基于深度学习多统计量的三维点云数据降噪处理方法及系统技术方案

本发明专利技术涉及数据处理技术领域，特别涉及一种基于深度学习多统计量的三维点云数据降噪处理方法及系统，通过构建用于利用噪声向量来表示空间点位置噪声的降噪网络并对降噪网络进行训练优化；将待处理噪声点云输入至训练后的降噪网络，利用降噪网络并在噪声向量方向上按预设步长系数来更新噪声向量坐标，以通过迭代方式来消除待处理噪声点云中的噪声。本发明专利技术在深度学习降噪过程中通过数据拟合分布并根据分布确定数据统计量来进行降噪处理，基于深度学习方式实现点云降噪，将人工先验的特征统计量与深度学习基于数据驱动的后验特征相结合，利用多统计量降噪网络来实现对点云数据的有效降噪，能够有效提高点云数据降噪效果。能够有效提高点云数据降噪效果。能够有效提高点云数据降噪效果。

【技术实现步骤摘要】
基于深度学习多统计量的三维点云数据降噪处理方法及系统


[0001]本专利技术涉及数据处理
，特别涉及一种基于深度学习多统计量的三维点云数据降噪处理方法及系统。

技术介绍

[0002]点是几何图形中最为简单的一种，它指定了特定空间中唯一的位置。三维空间中的点，这些点不具有长度、面积或者体积等属性。点云，顾名思义，由众多点构成的集合称之为点云，可以将点云视为图像、体素或者具有拓扑结构的数据集合。真实场景中的点云受扫描设备本身、人为操作以及被测场景的物体表面等各种因素的影响，点云数据不可避免地存在许多小振幅的噪声和离群点。因此，需要通过预处理对这些噪声点剔除或者修正，以减少该过程对后续配准造成的影响。
[0003]目前，基于深度学习监督方法主要采用直接位移法、下采样
‑
上采样法和预测潜在表面法。第一种方式由于噪声位移估计的不准确，通常存在收缩和异常值两类伪影；第二种方式虽然能够在下采样阶段剔除异常值，但下采样过程会丢弃原始点云中的细节信息，导致点云的过度平滑，这种现象在低噪声时表现尤为明显；第三种方式与前两种方式具有显著区别，通过预测三维点云潜在表面进行去噪处理，因此，不止针对三维点云已有的点，对于潜在表面邻域内的任意一点，均可以进行坐标的修正，且该方法未使用下采样技术，所以，不会造成点云细节信息的丢失。第三种虽也取得了不错的降噪效果，然而这种方式仅利用了深度学习基于数据驱动的特征提取方式，导致其降噪效果有限。

技术实现思路

[0004]为此，本专利技术提供一种基于深度学习多统计量的三维点云数据降噪处理方法及系统，解决现有技术中降噪效果不理想的情形，在深度学习降噪过程中通过数据拟合分布并根据分布确定数据统计量来进行降噪处理，提升点云数据降噪效果。
[0005]按照本专利技术所提供的设计方案，提供一种基于深度学习多统计量的三维点云数据降噪处理方法，包含：
[0006]构建用于利用噪声向量来表示空间点位置噪声的降噪网络并对降噪网络进行训练优化，其中，降噪网络包含：用于对输入噪声点云进行特征提取并输出点云特征的特征提取模块，用于对输入的噪声点云和点云特征进行预测并输出初始噪声向量坐标的初始预测网络模块，用于对初始噪声向量坐标的多维统计量进行统计计算并输出多维统计量特征的统计量计算模块，和用于对噪声点云、点云特征、统计量特征进行预测并输出最终噪声向量坐标的精细化预测网络模块；
[0007]将待处理噪声点云输入至训练后的降噪网络，利用降噪网络并在噪声向量方向上按预设步长系数来更新噪声向量坐标，以通过迭代方式来消除待处理噪声点云中的噪声。
[0008]作为本专利技术基于深度学习多统计量的三维点云数据降噪处理方法，进一步地，所述特征提取模块利用多个图卷积块来构成多层密集连接的动态图卷积网络叠加结构，利用
动态图卷积网络提取输入的噪声点云每个点的多尺度特征。
[0009]作为本专利技术基于深度学习多统计量的三维点云数据降噪处理方法，进一步地，所述初始预测网络模块利用多个一维卷积层来对点云特征和点云数据进行融合计算处理来获取初始噪声向量坐标，其中，融合计算处理过程表示为：x为空间任意位置；x
i
为输入的噪声点云X中x的临近点，F
i
为输入的噪声点云X中点i的特征向量，SNet
init
表示初始预测网络，为初始噪声向量坐标。
[0010]作为本专利技术基于深度学习多统计量的三维点云数据降噪处理方法，进一步地，所述统计量计算模块将初始噪声向量坐标的均值、方差、偏度及峰值作为统计量进行统计计算来获取包含均值、方差、偏度及峰值的四维度统计量特征。
[0011]作为本专利技术基于深度学习多统计量的三维点云数据降噪处理方法，进一步地，所述精细化预测网络模块将噪声点云、点云特征和统计量特征作为网络输入，通过精细化预测网络预处理中对噪声点云转置、点云特征和统计量特征扩展及张量拼接来获取最终输出的噪声向量坐标，其中，精细化预测网络模块预测输出的过程表示为：SNet
refine
表示精细化预测网络，x为空间任意位置；x
i
为输入的噪声点云X中x的临近点，表示网络输入，且f
cat
为张量拼接函数；F
i
表示点i的特征张量，表示点i统计特征s，为最终输出的噪声向量坐标。
[0012]作为本专利技术基于深度学习多统计量的三维点云数据降噪处理方法，进一步地，降噪网络训练优化，包含：首先，在干净点云上添加预设类型噪声数据，并抽取用于作为网络训练的训练数据样本，接着，基于初始预测网络模块的损失和精细化预测网络模块的损失来构建降噪网络总损失函数；然后，基于降噪网络总损失函数，并利用训练数据样本对降噪网络进行训练优化。
[0013]作为本专利技术基于深度学习多统计量的三维点云数据降噪处理方法，进一步地，降噪网络中，利用噪声向量来表示空间点位置噪声的过程表示为：其中，NNk(x
i
,Y,k)表示在干净点云Y中求取噪声点云X中x的临近点x
i
第k个邻近点，K表示邻域内点个数。
[0014]进一步地，本专利技术还提供一种基于深度学习多统计量的三维点云数据降噪处理系统，包含：模型构建模块和降噪处理模块，其中，
[0015]模型构建模块，用于构建利用噪声向量来表示空间点位置噪声的降噪网络并对降噪网络进行训练优化，其中，降噪网络包含：用于对输入噪声点云进行特征提取并输出点云特征的特征提取模块，用于对输入的噪声点云和点云特征进行预测并输出初始噪声向量坐标的初始预测网络模块，用于对初始噪声向量坐标的多维统计量进行统计计算并输出多维统计量特征的统计量计算模块，和用于对噪声点云、点云特征、统计量特征进行预测并输出最终噪声向量坐标的精细化预测网络模块；
[0016]降噪处理模块，用于将待处理噪声点云输入至训练后的降噪网络，利用降噪网络并在噪声向量方向上按预设步长系数来更新噪声向量坐标，以通过迭代方式来消除待处理噪声点云中的噪声。
[0017]本专利技术的有益效果：
[0018]本专利技术基于深度学习方式实现点云降噪，将人工先验的特征统计量与深度学习基于数据驱动的后验特征相结合，利用多统计量降噪网络来实现对点云数据的有效降噪，提高降噪效果。并进一步通过实验证明，本案引入统计量特征能够提升点云数据降噪处理的有效性，具有较好的应用前景。
附图说明：
[0019]图1为实施例中基于深度学习多统计量的三维点云数据降噪处理流程示意图；
[0020]图2为实施例中降噪网络结构示意；
[0021]图3为实施例中网络降噪过程示意；
[0022]图4为实施例中降噪网络训练过程示意；
[0023]图5为实施例中“骆驼”去噪效果对比示意；
[0024]图6为实施例中“椅子”去噪效果对比；
[0025]图7为实施例中“马”去噪效果对比；
[0026]图8为实施例中点云降噪可视化示意；
[0027]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习多统计量的三维点云数据降噪处理方法,其特征在于，包含：构建用于利用噪声向量来表示空间点位置噪声的降噪网络并对降噪网络进行训练优化，其中，降噪网络包含：用于对输入噪声点云进行特征提取并输出点云特征的特征提取模块，用于对输入的噪声点云和点云特征进行预测并输出初始噪声向量坐标的初始预测网络模块，用于对初始噪声向量坐标的多维统计量进行统计计算并输出多维统计量特征的统计量计算模块，和用于对噪声点云、点云特征、统计量特征进行预测并输出最终噪声向量坐标的精细化预测网络模块；将待处理噪声点云输入至训练后的降噪网络，利用降噪网络并在噪声向量方向上按预设步长系数来更新噪声向量坐标，以通过迭代方式来消除待处理噪声点云中的噪声。2.根据权利要求1所述的基于深度学习多统计量的三维点云数据降噪处理方法，其特征在于，所述特征提取模块利用多个图卷积块来构成多层密集连接的动态图卷积网络叠加结构，利用动态图卷积网络提取输入的噪声点云每个点的多尺度特征。3.根据权利要求1所述的基于深度学习多统计量的三维点云数据降噪处理方法，其特征在于，所述初始预测网络模块利用多个一维卷积层来对点云特征和点云数据进行融合计算处理来获取初始噪声向量坐标，其中，融合计算处理过程表示为：x为空间任意位置；x
i
为输入的噪声点云X中x的临近点，F
i
为输入的噪声点云X中点i的特征向量，SNet
init
表示初始预测网络，为初始噪声向量坐标。4.根据权利要求1所述的基于深度学习多统计量的三维点云数据降噪处理方法，其特征在于，所述统计量计算模块将初始噪声向量坐标的均值、方差、偏度及峰值作为统计量进行统计计算来获取包含均值、方差、偏度及峰值的四维度统计量特征。5.根据权利要求1所述的基于深度学习多统计量的三维点云数据降噪处理方法，其特征在于，所述精细化预测网络模块将噪声点云、点云特征和统计量特征作为网络输入，通过精细化预测网络预处理中对噪声点云转置、点云特征和统计量特征扩展及张量拼接来获取最终输出的噪声向量坐标，其中，精细化预测网络模块预测输出的过程表示为：精细化预测网络模块预测输出的过程表示为：SNet
refine
表示精细化预测网络，x为空间任意位置；x
i
为...

【专利技术属性】
技术研发人员：官恺，李志勇，金飞，张昊，牛泽璇，张朝阳，赵亚鹏，杨苗苗，袁海军，刘雅祺，李志鹏，杨帆，
申请(专利权)人：中国人民解放军六一三六三部队，
类型：发明
国别省市：