本课题研究对象为三维点云分类任务,研究目的为通过实现点云分类来验证基于图卷积的点云特征提取算法的可行性和有效性。三维目标分类作为三维感知领域的基础任务,可以通过实现该任务来验证三维目标特征提取算法的有效性,并且能够将该特征提取算法应用到三维感知领域其他任务上,例如分割和重建。本课题考虑到当前大部分空间信息采集设备均以点云数据格式提供三维目标的空间信息,因此选择三维目标的点云数据作为本课题分类任务的处理对象。针对三维点云分类任务,传统算法的缺陷在于只能通过匹配特征库来判断点云类别,所选特征的准确性和特征库的完备性将直接影响分类性能;机器学习算法的缺陷在于仍使用人工设计的点云特征,固定的特征计算方法限定了算法的泛化能力;当前深度学习算法均是通过修改用于处理规则数据的卷积操作来提取不规则点云数据的特征,算法未能完全契合点云数据特点,泛化能力不强。本课题通过分析点云特征提出一种基于图卷积的端到端点云分类网络实现对仅携带空间位置信息的单一模型点云的分类任务。本课题针对点云的无序性、点云的旋转不变性和点云的稀疏性三大特点,提出了如下解决方法:(1)整体网络架构借鉴二维图像卷积神经网络;(2)基于图谱理论设计图卷积操作,代替卷积神经网络中的规则卷积操作,解决无序点云输入问题;(3)根据刚体变换和坐标系变换,设计姿态矫正辅助网络,解决点云数据的旋转不变性问题;(4)根据稀疏点云采样方法和空间池化方法,同时根据点云节点属性的物理意义,设计池化操作,代替卷积神经网络中的池化操作,实现点云的多维度特征提取,解决点云的稀疏性问题。通过在标准点云数据集上测试,并与其他点云分类算法进行对比,其结果表明本文提出的点云分类算法在固定姿态点云数据集上的分类准确率不差于其他算法,同时在随机姿态点云数据集上的分类准确率最高。证明了本文提出的基于图卷积的三维点云分类算法能够实现较高精度的点云分类,同时做到了对输入点云姿态鲁棒。验证了基于图卷积的点云特征提取算法的可行性和有效性。