一种基于局部协方差优化的点云补全方法技术

本发明专利技术公开了一种基于局部协方差优化的点云补全方法，包括以下步骤：S1、数据集获取；S2、数据预处理；S3、神经网络模型的构建；S4、神经网络模型损失的构建；S5、神经网络模型的训练和优化；S6、保存模型及模型参数，采用上述技术方案，以不完整的点云为输入，能输出具有完整形状且更加精细的完整点云。在特征编码阶段，使用协方差分析局部点与点之间无序且复杂的拓扑关系，使用不同的卷积核提取局部几何结构信息；考虑形状的完整性和结构相似性，通过融合多尺度的层级特征来推断缺失结构的特征，获得点云在完整形状下的全局特征向量；在解码阶段，不仅能实现点云数量上的扩充，还能对点云的局部几何结构进行优化，从而生成更加精细的完整点云。的完整点云。的完整点云。

【技术实现步骤摘要】
一种基于局部协方差优化的点云补全方法


[0001]本专利技术涉及点云补全
，具体指一种基于局部协方差优化的点云补全方法。

技术介绍

[0002]随着扫描设备可用性的提高，人们可以在短时间内从3D对象的表面获得大量高精度的点云数据。作为三维空间中点的集合，点云保留了更多的细节和丰富的语义，已逐渐成为一种受欢迎的三维模型表示方式，并且被广泛应用于自动驾驶、机器人控制、三维设计和AR/VR等领域。然而，由于形状的复杂和拍摄环境的影响，如光照强度、遮挡等，扫描获取的点云通常是不完整的。不完整的点云模型不仅无法表示对象的实际形状影响识别，而且还会影响后续的点云处理任务，如点云分类、分割和点云匹配等。因此，对不完整点云进行补全是一项非常有意义的任务。
[0003]点云补全通常有两个目标。第一是从不完整的点云中恢复出完整的形状，第二是恢复点云的局部形状细节。传统补全方法通过曲面拟合和网格插值能对较小的缺失进行补全，但对大的缺失往往无能为力。近年来，随着深度学习技术的发展和大型3D模型数据库的出现，基于学习的补全方法逐渐被提出并取得了令人满意的结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于局部协方差优化的点云补全方法，其特征在于，包括以下步骤：S1、数据集获取，获取公共数据集ShapetNet，完成3D模型训练所述的点云数据集的构建；S2、数据预处理，对数据集中各3D模型进行表面采样获取完整点云，然后模拟形状缺失过程对各完整点云生成相应的不完整点云，对所有点云数据进行标准化处理；S3、神经网络模型的构建，基于协方差分析以及自注意力机制，设计局部特征嵌入模块和局部细化模块，并以此构建一个自动编码网络CovNet；S4、神经网络模型损失的构建，定义神经网络的两阶段损失函数，计算网络输出的补全点云与真实完整点云在不同精细程度时的差异；S5、神经网络模型的训练和优化，设置网络参数，使用优化器端到端地训练网络；S6、保存模型及模型参数，当训练达到最大迭代次数或目标函数趋于平稳时，保存模型及模型参数。2.根据权利要求1所述的基于局部协方差优化的点云补全方法，其特征在于，所述步骤S1中的数据集包含55个不同对象，所述步骤S2中，从数据集中的55个不同对象中挑选16个常见对象。3.根据权利要求2所述的基于局部协方差优化的点云补全方法，其特征在于，所述步骤S2中，将挑选的16个常见对象使用泊松圆盘采样法在3D模型表面均匀采样指定数量的点作为真实的完整点云。4.根据权利要求2所述的基于局部协方差优化的点云补全方法，其特征在于，所述步骤S2中，使用随机孔洞的方法在完整点云中随机选取一个点、删除半径r以内的点来模拟点云缺失，并采样得到指定数量的不完整点云。5.根据权利要求1所述的基于局部协方差优化的点云补全方法，其特征在于，所述步骤S2中，对所有点云数据进行标准化处理，包括中心化处理和归一化处理。6.根据权利要求1所述的基于局部协方差优化的点云补全方法，其特征在于，所述步骤S3中，所述的自动编码网络包括用于层级特征提取的编码器和生成细化的解码器...

【专利技术属性】
技术研发人员：吴向阳，渠冲冲，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：