【技术实现步骤摘要】
基于生成对抗网络的端到端点云补全方法
[0001]本申请涉及计算机视觉以及自动驾驶
,特别是涉及一种基于生成对抗网络的端到端点云补全方法。
技术介绍
[0002]在3D视觉领域,三维数据表示方法包括体素、点云和二进制网格.其中,点云具有数据量小、分辨率高的独特优势被广泛应用于3D数据处理.激光雷达、立体相机或RGBD深度相机是获取现实生活中点云的常用方式.传统的激光扫描仪存在成本高、效率低、质量差等缺点.其中,立体相机或深度相机被频繁使用,但在点云的实际采集过程中由于物体被遮挡、物体表面的光反射、物体的透明度和相机视角的限制,获取的点云数据基本是不完整的,因此为了让点云数据能够在自动驾驶、医学等领域中得到应用,所以对点云进行信息补全是一项非常重要的工作。
[0003]当前点云和体素是三维形状补全的主要数据源,《Shape inpainting using 3d generative adversarial network and recurrent convolutional networks》提出了基于体素网格的算法3D
‑
ED
‑
GAN以实现点云修复,但是基于体素的方法由于其分辨率的限制,在网络训练的过程中计算量会大大增加.《Pointnet:deep learning on point sets for 3D classification and segmentation》提出了PointNet,它让点云数据直接作为神经网络的输入并实现点云形状的建模、分类及分割 ...
【技术保护点】
【技术特征摘要】
1.一种基于生成对抗网络的端到端点云补全方法,其特征在于,所述方法包括:S1、获取ModelNet40中公开的数据集,构建所需的原始点云数据集;S2、先对原始点云数据集中原始点云进行切割删除操作,在原始点云中删除一部分点云构建缺失点云G1(N,3),N代表点云中点的个数,保留切割部分点云P
GT
和缺失点云G1(N,3)作为模型训练的数据;S3、对缺失点云G1(N,3)使用随机点采样方法进行下采样操作获取两个分辨率小于1024
×
3的点云G2(N
*
,3)和点云G3(N
**
,3),N>N
*
>N
**
;S4、构建生成器网络和判别器网络,所述生成器网络包括多尺度Transformer编码器和特征解码器;S5、将缺失点云G1(N,3)、点云G2(N
*
,3)和点云G3(N
**
,3)作为多尺度Transformer编码器的输入,得到全局特征向量F
p
;S6、将所述全局特征向量F
p
输入到特征解码器中,输出缺失部分的点云P
out
;S7、将所述切割部分点云P
GT
和所述缺失部分的点云P
out
作为判别器的输入,输出所述缺失部分的点云P
out
的得分;S8、根据所述缺失部分的点云P
out
的得分,采用损失函数计算损失,通过反向传播的方式优化网络参数直至达到预设精度,完成模型训练,得到点云补全模型;S9、获取残缺点云输入点云补全模型进行点云补全,输出所述残缺点云的残缺部分点云;S10、拼接所述残缺点云的残缺部分点云与所述残缺点云,获得补全后的点云。2.根据权利要求1所述的方法,其特征在于,所述先对原始点云数据集中原始点云进行切割删除操作,在原始点云中删除一部分点云构建缺失点云G1(N,3)的步骤,包括:在三维坐标系中的找到5个点,这5个点分别为O1(0,0,1)、O2(1,0,0)、O3(
‑
1,0,0)、O4(1,0,1)、O5(
‑
1,1,0),从这5个点中随机选取一个点作为中心点O
j
,j∈(1,2
…
5),再计算原始点云中每个点P
i
(x
i
,y
i
,z
i
),i∈(1,2
…
N)到中心点O
j
的距离的平方和D
i
,i∈(1,2
…
N),删除D
i
中距离最小的前512个点,得到删除后的点云G1(N,3),其中,x
i
为三维坐标系中的x轴的坐标值,y
i
为三维坐标系中的y轴的坐标值,z
i
为三维坐标系中的z轴的坐标值。3.根据权利要求1所述的方法,其特征在于,所述对缺失点云G1(N,3)使用随机点采样方法进行下采样操作获取两个分辨率小于1024
×
3的点云G2(N
*
,3)和点云G3(N
**
,3)的步骤,包括:首先在缺失点云G1(N,3)里随机选取一个点,以该点为圆心,以R=N/N
*
为半径形成一个圆,在该圆内范围的点中删除距离圆心最近的前R个点,如此循环N
*
次,得到分辨率小于1024
×
3的点云G2(N
*
,3);在点云G2(N
*
...
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。