一种点云质量评估方法及系统技术方案

本发明专利技术提供了一种点云质量评估方法及系统，包括：步骤S1，采用相同的方式，对原始点云与失真点云分别进行多次采样，分别得到原始点云与失真点云的多层关键点及各层关键点的关键点特征；步骤S2，对从原始点云与失真点云的各层关键点的关键点特征分别进行特征池化，分别得到原始点云与失真点云的各层关键点的特征向量；步骤S3，对原始点云与失真点云相互对应的各层关键点的特征向量，进行特征差异计算，得到各层关键点的差异向量；步骤S4，对各层关键点的差异向量分别进行拟合计算，得到各层关键点的评估结果；步骤S5，根据各层关键点的评估结果，计算出最终评估结果。本发明专利技术提供的信道估计方法及装置，大大提高了点云的质量评估结果的可靠性。估结果的可靠性。估结果的可靠性。

【技术实现步骤摘要】
一种点云质量评估方法及系统


[0001]本专利技术涉及点云数据处理
，具体地，涉及一种点云质量评估方法及系统。

技术介绍

[0002]近几十年来，激光雷达(Light Detection and Ranging，LiDAR)扫描技术和系统日趋成熟，应用也越来越广泛。激光雷达可获得三维数据，这类数据也被称为雷达点云，并且能够反映目标的基本结构信息。基于三维激光点云数据进行的目标分割、目标识别、目标分类、目标配准等特定视觉任务研究均取得了成果。
[0003]基于激光点云的无人驾驶技术是当下研究的热点，并已应用于实际的驾驶过程。车载激光雷达(LiDAR)点云在获取、压缩、传输、呈现等过程中会出现失真，导致点云数据存在阴影、遮挡等现象，进一步使得特定的视觉任务无法达到理想效果，例如会导致点云分割算法的识别率变低，鲁棒性变差，进而造成计算资源的浪费。需要一种数据评估算法来避免这种浪费。
[0004]由于目前点云质量评估的研究尚处于起步阶段，关于点云的质量评估研究并不多见。此外，现有点云质量评估方法绝大多数为根据点云呈现的视觉效果对点云质量进行评估，并未根据特定的视觉任务(例如点云的目标分类、目标分割、目标识别等)的相关准确率指标进行点云数据的评估，使得执行任务时使用不好的数据得到了较差的结果。因此，如何评估点云数据机器感知的质量是目前亟待解决的关键问题。
[0005]由于LiDAR数据的稀疏性与不均匀性(例如，近处密集，远处稀疏)，并且特定任务中目标体积往往有占比很小的特点。现有的通测条件使用的点对点，点对面失真质量评估，显然无法很好的表达LiDAR中特定视觉任务，例如在雷达点云分割任务中，对加噪声数据，远处的点由于稀疏所以误差会较大，近处的某些点的误差又会较小。并且由于目标体积较小，噪声若不均匀，计算出的峰值信噪比(Peak Signal to Noise Ratio，PSNR)与特定任务结果并无直接关联，因此这两种经典失真的评估模型在雷达点云数据中准确率较低，鲁棒性较差。
[0006]另外，由于LiDAR点云数据的稀疏性和无颜色特性，法向量、颜色梯度、曲率这些局部性质是很难准确得到并进行利用的。这些指标是面向人眼视觉使用的质量评估指标，因此面向人眼视觉的质量评估指标均不能有效评估。
[0007]由于机器视觉任务大多是深度特征网络驱动，使用的是语义信息，前面介绍的几种算法均使用点云的几何信息得到。因此，基于几何信息的指标对LiDAR点云均不能体现好的鲁棒性。

技术实现思路

[0008]针对现有技术中的缺陷，本专利技术的目的是提供一种点云质量评估方法及系统。
[0009]根据本专利技术提供的一种点云质量评估方法，包括：
[0010]步骤S1，采用相同的方式，对原始点云与失真点云分别进行多次采样，分别得到原
始点云与失真点云的多层关键点及各层关键点的关键点特征；
[0011]步骤S2，对从原始点云与失真点云的各层关键点的关键点特征分别进行特征池化，分别得到原始点云与失真点云的各层关键点的特征向量；
[0012]步骤S3，对原始点云与失真点云相互对应的各层关键点的特征向量，进行特征差异计算，得到各层关键点的差异向量；
[0013]步骤S4，对各层关键点的差异向量分别进行拟合计算，得到各层关键点的评估结果；
[0014]步骤S5，根据各层关键点的评估结果，计算出最终评估结果。
[0015]优选地，所述失真点云，为原始点云经过数据处理后出现失真而生成。
[0016]优选地，所述步骤S1中，
[0017]每对原始点云进行一次采样，对应提取出原始点云的一层关键点的关键点特征；
[0018]每对失真点云进行一次采样，对应提取出失真点云的一层关键点的关键点特征。
[0019]优选地，所述步骤S1中，
[0020]每层关键点的关键点特征存在多个特征维度，在每个特征维度上均包含一个数值。
[0021]优选地，所述步骤S2中，
[0022]所述特征池化的方式包括最大值池化、平均值池化或最小值池化。
[0023]优选地，所述最大值池化的方式为：从关键点所有特征维度上的数值中选取最大值，将每一层的关键点选取的最大值排列组合到一起，作为该层关键点的特征向量；
[0024]所述平均值池化的方式为：计算关键点所有特征维度上的数值的平均值，将每一层的关键点计算出的平均值排列组合到一起，作为该层关键点的特征向量；
[0025]所述最小值池化的方式为：从关键点所有特征维度上的数值中选取最小值，将每一层的关键点选取的最小值排列组合到一起，作为该层关键点的特征向量。
[0026]优选地，所述步骤S3中，对每层关键点进行的所述特征差异计算为：
[0027]计算原始点云与失真点云的各层关键点的特征向量的差，作为该层关键点的差异向量；
[0028]或，计算原始点云与失真点云在各层关键点的特征向量的差，取差的绝对值作为该层关键点的差异向量；
[0029]或，计算原始点云与失真点云在各层关键点的特征向量的差，取差的平方值作为该层关键点的差异向量。
[0030]优选地，所述步骤S4中，
[0031]所述拟合计算的方法包括最小二乘拟合方法、支持向量机拟合方法或神经网络拟合方法。
[0032]优选地，所述步骤S5中，
[0033]所述最终评估结果为：各层关键点的评估结果中的最大值，或各层关键点的评估结果中的最小值，或各层关键点的评估结果的平均值。
[0034]根据本专利技术提供的一种点云质量评估系统，包括：
[0035]特征提取模块：采用相同的方式，对原始点云与失真点云分别进行多次采样，分别得到原始点云与失真点云的多层关键点及各层关键点的关键点特征；
[0036]特征池化模块：对从原始点云与失真点云的各层关键点的关键点特征分别进行特征池化，分别得到原始点云与失真点云的各层关键点的特征向量；
[0037]特征差异计算模块：对原始点云与失真点云相互对应的各层关键点的特征向量，进行特征差异计算，得到各层关键点的差异向量；
[0038]预测模块：对各层关键点的差异向量分别进行拟合计算，得到各层关键点的评估结果；
[0039]质量评价分数计算模块：根据各层关键点的评估结果，计算出最终评估结果。
[0040]与现有技术相比，本专利技术具有如下的有益效果：
[0041]采用了本专利技术的技术方案，针对现有技术的不足，针对LiDAR点云的深层特征信息，采用多尺度融合的方式进行数据处理，对原始点云与失真点云进行多次采样形成多层关键点，对各层关键点的特征信息分别进行特征池化、特征差异计算、拟合计算得到各层关键点的评估结果后，再采用多尺度融合的方式计算出最终评估结果。本专利技术提供的点云质量评估方法及装置，大大提高了点云的质量评估结果的有效性和可靠性。
附图说明
[0042]通过阅读参照以下附图对非限制性实施例所作的详细本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种点云质量评估方法，其特征在于，包括：步骤S1，采用相同的方式，对原始点云与失真点云分别进行多次采样，分别得到原始点云与失真点云的多层关键点及各层关键点的关键点特征；步骤S2，对从原始点云与失真点云的各层关键点的关键点特征分别进行特征池化，分别得到原始点云与失真点云的各层关键点的特征向量；步骤S3，对原始点云与失真点云相互对应的各层关键点的特征向量，进行特征差异计算，得到各层关键点的差异向量；步骤S4，对各层关键点的差异向量分别进行拟合计算，得到各层关键点的评估结果；步骤S5，根据各层关键点的评估结果，计算出最终评估结果。2.根据权利要求1所述的点云质量评估方法，其特征在于，所述失真点云，为原始点云经过数据处理后出现失真而生成。3.根据权利要求1所述的点云质量评估方法，其特征在于，所述步骤S1中，每对原始点云进行一次采样，对应提取出原始点云的一层关键点的关键点特征；每对失真点云进行一次采样，对应提取出失真点云的一层关键点的关键点特征。4.根据权利要求1所述的点云质量评估方法，其特征在于，所述步骤S1中，每层关键点的关键点特征存在多个特征维度，在每个特征维度上均包含一个数值。5.根据权利要求4所述的点云质量评估方法，其特征在于，所述步骤S2中，所述特征池化的方式包括最大值池化、平均值池化或最小值池化。6.根据权利要求5所述的点云质量评估方法，其特征在于，所述最大值池化的方式为：从关键点所有特征维度上的数值中选取最大值，将每一层的关键点选取的最大值排列组合到一起，作为该层关键点的特征向量；所述平均值池化的方式为：计算关键点所有特征维度上的数值的平均值，将每一层的关键点计算出的平均值排列组合到一起，作为该层关键点的特...

【专利技术属性】
技术研发人员：徐异凌，赵恒，杨琦，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：