尺度融合高維特征向量輸入到混合激活多層感知網絡模型進行多維特征處理，壓縮多尺度融合高維特征向量，輸出分類結果。
26、作為本專利技術所述基于點云數據多維特征提取的智能分類方法的一種優選方案，其中：所述引入注意力機制，作出分類決策，具體步驟為，
27、在混合激活多層感知網絡模型引入通道注意力機制和空間注意力機制；
28、通過通道注意力機制分析多尺度融合高維特征向量的不同通道，利用空間注意力機制突出多尺度融合高維特征向量最重要的空間區域，得到特征圖；
29、將特征圖輸入到混合激活多層感知網絡模型中，把多尺度融合高維特征向量壓縮成與類別空間中類別數相同的維度，生成類別概率；
30、設定概率閾值，選擇類別概率達到設定閾值的類別作為混合激活多層感知網絡模型最終預測結果。
31、作為本專利技術所述基于點云數據多維特征提取的智能分類方法的一種優選方案，其中：所述引入通道注意力機制和空間注意力機制，具體步驟為，
32、輸入多尺度融合高維特征向量，對多尺度融合高維特征向量的每個通道進行全局平均池化，得到每個通道的平均池化值；
33、對多尺度融合高維特征向量的每個通道進行全局最大池化，得到每個通道的最大池化值；
34、將平均池化值和最大池化值進行拼接，得到融合池化特征向量；
35、將融合池化特征向量輸入全連接層，生成通道注意力權重；
36、利用通道注意力權重對多尺度融合高維特征向量進行加權，生成加權多尺度融合高維特征圖；
37、輸入加權多尺度融合高維特征圖，并進行空間維度；
38、對加權多尺度融合高維特征圖的空間維度進行全局平均池化，生成全局平均池化空間圖；
39、對加權多尺度融合高維特征圖的空間維度進行全局最大池化，生成全局最大池化空間圖；
40、將全局平均池化空間圖和全局最大池化空間圖進行拼接，生成融合特征圖；
41、對融合特征圖進行卷積操作，得到空間注意力權重圖；
42、利用空間注意力權重圖對加權多尺度融合高維特征圖進行調整，得到最終的加權多尺度融合高維特征圖。
43、第二方面，本專利技術提供了一種基于點云數據多維特征提取的智能分類系統，包括，采集處理模塊、自適應融合模塊、構建模塊、多尺度處理模塊和決策模塊本文檔來自技高網...
【技術保護點】
1.一種基于點云數據多維特征提取的智能分類方法，其特征在于：包括，
2.如權利要求1所述的基于點云數據多維特征提取的智能分類方法，其特征在于：所述采集點云數據，將點云數據進行預處理，具體步驟為，
3.如權利要求2所述的基于點云數據多維特征提取的智能分類方法，其特征在于：所述提取特征，并利用特征的相對變化率自適應融合，生成融合特征向量，具體步驟為，
4.如權利要求3所述的基于點云數據多維特征提取的智能分類方法，其特征在于：所述構建混合激活多層感知網絡模型，具體步驟為，
5.如權利要求4所述的基于點云數據多維特征提取的智能分類方法，其特征在于：所述對原始點云數據進行多尺度處理，提取特征，通過拼接生成多尺度融合高維特征向量輸送到混合激活多層感知網絡模型中，具體步驟為，
6.如權利要求5所述的基于點云數據多維特征提取的智能分類方法，其特征在于：所述引入注意力機制，作出分類決策，具體步驟為，
7.如權利要求6所述的基于點云數據多維特征提取的智能分類方法，其特征在于：所述引入通道注意力機制和空間注意力機制，具體步驟為，<...
【技術特征摘要】
1.一種基于點云數據多維特征提取的智能分類方法，其特征在于：包括，
2.如權利要求1所述的基于點云數據多維特征提取的智能分類方法，其特征在于：所述采集點云數據，將點云數據進行預處理，具體步驟為，
3.如權利要求2所述的基于點云數據多維特征提取的智能分類方法，其特征在于：所述提取特征，并利用特征的相對變化率自適應融合，生成融合特征向量，具體步驟為，
4.如權利要求3所述的基于點云數據多維特征提取的智能分類方法，其特征在于：所述構建混合激活多層感知網絡模型，具體步驟為，
5.如權利要求4所述的基于點云數據多維特征提取的智能分類方法，其特征在于：所述對原始點云數據進行多尺度處理，提取特征，通過拼接生成多尺度融合高維特征向量輸送到混合激活多層感知網絡模型中，具體步驟為，
6.如權利要求5所述的基于點云數據多維特征提取的智能分類方法...
【專利技術屬性】
技術研發人員：吳海波，周翀，王思瑋，廖陳雪，
申請(專利權)人：武漢華源電力設計院有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。