采用朴素贝叶斯算法对雷达点云数据进行分类，先构建kd树对点云领域进行搜寻，后提取点云的法向量、残差、主成分及高程差作为朴素贝叶斯算法的参数，运行程序可得到分类结果图。 （1）主程序为Classify.m （2）../data里为txt格式的训练样本与测试样本点云数据。

modelNet40、ModelNet10、以及ModelNet_resample和modelNet_hdf5等四种数据集

由于激光点云数据的无序性、离散性、稀疏性，基于深度学习的三维点云数据的特征提取具有一定难度。针对目前局部信息提取不充分，区域信息的合并有限的问题，提出了一种基于层级边缘卷积的点云分类网络，用于三维视觉中点云模型识别任务。本文采用层级结构的思想，通过层级几何信息模块对特征进行有效提取和归纳。对于每个层级几何信息提取模块，首先对点云模型进行下采样并构建局部区域，对每个局部区域中点与点之间的距离和特征进行建模，获得局部区域的几何信息，最后聚合多个采样点的局部结构特征。实验结果表明，本算法在ModelNet40数据集上的识别准确率为91.5%。与已有的三维点云模型识别分类算法相比，本文算法能够更充分地提取局部信息，进一步提高三维点云模型分类的准确率

针对PointNet模型只针对孤立点提取特征信息,而对邻域结构的信息提取能力不足的问题,提出基于图卷积网络的三维点云分类分割模型GraphPNet。首先将三维点云转换成无向图结构,利用该图结构得到点云的邻域信息,通过将邻域信息与单个点信息融合的方式提高分类与分割的准确率。在分类实验中,本文在ModelNet40数据集上进行训练与测试,并且与3D ShapeNets、VoxNet、PointNet模型的分类精度进行比较,其分类精度优于这些模型。在分割实验中,使用ShapeNet数据集进行训练与测试,并且与PointNet模型等分割模型得到的平均交并比(mIoU)值进行比较,验证了GraphPNet在分割实验中的有效性。

1.支持地面式（机载）点云的处理，支持彩色点云。点云格式支持（ply）格式。 2.自动提取点云的特征，r,g,b,反射强度，以及Spin图特征。 3.基于机器学习的算法,SVM，RF等算法，后续可集成其他算法。 4.基于条件随机场的点云分类结果优化。 5.主程序为Classify_run.m，包括一个标记真值的样例数据供参考。Classify_PointCloud\data_dhq\dhq_train.ply

有关完整说明，请参阅 README.md 文件。 这是使用 3D 修正 Fisher Vectors 训练点云分类网络的 MATLAB 代码。 这项工作在西班牙马德里的 IROS 2018 上展出，并发表在机器人和自动化快报。 现代机器人系统通常配备直接 3D 数据采集设备，例如 LiDAR，可提供丰富的周围环境 3D 点云表示。 这种表示通常用于避障和映射。 在这里，我们提出了一种将点云用于另一个关键机器人能力的新方法，即对环境的语义理解（即对象分类）。 卷积神经网络 (CNN) 在 2D 图像中的对象分类方面表现非常出色，但不容易扩展到 3D 点云分析。 由于点云的不规则格式和不同数量的点，这并不简单。 将点云数据转换为3D体素网格的常见解决方案需要解决严重的精度与内存大小的权衡问题。 在本文中，我们提出了一种新颖、直观可解释的 3D 点云表示，称为 3D Modified Fi

点云形状分类和分割CurveNet模型复现，包含数据的完整项目

已有基于深度学习的机载激光雷达点云分类方法存在训练时间长、对样本数据需求量较大等问题,无法广泛应用于不同情况下的复杂场景。针对该问题,提出了一种基于迁移学习的小样本机载激光雷达点云分类方法。该方法首先对机载激光雷达点云进行光谱信息的补充,通过提取点云数据的归一化高度、强度值和植被指数特征构建三通道点云特征图;通过设置不同的邻域大小和投影方向,生成多尺度和多投影特征图,并基于迁移学习方法进行多尺度、多投影的深层特征提取。针对上述提取的深层次特征,利用池化操作提取全局特征,并采用卷积神经网络进行初步分类,然后利用图割全局优化策略实现机载激光雷达点云的高精度分类。采用国际摄影测量与遥感协会提供的标准测试数据集对所提方法进行验证。与该协会网站上已公布的分类结果以及同样采用迁移学习方法的分类结果相比,所提方法在仅使用训练集中约0.6%的数据作为训练样本的情况下,总体分类精度可以达到94.9%,分类精度最高。

PointNet是三维点云分类中具有代表性的研究成果,该模型开创性地利用深度学习模型对点云进行分类,取得了较好的效果。但是PointNet模型只考虑点云的全局特征而忽略每个点的局部信息,为弥补这个缺陷,提出基于图卷积网络的点云分类模型。在PointNet模型中插入一个kNN graph层,通过在点云空间构造k近邻图,利用图结构有效地获取点云的局部信息,从而提高整体点云分类准确率。分类实验在ModelNet40数据集上进行,对比不同近邻值k对输出精度的影响,结果表明在k取20时,分类准确率最高,达到了93.2%,比PointNet高4.0%。

terrasolid分类各算法及其含义