一种基于分割结果实现三维点云分类的方法

针对现有点云分类方法忽略了同类点云的整体语义与每个点的单体语义相同的特点导致分类精度较低,鲁棒性较差,无法有效识别存在局部缺失的点云的问题,提出一种用于三维点云全自动分类的深度神经网络.采用局部代替整体的思想,设计一种识别结果筛选机制(IRS机制),构建IRS-PointNet++网络模型.该网络对每个点的分类结果进行二次统计筛选,在分类结果的基础上重新对点云的类别进行判定.通过在ModelNet40数据集上进行点云分类对比实验,设置不同的采样点数量与迭代次数,IRS-PointNet++的整体分类精度可达97.28％,相比现有最优方法提高了 5.58％;在点云稀少的情况下,精度高于现有方法;在点云存在部分缺失的情况下,PointNet++会出现失效的情况,IRS-PointNet++的精度仍可以达到84.48％.实验结果表明:和现有方法相比,IRS-PointNet++网络表现出更高的精度和更强的鲁棒性.