【技术实现步骤摘要】
一种基于点云上采样的三维数字水印嵌入与提取方法
[0001]本专利技术涉及三维点云模型上采样与数字水印
,尤其涉及一种基于点云上采样的三维数字水印嵌入与提取方法。
技术介绍
[0002]随着三维扫描设备的快速发展和普及,三维数据成为工业生产和日常生活中重要的信息采集和呈现方式。3D点云数据由于其形式灵活、易于获取的特性,成为计算机三维视觉领域的研究热点。但受限于硬件设备和采集环境干扰,传感器直接获取的原始点云数据通常稀疏、不完整,无法准确表示三维模型的几何特征,因此通过点云上采样技术获取更高质量的点云数据,对下游的点云分割、识别等任务非常有必要。除此之外,三维数字模型在互联网等途径广泛传播,如何有效保护三维模型的版权不受侵权影响成为一个亟待解决的热点问题。数字水印技术在地理空间数据版权保护中已经发挥了重要作用,三维数字水印成为点云数据版权保护首要考虑应用的技术。因此研究如何基于深度学习进行上采样获取高质量点云,并通过数字水印确保其安全性和版权归属具有重大意义。
[0003]现有的研究工作中,点云上采样网络普遍存在不能很好的提取点云多尺度特征和缺乏局部细节的问题,而三维点云的数字水印算法由于点云数据缺乏规则拓扑结构的特点,存在嵌入量小,对各种攻击的鲁棒性较差的问题,不能满足三维水印的需求。图卷积可以通过构建图结构和聚合图信息来处理非欧几里得数据,由于其无序和不规则性,适用于解决点云处理问题。
技术实现思路
[0004]针对现有技术中存在的不足,本专利技术提供了一种基于点云上采样的三维数字水
【技术保护点】
【技术特征摘要】
1.一种基于点云上采样的三维数字水印嵌入与提取方法,其特征在于,具体包括以下步骤:步骤1、利用三维激光扫描仪扫描物体表面,获得物体表面的三维点云,得到稀疏点云模型;步骤2、构建基于图卷积的点云上采样网络,所述点云上采样网络由点云特征提取模块、点云特征扩展模块、三维坐标重建模块组成;步骤3、将稀疏点云模型输入点云特征提取模块中,提取点云特征矩阵;步骤4、将点云特征矩阵输入点云特征扩展模块中进行通道扩展,得到稠密点云特征矩阵;步骤5、将稠密点云特征矩阵通过三维坐标重建模块对应到坐标空间中的点云,完成由稀疏点云到稠密点云的点云上采样;步骤6、通过PCA主成分分析法估计稠密点云的法向量,带有法向量的稠密点云进行泊松重建,得到稀疏点云模型对应的高质量三角形网格模型;步骤7、按照三维网格模型的结构构建拉普拉斯方程,根据拉普拉斯方程的分解结果,重新排列三维网格模型的顶点顺序,按照由低频到高频的顶点顺序嵌入数字水印,根据嵌入顺序提取水印序列。2.根据权利要求1所述的一种基于点云上采样的三维数字水印嵌入与提取方法,其特征在于,所述点云特征提取模块由KNN、图卷积神经网络和特征提取器依次连接组成,所述特征提取器包括:第一瓶颈层、第一密集图卷积模块A、第二密集图卷积模块B、全局池化模块,所述第一瓶颈层通过三个平行的分支分别与第一密集图卷积模块A的输入端、第二密集图卷积模块B的输入端、全局池化模块的输入端连接,所述第一密集图卷积模块A的输出端、第二密集图卷积模块B的输出端、全局池化模块的输出端合并,与图卷积神经网络得到的初步特征图跳跃连接。3.根据权利要求1所述的一种基于点云上采样的三维数字水印嵌入与提取方法,其特征在于,步骤3包括如下子步骤:步骤3.1、将稀疏点云模型通过KNN构建图,将图输入图卷积神经网络中进行一层图卷积得到初步特征图;步骤3.2、将初步特征图输入到特征提取器中的第一瓶颈层进行压缩,得到压缩特征;步骤3.3、将压缩特征通过三个平行的分支,平行输入到第一密集图卷积模块A、第二密集图卷积模块B和全局池化模块中,合并三个平行分支,输出点云多尺度特征图;步骤3.4、将点云多尺度特征图与初步特征图跳跃链接,输出大小为N
×
C的点云优化特征矩阵。4.根据权利要求3所述的一种基于点云上采样的三维数字水印嵌入与提取方法,其特征在于,所述第一密集图卷积模块A的空洞卷积率设置为1,所述第二密集图卷积模块B的空洞卷积率设置为2。5.根据权利要求1所述的一种基于点云上采样的三维数字水印嵌入与提取方法,其特征在于,所述点云特征扩展模块由第二瓶颈层、上采样模块、特征压缩层依次连接组成。6.根据权利要求1所述的一种基于点云上采样的三维数字水印嵌入与提取方法,其特征在于,步骤4包括如下子步骤:
步骤4.1、将大小为N
×
C的点云优化特征矩阵输入到第二瓶颈层,得到压缩稀疏特征矩阵;步骤4.2、将压缩稀疏特征矩阵输入到上采样模块中,经上采样模块进行一层图卷积,生成密集特征矩阵:其中,表示第l层图对应的点云优化特征矩阵,b
l+1
均表示第l+1层图进行通道扩展的学习参数,为将大小为N
×
rC的矩阵转换成大小为rN
×
C的矩阵,r为上采样率,为第l+1层图的密集特征矩阵;步骤4.3通过特征压缩层使用两组MLP将密集特征矩阵压缩成大小为rN
×
C'的稠密点云特征矩阵。7.根据权利要求1所述的一种基于点云上采样的三维数字水印嵌入与提取方法,其...
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。