点云去噪模型获取方法、点云融合方法及其相关设备技术

本申请属于数据融合技术领域，公开了一种点云去噪模型获取方法、点云融合方法及其相关设备，基于扩散模型同时对噪声提取模型和点云去噪模型进行迭代训练，以得到训练后的点云去噪模型，可使得到的点云去噪模型能够有效剔除点云数据中的噪声，利用该点云去噪模型对待融合点云数据进行去噪处理后，再进行点云融合，可提高点云融合的精度。可提高点云融合的精度。可提高点云融合的精度。

【技术实现步骤摘要】
点云去噪模型获取方法、点云融合方法及其相关设备


[0001]本申请涉及数据融合
，具体而言，涉及一种点云去噪模型获取方法、点云融合方法及其相关设备。

技术介绍

[0002]随着图像处理技术的不断发展，作为图像处理技术的重要分支之一的三维重建技术在机器人领域的应用越来越广泛和实用。例如，移动机器人使用三维重建技术来感知环境和识别场景从而实现地图构建和导航，工业机器人采用三维重建技术对目标物体进行重建和感知从而实现智能作业。
[0003]三维重建过程主要涉及点云数据的融合，通过相机、雷达等传感器采集的点云数据通常是含有噪声的，噪声的存在会影响点云融合的精度，因此，需要寻求一种能够有效剔除点云数据中的噪声的点云去噪模型，用以在点云融合前剔除点云数据的噪声。

技术实现思路

[0004]本申请的目的在于提供一种点云去噪模型获取方法、点云融合方法及其相关设备，有利于有效地剔除点云数据中的噪声以提高点云融合的精度。
[0005]第一方面，本申请提供了一种点云去噪模型获取方法，包括步骤：A1.采集多帧无噪声点云数据用以与预设噪声结合形成多帧第一点云数据；A2.分别以各所述第一点云数据的所述预设噪声和所述无噪声点云数据作为各所述第一点云数据的第一参考数据和第二参考数据，用每个所述第一点云数据和对应的所述第一参考数据及对应的所述第二参考数据组成一个训练样本，得到训练样本集；A3.基于扩散模型，用所述训练样本集同时对噪声提取模型和点云去噪模型进行迭代训练，直到总损失函数收敛，得到训练好的点云去噪模型；所述总损失函数与所述噪声提取模型的输出数据、所述点云去噪模型的输出数据、所述第一参考数据和所述第二参考数据相关。
[0006]基于扩散模型同时对噪声提取模型和点云去噪模型进行迭代训练，可使得到的点云去噪模型能够有效剔除点云数据中的噪声，从而有利于提高点云融合的精度。
[0007]优选地，所述扩散模型为：；；；其中，为所述噪声提取模型的模型函数，为的反函数，为所述点云去噪模型的模型函数，为输入的点云数据，为所述噪声提取模型的模型参数，为所述
点云去噪模型的模型参数，为所述噪声提取模型的第一输出数据，为所述点云去噪模型的第二输出数据，为所述噪声提取模型的反函数输出数据。
[0008]通过噪声提取模型得到使点云变为纯噪声的变换趋势的特征，然后进行反向变换从而可将噪声从原始点云数据中剔除，可以非常有效地剔除噪声。
[0009]优选地，步骤A3中，每次迭代过程包括步骤：A301.把所述训练样本的所述第一点云数据输入所述噪声提取模型，以获取所述噪声提取模型的第一输出数据和反函数输出数据；A302.根据所述训练样本的所述第一参考数据和所述第一输出数据计算第一损失函数；A303.把所述反函数输出数据输入所述点云去噪模型，以获取所述点云去噪模型的第二输出数据；A304.根据所述训练样本的所述第二参考数据和所述第二输出数据计算第二损失函数；A305.根据所述第一损失函数和所述第二损失函数计算所述总损失函数；A306.根据所述总损失函数更新所述噪声提取模型和所述点云去噪模型的模型参数；A307.若所述总损失函数收敛，则停止迭代。
[0010]优选地，步骤A302包括：根据以下公式计算所述第一损失函数：；其中，为所述第一损失函数，为的第i个数据，为所述训练样本的所述第一参考数据，m为的维数，为的第i个数据。
[0011]优选地，步骤A304包括：根据以下公式计算所述第二损失函数：；其中，为所述第二损失函数，为所述训练样本的所述第二参考数据。
[0012]优选地，步骤A305包括：根据以下公式计算所述总损失函数：；其中，为所述总损失函数，为预设参数。
[0013]优选地，步骤A306包括：根据以下公式更新所述噪声提取模型和所述点云去噪模型的模型参数：
；；其中，为更新后的总模型参数，为更新前的总模型参数，为预设的学习效率。
[0014]利用该方法更新模型参数，有利于提高总损失函数的收敛速度。
[0015]第二方面，本申请提供了一种点云融合方法，包括步骤：B1.获取多帧待融合点云数据；B2.依次把各所述待融合点云数据输入点云去噪模型，得到所述点云去噪模型输出的无噪点云数据；所述点云去噪模型通过前文所述点云去噪模型获取方法得到；B3.融合所述无噪点云数据得到融合点云数据。
[0016]第三方面，本申请提供了一种电子设备，包括处理器和存储器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时，运行如前文所述点云去噪模型获取方法或者如前文所述点云融合方法中的步骤。
[0017]第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如前文所述点云去噪模型获取方法或者如前文所述点云融合方法中的步骤。
[0018]有益效果：本申请提供的云去噪模型获取方法、点云融合方法及其相关设备，基于扩散模型同时对噪声提取模型和点云去噪模型进行迭代训练，以得到训练后的点云去噪模型，可使得到的点云去噪模型能够有效剔除点云数据中的噪声，利用该点云去噪模型对待融合点云数据进行去噪处理后，再进行点云融合，可提高点云融合的精度。
附图说明
[0019]图1为本申请实施例提供的点云去噪模型获取方法的流程图。
[0020]图2为本申请实施例提供的点云融合方法的流程图。
[0021]图3为本申请实施例提供的电子设备的结构示意图。
[0022]标号说明：301、处理器；302、存储器；303、通信总线。
具体实施方式
[0023]下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0024]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0025]请参照图1，图1是本申请一些实施例中的一种点云去噪模型获取方法，包括步骤：A1.采集多帧无噪声点云数据用以与预设噪声结合形成多帧第一点云数据；A2.分别以各第一点云数据的预设噪声和无噪声点云数据作为各第一点云数据的第一参考数据和第二参考数据，用每个第一点云数据和对应的第一参考数据及对应的第二参考数据组成一个训练样本，得到训练样本集；A3.基于扩散模型，用训练样本集同时对噪声提取模型和点云去噪模型进行迭代训练，直到总损失函数收本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种点云去噪模型获取方法，其特征在于，包括步骤：A1.采集多帧无噪声点云数据用以与预设噪声结合形成多帧第一点云数据；A2.分别以各所述第一点云数据的所述预设噪声和所述无噪声点云数据作为各所述第一点云数据的第一参考数据和第二参考数据，用每个所述第一点云数据和对应的所述第一参考数据及对应的所述第二参考数据组成一个训练样本，得到训练样本集；A3.基于扩散模型，用所述训练样本集同时对噪声提取模型和点云去噪模型进行迭代训练，直到总损失函数收敛，得到训练好的点云去噪模型；所述总损失函数与所述噪声提取模型的输出数据、所述点云去噪模型的输出数据、所述第一参考数据和所述第二参考数据相关。2.根据权利要求1所述的点云去噪模型获取方法，其特征在于，所述扩散模型为：；；；其中，为所述噪声提取模型的模型函数，为的反函数，为所述点云去噪模型的模型函数，为输入的点云数据，为所述噪声提取模型的模型参数，为所述点云去噪模型的模型参数，为所述噪声提取模型的第一输出数据，为所述点云去噪模型的第二输出数据，为所述噪声提取模型的反函数输出数据。3.根据权利要求2所述的点云去噪模型获取方法，其特征在于，步骤A3中，每次迭代过程包括步骤：A301.把所述训练样本的所述第一点云数据输入所述噪声提取模型，以获取所述噪声提取模型的第一输出数据和反函数输出数据；A302.根据所述训练样本的所述第一参考数据和所述第一输出数据计算第一损失函数；A303.把所述反函数输出数据输入所述点云去噪模型，以获取所述点云去噪模型的第二输出数据；A304.根据所述训练样本的所述第二参考数据和所述第二输出数据计算第二损失函数；A305.根据所述第一损失函数和所述第二损失函数计算所述总损失函数；A306.根据所述总损失函数更新所述噪声提取模型和所述点云去噪模型的模型参数；A307.若所述总损失函数收...

【专利技术属性】
技术研发人员：张晟东，李志建，邓涛，张立华，
申请(专利权)人：季华实验室，
类型：发明
国别省市：