一种基于胶囊网络的三维实景目标智能识别方法与流程

摘要: 本发明涉及计算机视觉,尤其涉及一种基于胶囊网络的三维实景目标智能识别方法。背景技术:1、随着三维实景空间数据采集精度的提升与规模的扩大,三维目标智能识别在海量高...
一种基于胶囊网络的三维实景目标智能识别方法与流程

本发明涉及计算机视觉,尤其涉及一种基于胶囊网络的三维实景目标智能识别方法。

背景技术:

1、随着三维实景空间数据采集精度的提升与规模的扩大,三维目标智能识别在海量高密度点云数据的精确特征表达与实时姿态解算方面面临着严峻的算力与精度挑战。现有的三维目标识别算法,如基于点云体素化或常规图卷积网络的识别框架,虽然利用局部三维坐标的几何邻域关系提升了特征提取效率,但主要依赖于欧氏空间中的固定半径搜索或k近邻规则进行图结构构建。这种单纯基于欧氏距离的规则构图方法忽略了点云数据中隐含的局部流形稀疏度分布特征以及全局非欧几里得拓扑不变量(如拓扑陈数),导致在特征聚合时发生复杂几何结构的流形投影失真,从而限制了三维实景目标在非规则空间与噪声干扰下的识别鲁棒性。此外,经典的三维目标位姿估计网络通常难以将高层语义特征严格映射至特殊欧几里得群流形空间进行李代数基底解耦,且常规的动态路由策略无法有效利用期望最大化算法优化高斯分布参数,导致在处理复杂遮挡与多视角变换场景时往往产生严重的姿态预测偏差,增加了空间坐标映射的累积误差。

2、因此,如何提供一种基于胶囊网络的三维实景目标智能识别方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明提出了一种基于胶囊网络的三维实景目标智能识别方法,通过基于局部流形稀疏度构建非欧几里得拓扑图结构,融合势能自适应搜索与迭代拓扑剪枝执行统计映射与几何加权计算,提取包含拉普拉斯矩阵频谱特征与拓扑陈数的高维拓扑不变量,并基于此构建非互易方向性聚合权值。将非互易方向性聚合权值作为流形投影滤波约束嵌入自适应线性重构网络,通过对空间姿态预测向量集合执行期望最大化路由迭代更新高斯分布参数,利用基底解耦将高层父级胶囊的分布参数映射至特殊欧几里得群流形空间。本发明通过建立从非欧拓扑特征度量到流形空间位姿解算的闭环反馈通路,有效消除了特征聚合过程中的结构失真与位姿累积误差,确保生成的实体胶囊参数集合能够动态保持三维实景目标的高阶拓扑特征,实现了在提升复杂场景鲁棒性的同时增强目标类别解析与空间坐标映射精度的技术效果。本发明克服了传统方法结构关联难、位姿解算偏差大及忽略拓扑流形约束的局限,为三维实景目标智能识别提供了高效解决方案。

2、根据本发明实施例的一种基于胶囊网络的三维实景目标智能识别方法,具体包括:

3、s1、依据局部流形稀疏度构建非欧几里得拓扑图结构,融合势能自适应搜索与迭代拓扑剪枝执行统计映射与几何加权计算,并通过非局域关联增强特征的全局感知,输出图邻接关系矩阵及节点特征向量;

4、s2、基于图邻接关系矩阵及节点特征向量计算拉普拉斯矩阵频谱特征与拓扑陈数及非互易方向性聚合权值,执行流形投影滤波与自适应线性重构,输出初级胶囊向量集合;

5、s3、基于初级胶囊向量集合提取时空流形演化特征,执行非线性映射与几何拓扑修正,通过特征一致性约束优化全局误差极小值,输出空间姿态预测向量集合;

6、s4、基于空间姿态预测向量集合执行期望最大化路由迭代更新高斯分布参数直至收敛,输出高层父级胶囊的分布参数、耦合系数及类别索引;

7、s5、将高层父级胶囊的分布参数映射至特殊欧几里得群流形空间,通过基底解耦提取旋转矩阵与平移向量,融合类别索引与耦合系数,生成实体胶囊参数集合;

8、s6、基于实体胶囊参数集合计算流形模长并生成识别置信度得分,利用累积比率指标的变分极值锁定分割边界,基于对数空间曲率解析拟合动态阈值并筛选有效实体胶囊;

9、s7、基于有效实体胶囊的类别标签、旋转矩阵及平移向量,分别解析目标类别、空间姿态与坐标映射,经特征融合输出三维实景目标智能识别结果。

10、可选的,所述s1具体包括:

11、s11、基于原始三维实景数据集,计算空间坐标的统计均值与方差,基于所述统计均值与所述方差执行零均值归一化处理,将归一化后的坐标映射为节点位置,输出初始节点坐标集;

12、s12、基于所述初始节点坐标集执行势能自适应搜索,计算点云局部的密度梯度与信息熵梯度以构建势能场,基于所述势能场的统计分布特征与梯度向量动态调整搜索半径;通过迭代更新使邻域搜索范围收敛至几何特征分布稳定状态,基于收敛后的搜索半径划定球形区域检索邻域点,输出邻域索引集;

13、s13、基于所述初始节点坐标集与所述邻域索引集,执行迭代拓扑剪枝,计算节点间的相对几何向量及法向量点积,基于所述相对几何向量及所述法向量点积构建边权重分布;计算边权重累积值与连接度,基于边权重累积值与连接度计算动态剪枝阈值,当边权重累积值超过动态剪枝阈值时,剔除当前连接并更新边权重分布,直至图结构收敛于稳态,基于稳态下的边权重分布生成稀疏格式的图邻接关系矩阵;

14、s14、基于所述初始节点坐标集提取节点自身坐标作为参考中心点,计算所述初始节点坐标集中的节点坐标与所述参考中心点的欧氏距离,利用所述欧氏距离执行负指数幂运算并归一化,输出节点特征向量。

15、可选的,所述势能自适应搜索具体包括:

16、基于所述初始节点坐标集,计算全局点云平均间距,将所述全局点云平均间距设定为基础邻域搜索半径;构建节点局部空间统计窗口,基于所述节点局部空间统计窗口计算空间点分布概率密度及所述空间点分布概率密度的空间一阶导数;

17、基于所述空间点分布概率密度的空间一阶导数确定密度梯度向量,计算所述空间点分布概率密度的信息熵参数,基于所述信息熵参数计算熵梯度向量;基于所述密度梯度向量与所述熵梯度向量执行向量加权求和,输出节点势能场强度分布集及所述密度梯度向量;

18、基于所述节点势能场强度分布集,提取各节点的势能场强度数值,计算所述势能场强度数值序列的统计均值与统计方差;基于所述统计均值与所述统计方差计算各节点数值的偏差绝对值;

19、利用所述统计方差对所述偏差绝对值执行归一化运算获得归一化偏差比率;基于所述归一化偏差比率执行非线性映射计算动态缩放因子,利用所述动态缩放因子对所述基础邻域搜索半径执行乘性修正,输出自适应邻域搜索半径集;

20、基于所述自适应邻域搜索半径集与所述初始节点坐标集,以各目标节点为中心划定动态球形搜索区域,检索所述动态球形搜索区域内的候选邻域点坐标;基于所述候选邻域点坐标计算局部几何特征分布熵;

21、基于所述局部几何特征分布熵判定搜索区域收敛状态,若未达到收敛状态,基于所述密度梯度向量计算半径调整增量,利用所述半径调整增量更新所述自适应邻域搜索半径集中的当前数值,并返回执行动态球形搜索区域划定步骤,直至满足收敛条件,输出邻域索引集。

22、可选的,所述迭代拓扑剪枝具体包括:

23、基于所述初始节点坐标集与所述邻域索引集,拟合局部平面计算节点法向量;计算节点间的坐标差值以获得相对几何向量,计算节点法向量的内积以获得法向量点积;执行所述相对几何向量的模长数值与所述法向量点积数值的乘积映射运算,输出初始边权重分布集;

24、基于所述初始边权重分布集,计算各节点关联边的权重总和以获得边权重累积值,统计各节点的邻居数量以获得节点连接度;计算所有节点的所述边权重累积值的统计均值,利用所述节点连接度与所述统计均值执行乘性运算获得动态剪枝阈值集;

25、基于所述初始边权重分布集与所述动态剪枝阈值集,比对各节点的所述边权重累积值与所述动态剪枝阈值集对应的数值,以剔除对应的边连接,获得更新后的图拓扑结构;

26、获取上一轮迭代的非零边元素数量,计算所述更新后的图拓扑结构的非零边元素数量与所述上一轮迭代的非零边元素数量的差值以获得变化量,基于所述上一轮迭代的非零边元素数量构建动态收敛阈值,当所述变化量落入所述动态收敛阈值时输出稳态下的图邻接关系矩阵。

27、可选的,所述s2具体包括:

28、s21、基于图邻接关系矩阵计算节点度分布并构建图拉普拉斯矩阵,对图拉普拉斯矩阵执行特征值分解提取特征值序列与特征向量矩阵,基于特征值序列计算频谱密度分布,基于频谱密度分布提取主频带能量并聚合为拉普拉斯矩阵频谱特征,输出拉普拉斯矩阵频谱特征与特征向量矩阵;

29、s22、基于特征向量矩阵计算节点间的复数相位差分以构建局部方向流向量场,基于局部方向流向量场在节点邻域环路上的线积分计算环路相位环绕数,对环路相位环绕数执行全局聚合求和运算,输出拓扑陈数;

30、s23、基于拉普拉斯矩阵频谱特征计算频带能量衰减系数,基于拓扑陈数计算非互易方向偏置因子,基于频带能量衰减系数与非互易方向偏置因子执行非线性映射与归一化运算,输出非互易方向性聚合权值;

31、s24、基于所述非互易方向性聚合权值及所述节点特征向量,计算所述节点特征向量的流形边缘投影系数与体态能量衰减因子,利用所述流形边缘投影系数与所述体态能量衰减因子执行特征定向增强与高斯噪声抑制,输出拓扑鲁棒特征集;

32、s25、基于所述拓扑鲁棒特征集,计算特征通道的统计均值与方差,基于所述统计均值与所述方差执行标准化缩放处理,基于通过梯度下降优化学习获得的自适应线性变换参数执行线性映射运算,输出线性投影特征向量;

33、s26、基于所述线性投影特征向量,计算向量维度的方向参数与模长参数,基于所述方向参数与所述模长参数执行向量拼接与非线性激活,输出初级胶囊向量集合。

34、可选的,所述s3具体包括:

35、s31、基于初级胶囊向量集合计算特征分量的时空梯度模长,利用一阶差分迭代运算模拟动态响应过程并提取脉冲触发特征;

36、s32、计算所述脉冲触发特征的统计中位数作为二值化判定阈值,通过执行所述二值化判定阈值的筛选与双曲正切函数变换输出空间姿态预测向量集合;

37、s33、对所述空间姿态预测向量集合执行聚类运算获得向量聚类中心,计算所述向量聚类中心的几何偏置参数,基于所述几何偏置参数执行平移变换以修正预测坐标,输出修正姿态向量集合;

38、s34、基于修正姿态向量集合构建向量的互补特征编码,利用距离相似度准则计算预测向量对的匹配紧密度;

39、s35、基于所述匹配紧密度执行迭代优选搜索,锁定全局误差最小的收敛状态,基于所述收敛状态执行加权聚合,输出空间姿态预测向量集合。

40、可选的,所述s4具体包括:

41、s41、基于所述空间姿态预测向量集合执行聚类初始化获得初始父级胶囊的高斯分布参数;基于所述空间姿态预测向量集合与当前父级胶囊的高斯分布参数,计算初级胶囊与父级胶囊之间的对数似然概率,基于所述对数似然概率执行指数变换与归一化处理,输出后验耦合概率矩阵;

42、s42、基于所述后验耦合概率矩阵与所述空间姿态预测向量集合,计算加权聚合的均值统计量与协方差统计量,利用所述加权聚合的均值统计量与所述协方差统计量更新高斯分布参数,输出迭代后的高斯分布参数;

43、s43、基于所述迭代后的高斯分布参数,计算参数变化的欧氏距离范数,利用所述欧氏距离范数判定聚类收敛状态,若满足收敛条件则锁定参数,输出高层父级胶囊的分布参数、耦合系数及类别索引。

44、可选的,所述s5具体包括:

45、s51、基于高层父级胶囊的分布参数与特殊欧几里得群流形空间的切空间结构,计算流形测地线距离的梯度下降方向,基于所述梯度下降方向执行指数映射运算,将统计均值向量投影至流形表面,输出流形均值参数;

46、s52、基于所述流形均值参数的李代数表示,计算反对称矩阵的向量基元,利用所述向量基元构建旋转基底与平移基底,基于所述旋转基底与所述平移基底执行基底解耦映射,输出旋转矩阵与平移向量;

47、s53、基于所述旋转矩阵、所述平移向量及类别索引,计算类别标签的独热编码分布,基于所述独热编码分布、耦合系数、所述旋转矩阵及所述平移向量执行序列化打包,输出实体胶囊参数集合。

48、可选的,所述s6具体包括:

49、s61、基于实体胶囊参数集合中各实体胶囊的旋转矩阵与平移向量,计算各实体胶囊在流形切空间的向量模长,利用耦合系数对所述向量模长执行点积加权,输出识别置信度得分集合;

50、s62、基于所述识别置信度得分集合,计算统计矩并构建累积比率判定指标,通过追踪所述累积比率判定指标的数值变化率锁定分割边界特征点,利用所述分割边界特征点进行对数空间坐标变换并解析曲率极值点,输出动态筛选阈值;

51、s63、将所述识别置信度得分集合中的各数值与所述动态筛选阈值执行数值比对,筛选大于所述动态筛选阈值对应的数据记录,输出有效实体胶囊。

52、可选的,所述s7具体包括:

53、s71、基于有效实体胶囊的类别标签,计算目标对象的语义属性概率分布,利用所述语义属性概率分布执行最大似然估计,输出目标类别判定结果;

54、s72、基于有效实体胶囊的旋转矩阵,计算空间坐标系的基底变换映射,利用所述旋转矩阵与所述基底变换映射执行刚体变换对齐,输出目标空间姿态参数;

55、s73、基于有效实体胶囊的平移向量,计算三维场景的全局坐标映射偏移量,基于所述目标空间姿态参数与所述全局坐标映射偏移量执行坐标系融合,输出三维实景目标智能识别结果。

56、本发明的有益效果是:

57、(1)本发明通过构建势能自适应搜索与迭代拓扑剪枝流程,实现了三维点云局部几何特征与全局拓扑不变量的深度解耦与稳态化表征。利用局部流形稀疏度动态调整邻域搜索半径,计算密度梯度与信息熵梯度构建节点势能场,结合法向量点积与边权重累积值执行动态剪枝,生成稀疏格式的非欧几里得拓扑图结构。基于图拉普拉斯矩阵频谱密度分布与局部方向流向量场环路积分,提取主频带能量并聚合为拉普拉斯矩阵频谱特征,计算获得拓扑陈数并输出非互易方向性聚合权值。结合流形边缘投影系数与体态能量衰减因子执行特征定向增强与高斯噪声抑制,输出拓扑鲁棒特征集并重构为初级胶囊向量集合。构建非欧几里得拓扑图结构将离散无序点云转换为具备严格非欧几何约束的连续拓扑特征空间,完美滤除了原始测量数据中的冗余连接与结构噪声,提供了同时具备高阶拓扑不变性与非互易方向感知能力的高质量胶囊特征输入。

58、(2)本发明通过采用期望最大化路由迭代与特殊欧几里得群流形空间解耦算法,建立了物理引导的特征演化与几何位姿闭环校验体系。时空流形演化层基于特征分量的时空梯度模长与一阶差分迭代运算提取脉冲触发特征,利用双曲正切函数变换与聚类中心几何偏置参数修正预测坐标,输出空间姿态预测向量集合。期望最大化路由模块基于对数似然概率与后验耦合概率矩阵计算加权聚合的均值统计量与协方差统计量,迭代更新高斯分布参数直至收敛。特殊欧几里得群流形映射层利用梯度下降方向执行指数映射运算,基于流形均值参数的李代数表示计算反对称矩阵向量基元,执行基底解耦映射提取旋转矩阵与平移向量。置信度筛选层基于流形切空间的向量模长与耦合系数点积加权生成识别置信度得分,利用累积比率判定指标的变分极值与对数空间曲率极值点拟合动态筛选阈值,精准锁定有效实体胶囊。期望最大化路由迭代与特殊欧几里得群流形空间解耦算法通过时空演化约束、流形测地线投影与变分极值动态阈值筛选,实现了从特征空间到位姿物理空间的多维度参数优化,确保输出的三维实景目标智能识别结果对复杂遮挡与多视角变换具有极高的空间姿态解析精度。