基于優化多視角圖像采集的點云分類
2021年電子技術應用第10期
何瑞函1，2，蔡 勇1，2，張建生1，2
1.西南科技大學 制造科學與工程學院，四川 綿陽621010； 2.制造過程測試技術省部共建教育部重點實驗室，四川 綿陽621010
摘要： 基于二維多視角3D識別方法中，可使用多個2D投影圖表示三維模型特征信息，但不同視角投影圖像的特征不同，神經網絡對其學習效率也有所差異。卷積神經網絡能夠映射圖像的特征，可用此方法分析這個問題。混合視角數據集分析不同視角投影特征在卷積神經網絡中的重要性，根據重要性的不同優化混合視角數據集的采集密度。最終實驗結果表明，不同視角產生的二維圖像分類準確率不一樣，其中俯視角度投影的分類準確率最差，優化后的數據集在相同神經網絡模型下達到了最優分類準確率。
中圖分類號： TP391.7
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.200892
中文引用格式： 何瑞函，蔡勇，張建生. 基于優化多視角圖像采集的點云分類[J].電子技術應用，2021，47(10)：82-85.
英文引用格式： He Ruihan，Cai Yong，Zhang Jiansheng. Point cloud classification based on optimized multi-view image acquisition[J]. Application of Electronic Technique，2021，47(10)：82-85.
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.200892
中文引用格式： 何瑞函，蔡勇，張建生. 基于優化多視角圖像采集的點云分類[J].電子技術應用，2021，47(10)：82-85.
英文引用格式： He Ruihan，Cai Yong，Zhang Jiansheng. Point cloud classification based on optimized multi-view image acquisition[J]. Application of Electronic Technique，2021，47(10)：82-85.
Point cloud classification based on optimized multi-view image acquisition
He Ruihan1，2，Cai Yong1，2，Zhang Jiansheng1，2
1.School of Manufacturing Science and Engineering，Southwest University of Science and Technology，Mianyang 621010，China； 2.Key Laboratory of Testing Technology for Manufacturing Process，Mianyang 621010，China
Abstract： In the 3D recognition method based on 2D multi-perspective, multiple 2D projected images can be used to represent the feature information of 3D model. However, the features of projected images from different perspectives are different, and the learning efficiency of the neural network is also different. The convolutional neural network can map the features of images, and this method can be used to analyze this problem. The importance of projection features of different perspectives in the convolutional neural network was analyzed in the mix-view data set, and the collection density of the mix-view data set was optimized according to the different importance. The final experimental results show that the classification accuracy of 2D images generated from different perspectives is different, among which the classification accuracy of overhead projection is the worst, and the optimized data set achieves the optimal classification accuracy in the same neural networks model.
Key words : 3D point cloud；multi-view image；convolution neural network；image classification
0 引言
隨著激光掃描技術的發展，點云作為最能表現物體三維特征的數據深受研究者熱愛。深度學習、卷積神經網絡(Convolutional Neural Network，CNN)[1-2]近幾年引領計算機視覺領域的研究趨勢，并且CNN網絡在二維圖像分類與識別上顯得高效。點云在空間中的無序性、旋轉不變性、非結構化數據，導致其不能直接作為CNN網絡的輸入[3]。因此，使用深度學習對點云進行研究的方法有3種：多視圖[4]、體素法[5]、直接對點云[6-7]。
基于二維多視角3D識別的方法，本文通過優化采集數據集的方式提升CNN神經網絡[8]的分類效果。本文對點云模型進行不同視角投影，得到多組2D圖像數據集。首先用多個VGG16卷積模型[9-10]提取單獨視角數據集，得到多個映射了圖像特征的卷積神經網絡模型；然后將多個包含特征的VGG16模塊加上自定義層后“并聯”連接分類層作為分析網絡模型，混合視角圖像數據集作為網絡輸入；最后通過分析多個特征提取模塊的權重，優化多視角圖像的采集密度，提升二維多視角3D識別效率，即分類效果。
本文詳細內容請下載：http://m.viuna.cn/resource/share/2000003788。
作者信息：
何瑞函1，2，蔡 勇1，2，張建生1，2
(1.西南科技大學 制造科學與工程學院，四川 綿陽621010；
2.制造過程測試技術省部共建教育部重點實驗室，四川 綿陽621010)
此內容為AET網站原創，未經授權禁止轉載。