基于特征分析和尺度选择的点云去噪方法、装置及存储介质制造方法及图纸

本发明专利技术提供了基于多尺度特征分析和尺度选择的点云去噪方法、装置及存储介质，构建基于多尺度特征分析和尺度选择的点云去噪网络模型；点云去噪网络模型以从原始噪声点云选取的多个不同尺度的局部邻域作为输入；对各个尺度下的点云数据进行局部特征提取和增强，将不同尺度下的特征信息串联起来通过专家机制模块进行权重信息回归，通过得到的权重信息进行最佳逆位移的选取；将训练集输入到构建好的点云去噪网络模型中进行训练，优化去噪网络模型；将测试集输入至训练后生成的去噪网络模型中进行去噪，输出去噪后的点云数据。本发明专利技术通过多尺度特征分析和尺度选择的方式，能够更好地保留尖锐细节特征，解决了单一尺度下忽略局部几何特征的局限性。部几何特征的局限性。部几何特征的局限性。

【技术实现步骤摘要】
基于特征分析和尺度选择的点云去噪方法、装置及存储介质


[0001]本专利技术涉及三维数据处理
，特别是涉及基于特征分析和尺度选择的点云去噪方法、装置及存储介质。

技术介绍

[0002]随着自动驾驶技术的兴起，3D数据获取技术逐渐发展。3D数据通常可以用不同的格式表示，如深度图像、点云、网格和体积网格。其中，点云是从对象或场景的二维表面采样的三维点的无序集合，使其能够直接表示从立体视觉相机提取的三维信息以及由RGB
‑
D生成的深度图。
[0003]然而，由于扫描设备的固有限制或图像重建中的匹配模糊性，它们经常受到噪声的污染，这严重影响了下游任务(如形状匹配、曲面重建、对象分割等)的性能。因此，点云去噪对于相关的三维视觉应用至关重要。
[0004]目前点云去噪方法大致分为传统方法和基于深度学习的方法。传统方法利用某些表面假设以去除噪声，如稀疏性或非局部相似度。然而，它们通常会出现过度锐化平滑的情况，或者不能够很好地保存尖锐特征。
[0005]基于深度学习的方法，通常采用局部邻域(patches)作为输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度特征分析和尺度选择的点云去噪方法，其特征在于，所述方法包括：获取添加高斯噪声的点云数据，形成噪声点云的训练集和测试集；构建基于多尺度特征分析和尺度选择的点云去噪网络模型；所述点云去噪网络模型，以从原始噪声点云选取的多个不同尺度的局部邻域作为输入，对各个局部邻域在对齐空间中进行矫正操作；对各个尺度下的点云数据进行局部特征提取和增强，将不同尺度下的特征信息串联起来通过专家机制模块进行权重信息回归，通过得到的权重信息进行最佳逆位移的选取；输出去噪后的点云数据；将训练集输入到构建好的点云去噪网络模型中进行训练，优化去噪网络模型；将测试集输入至训练后生成的去噪网络模型中进行去噪，输出去噪后的点云数据。2.根据权利要求1所述的一种基于多尺度特征分析和尺度选择的点云去噪方法，其特征在于，点云去噪网络模型包括：输入及对齐模块、特征提取模块和专家机制模块；所述输入及对齐模块包括多个输入通道，每个输入通道包括对齐子模块，用于输入从原始噪声点云选取的多个不同尺度的局部邻域，并分别将各个邻域在对齐空间中进行矫正操作；所述特征提取模块包括多个用于提取不同尺度特征的特征提取子模块，每个特征提取子模块包括多组特征提取器和点池化层；所述专家机制模块包括一系列的全连接层和尺度管理网，用于对不同尺度下回归的逆位移进行赋权及最优选择；全连接层将不同尺度下特征提取模块的特征信息输出经过池化操作后串联起来，作为尺度管理网的输入进行权重信息计算，通过得到的权重信息进行最佳逆位移的选取；尺度管理网会得到每个分支单尺度的权重，根据权重的大小选取最佳逆位移。3.根据权利要求2所述的一种基于多尺度特征分析和尺度选择的点云去噪方法，其特征在于，输入通道数量为3。4.根据权利要求2所述的一种基于多尺度特征分析和尺度选择的点云去噪方法，其特征在于，对齐子模块采用主成分分析校准。5.根据权利要求2所述的一种基于多尺度特征分析和尺度选择的点云去噪方法，其特征在于，特征提取器为Conv
‑
BN
‑
ReLU。6.根据权利要求2所述的...

【专利技术属性】
技术研发人员：李楠楠，刘玉丽，马哲，李成飞，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：