基于亲疏度矩阵的点云置换不变特征提取方法

摘要：

点云识别与分割在应用过程中通常需要提取空间旋转不变和置换不变的点云特征,PointCNN采用监督学习的方式来提取,但会产生额外的计算量,PointNet使用最大池化算子提取置换不变特征,且容易忽略点云的局部信息,导致识别准确率下降.提出一种基于亲疏度矩阵的新方法,将点云空间坐标映射到曲率特征空间,提取空间旋转不变特征.通过K邻域内的点集合构建基于欧式内积的亲疏度矩阵,对亲疏度矩阵特征值进行排序,并将对应的特征向量组成变换矩阵,从而变换点云特征,进行置换不变的点云特征卷积操作.在ModelNet40数据集上的实验结果表明,该方法的总体准确率和类别平均准确率分别为92.28％和88.80％,超过PointCNN等基于卷积的方法.此外,该方法通过代数计算的方式获得变换矩阵,可以提高模型训练的效率,且浮点运算数仅为36.6×106 frame/s,大幅降低了训练的复杂度.

关键词：点云、三维物体、旋转不变性、置换不变性、神经网络

所属期刊栏目：48

分类号：TP391.41(计算技术、计算机技术)

资助基金：浙江省自然科学基金;浙江省大学生创新创业训练计划项目;丽水市重点研发项目

在线出版日期：2022-06-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：243-250