1.一种基于卷积神经网络的三维点云模型分类方法，其特征在于，包括以下步骤：

S1、选用Princeton ModelNet，分别针对ModelNet10和ModelNet40，从官网选取所需数量的模型作为训练数据和测试数据，生成训练集和数据集；

S2、对点云模型进行特征分析以及构建分类框架；

S3、对点云进行有序化；

S4、将有序点云数据二维图像化；

S5、构建面向二维点云图像的CNN网络，包括：基于中型CNN的点云模型分类、基于小型CNN的点云模型分类和面向二维点云图像的CNN构造及分类。

2.根据权利要求1所述的一种基于卷积神经网络的三维点云模型分类方法，其特征在于：在步骤S1中，选用Princeton ModelNet，采用官网数据，针对ModelNet10和ModelNet40分别选取3991、9842个模型作为训练数据，908、2468个模型作为测试数据。

3.根据权利要求1所述的一种基于卷积神经网络的三维点云模型分类方法，其特征在于：在步骤S2中，针对点云无序性、不规则性、有限性、稀疏性特点，设计三维点云模型的通用分类框架，包括以下三个模块：点云数据的有序化模块，用于实现无序点云数据的有序化；

有序点云数据的二维图像化模块，用于实现点云数据的规则化；

面向二维点云图像的CNN模块，该模块由两部分组成：反卷积子模块，通过反卷积操作捕捉更多点云数据间的关联信息，在一定程度上弥补点云数据稀疏性的问题；中小型的卷积分类子模块，以适应点云数据的有限性特点，防止网络的过拟合。

4.根据权利要求1所述的一种基于卷积神经网络的三维点云模型分类方法，其特征在于：在步骤S3中，输入三维点云数据M＝{(xi,yi,zi)，i＝1,…,n}，经过有序化后，点云的顺序被确定，输出为有序序列S＝((xi,yi,zi)，i＝1,…,n)，x,y,z分别为三维点云模型的维度坐标点；这里，点云数据有序化的基本原则是：在三维空间距离达到设定值的点，有序化后距离也相对靠近，这样就能够最大程度的保持原始点云的特征不被破坏，且符合图像领域相邻点之间的位置关系，基于这一基本原则，设计以下三种不同的有序化方法：质心排序法：据点到物体质心的距离，由近至远排序实现点云数据的有序化，这一方法的优点是有序化结果与点云输入顺序及模型平移、缩放、旋转均无关，但是另一方面也存在以下问题：相对质心对称的点原本在空间上彼此无相邻关系，有序化后它们却可能彼此相邻；

单维排序法：模型预先摆正再扫描，进而沿着某个坐标轴，按照坐标值大小排序实现点云数据的有序化，这一方法既能够保证有序化结果与点云输入顺序及模型平移、缩放、旋转无关，也避免了空间中对称位置点有序化后相邻的问题，而且通常待扫描的物体在空间中也能够满足正向摆放的前提约束，只是这样排序后的点云数据只体现了某个坐标轴的空间信息，无法体现其它维度的空间信息；

二维排序法：以单维排序法为基础，对预先摆正的模型扫描获取点云数据，得到点云数据模型，针对该点云数据模型，沿着某个坐标轴，等间隔的划分为m个切片，当m选取适当值时，能够认为同一切片内部的该坐标轴上的值相当，即这些点位于同一平面内部，此时，对每个切片，再次按照平面坐标中的某个坐标轴排序，完成点云数据的有序化，这一方法既能保证单维排序法的优点，又能更好的体现不同维度的空间信息。

5.根据权利要求1所述的一种基于卷积神经网络的三维点云模型分类方法，其特征在于：在步骤S4中，输入无序点云数据的有序化序列S＝((xi,yi,zi)，i＝1,…,n)，本步骤旨在将有序化序列合理的放置在二维图像A＝(ajk)p×q中，其中p×q＝n，A为二维矩阵，对应生成的图像；j和k分别为像素的行和列；ajk为二维矩阵中第j行第k列的像素值；p、q分别为矩阵的行数和列数；n表示点云模型中所包含点个数，以满足图像内部相邻像素间对应的点云数据在空间位置上彼此相近，针对这一要求，设计以下三种不同的二维图像化方法：行扫描法：模仿荧光屏电子束的运动，将有序点云数据从前到后依次取出，从左到右、从上到下逐行填充到二维图像中，这种方式能够保证横向相邻像素在原始点云数据中彼此相近，却无法确保纵向相邻像素在原始点云数据中彼此相近，即不具有各向同性；

棋盘法：考虑到CNN使用局部感受野的思想提取图像特征，倘若能将点云的局部与图像的局部对应起来，则能够更好的提取点云数据的局部特征，因而，提出了棋盘法的图像化方法：将有序点云数据从前到后依次取出，从左到右、从上到下依次填充各个格子，格子内部仍然按照从左到右、从上到下的方式填充每个像素，当格子取值为8×8时，每个格子就对应一个包含64个点的点云局部区域，这种方法同样不具备各向同性；

螺旋法：将有序点云数据从前到后依次取出，从图像中心像素开始，按螺旋轨迹依次进行填充，这种方式能够很好的保持各向同性，且在靠近中心点的位置能够很好的保持原始空间点的距离关系，但是也存在自身的缺陷：越靠近边缘，像素点就会越分散，一些在空间相距近的点填充后距离可能变大。

6.根据权利要求1所述的一种基于卷积神经网络的三维点云模型分类方法，其特征在于：在步骤S5中，构造适用于二维点云图像的卷积神经网络，由于点云数据具有有限性和稀疏性，层数多的大型CNN可能造成过拟合，因此，将首先选取一个中型CNN和一个小型CNN进行初步实验；

基于中型CNN的点云模型分类：点云数据具有信息有限性和稀疏性的特点，而中型网络面向的数据尺寸大，当AlxeNet的输入尺寸为224×224时，一个输入规模为1024的点云模型所对应的二维图像尺寸仅为32×32，因而，在将点云图像输入之前，首先对图像数据进行反卷积操作，满足中型CNN输入尺寸需求，避免过拟合，同时实现点云图像的高分辨率重建，获取更多的空间关联信息；

基于小型CNN的点云模型分类：LeNet是一个包含两层卷积、两层池化和三层全连接的小型CNN网络，主要用于手写体识别，该网络的输入是32×32大小的图像，恰好同包含1024个点的二维点云图像尺寸匹配，因此，直接沿用基于中型CNN的点云模型分类的实验设计，去掉反卷积子模块，将32×32的二维点云图像输入LeNet完成特征提取及模型分类；

面向二维点云图像的CNN构造及分类：分析点云模型自身特点，结合以上两种实验结果，设计一个面向二维点云图像分类的卷积神经网络PCI2CNN，该网络的设计思路如下：包含一组共2个反卷积，该组反卷积通道数为64，核大小为2×2，步长分别为2×2和1×

1，以通过反卷积操作实现二维点云图像的高分辨率重建，获取更多点云间的相关信息；

包含3个卷积层，且通道数分别为64,128,256；相比于AlxeNet包含更少的网络层次和参数，以避免网络的复杂度，提高网络训练的稳定性；相比于LeNet包含更多的参数，以提高网络拟合训练数据的能力；

在第一和第三个卷积层后加入池化操作，且池化层通道数与上一层通道数一致，核大小为3×3，步长为2×2，以通过重叠采样获取更加丰富的信息。