一种基于自监督深度学习的点云任意尺度上采样方法技术

本发明专利技术一种基于自监督深度学习的点云任意尺度上采样方法属于点云处理技术领域；该方法通过估计顶点到点云对应的隐表面的距离，生成一系列种子顶点；对于每个种子顶点，将距离其最近的若干个点云顶点坐标作为神经网络的输入，输出该顶点在隐表面上的投影点；最后通过最远点采样，调节投影点数量至目标顶点数量。由于种子节点的密度可以任意设置，因此上采样倍率也可任意设置，又因为每个投影点都是独立生成的，网络每次仅需要处理一个顶点的情况，与上采样倍率无关，故无需重复训练网络；同时，在生成训练数据时，仅需要三维网格模型，在模型附近生成种子顶点以及其对应的投影方向与投影距离，无需成对的稠密点云

【技术实现步骤摘要】
一种基于自监督深度学习的点云任意尺度上采样方法


[0001]本专利技术一种基于自监督深度学习的点云任意尺度上采样方法属于点云处理


技术介绍

[0002]点云是空间中一组无规则分布的、表达三维物体或场景的空间结构及表面属性的离散点集，点云对应的表面称为隐表面。点云中的每个点至少具有三维位置信息，根据应用场景的不同，还可能具有色彩、材质或其他信息。
[0003]近年来，随着激光雷达等采集设备的发展，通过设备获取三维点云设备，进行展示或分析，已经取得了不错的效果。然而，受限于采集设备的精度，得到的点云通常密度较低。而低密度的点云不利于展示与进一步处理。因此，对得到的点云进行上采样，提高顶点的密度，是点云处理中不可缺少的步骤。
[0004]点云上采样可以通过传统方法或基于深度学习的方法完成。传统的上采样方法受限于点云的稀疏性与不规则性，难以取得很好的效果。而基于深度学习的方法可以较好的捕捉非规则结构的特征，从而完成高质量的上采样。然而，这类方法通常以端到端的方式进行训练与使用，即网络的输入与输出均为完整的点云，因此难以实现任意本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自监督深度学习的点云任意尺度上采样方法，其特征在于，包括以下步骤：步骤a、读取输入点云，生成种子顶点集合；步骤b、根据所述种子顶点集合，获取种子顶点到点云隐表面的投影点集合；步骤c、根据上采样倍率得到目标顶点数，使用最远点采样调整所述投影点集合中顶点的数量至目标顶点数量。2.根据权利要求1所述的一种基于自监督深度学习的点云任意尺度上采样方法，其特征在于，步骤a具体包括：步骤a1、将输入点云所在的空间体素化；步骤a2、为每个体素估计重心到输入点云隐表面的距离；步骤a3、选择距离在一定范围内的重心作为种子顶点集合。3.根据权利要求2所述的一种基于自监督深度学习的点云任意尺度上采样方法，其特征在于，步骤a2具体包括：步骤a2
‑
1、从输入点云中选择距离当前重心最近的若干个顶点，按距离排序；步骤a2
‑
2、从第三个顶点开始，依次将该顶点与前两个最近顶点组成三角形；步骤a2
‑
3、计算重心到每个三角形的距离，选择最近的距离作为估计距离。4.根据权利要求1所述的一种基于自监督深度学习的点云任意尺度上采样方法，其特征在...

【专利技术属性】
技术研发人员：刘贤明，赵文博，季向阳，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：