一种面向3D点云识别的新型卷积神经网络∗

陈 盟 陈兴华 邹 鹏

（南京理工大学计算机科学与技术学院 南京 210094）

1 引言

无人平台环境感知与理解是人工智能研究领域的重点和难点。激光雷达凭借其探测距离远、精度高和抗干扰能力强等优点，得到广泛使用，其主要是利用光的收发时间差来获得被反射物体的相对方位角和距离。这种对周围环境物体表面稀疏采样点的数据集合称为点云。点云识别的研究存在三个重点问题：点云具有无序性、稀疏性和浮动性。由于卷积神经网络对于图像、点云等局部强关联特征提取的高效性，对语义信息抽象能力的优越性，广泛应用于环境感知任务中。在KITTI、Model⁃Net40和ShapeNet等点云数据集上，基于深度学习的检测算法均处于主导地位。

本文重点研究ModelNet40点云数据集的目标多分类任务。通过对点云三维空间位置进行球坐标下竖直与水平方向上的角度索引编码，把点云转换为紧密二维多通道点特征图。作为卷积神经网络的输入，以此解决点云无序性和浮动性的问题；设计的新型卷积神经网络，使用单点微型感知机对数据缺失空洞的鲁棒性进行点云局部特征抽象提高，并且使用跳跃连接结构进行不同层次间的特征补充，对点云进行多层次特征的提取与融合；最后使用提取出的全局特征实现点云分类，并且与当前主流方法进行实验对比。

2 点云特征图

点云处理与识别技术的发展可以概括为人为提取特征、经典机器学习和深度学习三个阶段。……