【技术实现步骤摘要】
一种基于深度学习的点云补全方法
本专利技术涉及计算机视觉领域，涉及一种基于深度学习的点云补全方法，适用于三维视觉中物体点云数据的补全任务。
技术介绍
三维视觉是当前研究的热点之一。在各种类型的三维数据中，点云以其数据量小、表现能力强等优点被广泛应用于三维数据处理中。现实世界的点云数据通常使用激光扫描仪、立体相机或低成本的RGB-D扫描仪进行捕获。但是，由于遮挡、光反射、表面材料的透明度以及传感器分辨率和视角的限制，会造成几何和语义信息的丢失，导致原始输出点云通常会出现不同程度的缺失区域，导致后续对点云的操作比如点云分类，点云分割，物体位姿估计会出现很大程度的偏差。因此，修复不完整的点云是一项重要的工作。目前，3D形状补全的实现方法主要是基于三维体素网格和点云。由于基于体素的补全方法其计算量会随着分辨率的增加而急剧增加，因此会限制体素的输出分辨率而无法补全出精细的局部细节。得益于《PointNet:DeepLearningonPointSetsfor3DClassificationandSegmentation》提出的...
【技术保护点】
1.一种基于深度学习的点云补全方法，其特征在于，包括以下主要步骤：/n(1)对原始点云集进行预处理/n将原始点云数据集进行不同程度的切割预处理，保存切割部分和切割后的残缺点云集；/n(2)构建编解码器网络/n构建一个编解码器网络，包括全局特征编码器、局部特征编码器和解码器；/n(3)获取输入点云的特征向量/n将预处理得到的残缺点云集输入编码器模块得到包含全局特征和局部特征的特征向量；/n(4)得到缺失部分点云/n将特征向量输入解码器网络中，得到残缺点云集缺失的那部分点云；/n(5)得到完整的补全点云/n将解码器预测的缺失的部分点云和网络输入的不完全点云集进行拼接，最终得到补...
【技术特征摘要】
1.一种基于深度学习的点云补全方法，其特征在于，包括以下主要步骤：
(1)对原始点云集进行预处理
将原始点云数据集进行不同程度的切割预处理，保存切割部分和切割后的残缺点云集；
(2)构建编解码器网络
构建一个编解码器网络，包括全局特征编码器、局部特征编码器和解码器；
(3)获取输入点云的特征向量
将预处理得到的残缺点云集输入编码器模块得到包含全局特征和局部特征的特征向量；
(4)得到缺失部分点云
将特征向量输入解码器网络中，得到残缺点云集缺失的那部分点云；
(5)得到完整的补全点云
将解码器预测的缺失的部分点云和网络输入的不完全点云集进行拼接，最终得到补全后的完整点云；
(6)设置损失函数，优化网络，得到最终优化输出结果
计算输出点云与保存的切割部分点云的倒角距离(CD距离)损失函数和推土距离(EMD距离)损失函数，及补全后的完整点云与原始完整点云的倒角距离损失函数，使用这三种损失函数共同优化整个自动编解码器网络。
2.根据权利要求1所述的方法，其特征在于，在所述步骤(1)中，所述的切割预处理是对原始点云数据集的前后左右上五个面进行不同程度的均匀切割，被切割出来的点云分别占原始点云的25％，50％，70％，并分别保存切割部分和切割后的残缺点云集。
3.根据权利要求2所述的方法，其特征在于，在所述步骤(2)中，所述的编解码器网络包括全局特征编码器、局部特征编码器和解码器；
其中全局特征编码器是一个基于PointNet的点云特征提取网络，该网络通过一个1×1的卷积核将每个点映射到[64-128-256-1024]维度上，再用最大池化层提取后面4个维度的最大值，将其串联起来形成一个包含了全局特征的特征向量，其大小为1920；
局部特征编码器是一个基于PointNet++的局部点云特征提取网络，该网络通过一个分组函数将输入点云均匀的分成16个局部区域，每个区域都是点云的一部分，将分好的局部区域分别输入PointNet提取特征网络，分别得到16个局部区域的局部特征向量，将其串联起来作为...
【专利技术属性】
技术研发人员：高放，石蓬勃，王家宝，孙晴艺，殷林飞，李勇，双丰，
申请(专利权)人：广西大学，
类型：发明
国别省市：广西;45
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。