设计应用

基于优化多视角图像采集的点云分类

作者：何瑞函1，2，蔡 勇1，2，张建生1，2
发布日期：2021-09-27
来源：2021年电子技术应用第10期

0 引言

    随着激光扫描技术的发展，点云作为最能表现物体三维特征的数据深受研究者热爱。深度学习、卷积神经网络(Convolutional Neural Network，CNN)[1-2]近几年引领计算机视觉领域的研究趋势，并且CNN网络在二维图像分类与识别上显得高效。点云在空间中的无序性、旋转不变性、非结构化数据，导致其不能直接作为CNN网络的输入[3]。因此，使用深度学习对点云进行研究的方法有3种：多视图[4]、体素法[5]、直接对点云[6-7]。

    基于二维多视角3D识别的方法，本文通过优化采集数据集的方式提升CNN神经网络[8]的分类效果。本文对点云模型进行不同视角投影，得到多组2D图像数据集。首先用多个VGG16卷积模型[9-10]提取单独视角数据集，得到多个映射了图像特征的卷积神经网络模型；然后将多个包含特征的VGG16模块加上自定义层后“并联”连接分类层作为分析网络模型，混合视角图像数据集作为网络输入；最后通过分析多个特征提取模块的权重，优化多视角图像的采集密度，提升二维多视角3D识别效率，即分类效果。




本文详细内容请下载：http://www.chinaaet.com/resource/share/2000003788。




作者信息：

何瑞函1，2，蔡  勇1，2，张建生1，2

(1.西南科技大学 制造科学与工程学院，四川 绵阳621010；

2.制造过程测试技术省部共建教育部重点实验室，四川 绵阳621010)




wd.jpg

此内容为AET网站原创，未经授权禁止转载。
三维点云 多视角图像 卷积神经网络 图像分类

Copyright © 2005-2024 华北计算机系统工程研究所版权所有 京ICP备10017138号-2

Baidu
map