【技术实现步骤摘要】
模型生成方法、点云数据处理方法、装置、设备及介质
本专利技术实施例涉及数据处理
,尤其涉及一种模型生成方法、点云数据处理方法、装置、设备及介质。
技术介绍
随着虚拟仿真、增强现实、机器人、自动驾驶等行业的推进和发展,针对点云数据的计算和应用越来越重要。一般而言,点云数据由一系列三维场景点组成,其可通过激光雷达扫描、虚构场景抽稀、多视图重建等手段获取。激光雷达扫描手段经由激光雷达设备向场景中投影激光束,通过反向计算激光束的角度和距离推算点云坐标;虚构场景抽稀手段通过虚拟仿真软件构建虚拟环境,然后对虚拟环境进行采样点抽稀以获取点云集合;多视图重建手段经由相机拍摄多幅场景图像,根据多视图摄影几何理论获取三维场景点的三维坐标。点云数据的获取手段复杂多样,受到操作者和技术的局限性,在各种手段下获取的点云数据的质量往往参差不齐。质量不佳的点云数据会对某些应用的后续开发造成较大影响,例如,虚拟仿真中的街景点云分布不均导致仿真效果不逼真、三维打印出的舞者点云位姿不够优美导致多次采集等等。在实现本专利技术的过程中,专利技术人发现现有技术中存在以下技术问题:现有技术主要是通过肉眼对采集到的点云数据的质量进行评测,这一评测方式的主观性较强,点云质量的确定精度不佳,其难以引导点云数据的生产过程。
技术实现思路
本专利技术实施例提供了一种模型生成方法、点云数据处理方法、装置、设备及介质,解决了点云数据的质量难以精准确定的问题。第一方面,本专利技术实施例提供了一种模型生成方法,可以包括: ...
【技术保护点】
1.一种模型生成方法,其特征在于,包括:/n获取第一点云数据和第二点云数据,并将所述第一点云数据和所述第二点云数据作为一组第一训练样本,其中,所述第一点云数据的质量高于所述第二点云数据的质量;/n基于多组所述第一训练样本对原始孪生网络模型进行训练,生成初始评测模型,其中,所述原始孪生网络模型包括两个用于评测出所述第一训练样本的质量评测结果的预设卷积神经网络;/n基于所述初始评测模型,生成质量评测模型。/n
【技术特征摘要】
1.一种模型生成方法,其特征在于,包括:
获取第一点云数据和第二点云数据,并将所述第一点云数据和所述第二点云数据作为一组第一训练样本,其中,所述第一点云数据的质量高于所述第二点云数据的质量;
基于多组所述第一训练样本对原始孪生网络模型进行训练,生成初始评测模型,其中,所述原始孪生网络模型包括两个用于评测出所述第一训练样本的质量评测结果的预设卷积神经网络;
基于所述初始评测模型,生成质量评测模型。
2.根据权利要求1所述的方法,其特征在于,所述基于所述初始评测模型,生成质量评测模型,包括:
获取已标注点云数据和所述已标注点云数据的质量标注结果,将所述已标注点云数据和所述质量标注结果作为一组第二训练样本;
基于多组所述第二训练样本对所述初始评测模型中初始训练完成的任一所述预设卷积神经网络进行训练,生成质量评测模型。
3.根据权利要求1所述的方法,其特征在于,所述预设卷积神经网络包括数据划分模块、低层特征提取模块、数据级联模块和高层特征提取模块;所述预设卷积神经网络通过如下步骤评测所述第一点云数据的所述质量评测结果:
经由所述数据划分模块将所述第一点云数据划分为位置通道子数据和色彩通道子数据,再经由所述低层特征提取模块对所述位置通道子数据和所述色彩通道子数据分别进行低层特征提取;
经由所述数据级联模块对两个低层特征提取结果进行级联,再经由所述高层特征提取模块对级联结果进行高层特征提取,并根据高层特征提取结果得到所述质量评测结果。
4.根据权利要求1所述的方法,其特征在于,所述原始孪生网络模型还包括损失计算模块,若所述第一点云数据的所述质量评测结果高于所述第二点云数据的所述质量评测结果,则所述损失计算模块的输出结果为0,否则,所述损失计算模块的输出结果为正数。
5.根据权利要求2所述的方法,其特征在于,所述质量标注结果是根据预设评测因素预先标注的,所述预设评测因素包括数据完整度、目标拖尾度、色彩自然丰富度、数据分布稠密度和投影栅格度中的至少一个。
6.根据权利要求5所述的方法,其特征在于,所述第二点云数据通过如下步骤预先生成:
获取所述第一点云数据和预设点云修调策略,其中,所述预设点云修调策略根据所述预设评测因素预先生成;
基于所述预设点云修调策略修调所述第一点云数据,根据修调结果生成所述第二点云数据。
7.根据权利要求6所述的方法,其特征在于,所述基于所述预设点云修调策略修调所述第一点云数据,包括:
对所述第一点云数据中的待删切区域进行数据删切处理;和/或,
对所述第一点云数据中的待抽稀区域进行...
【专利技术属性】
技术研发人员:李艳丽,孙晓峰,
申请(专利权)人:北京京东乾石科技有限公司,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。