【技术实现步骤摘要】
融合自注意力和多路路径图卷积的点云上采样方法及系统
[0001]本专利技术涉及点云数据处理
，特别是涉及一种融合自注意力和多路路径图卷积的点云上采样方法及系统。
技术介绍
[0002]点云(Point Cloud)用来作为三维数据变得越来越流行。其促进了三维目标检测、3D点云补全等理论的研究兴起。对于新的应用如自动驾驶技术、机器人操控起到关键性的作用。通过三维激光雷达传感器获取的点云数据能为汽车自动驾驶的路径规划和导航定位提供可靠的支撑。然而由于硬件条件尤其是三维传感器芯片的限制，直接采集到的点云通常都是低分辨率的甚至是有噪声的。难以满足使用要求。点云上采样技术皆在将稀疏的、不均匀的点云转化为视觉质量更好、细节更精细的点云。因此点云上采样作为一种修正操作备受研究人员的关注。传统的点云上采样方法例如双边正则化项的序列深度图像上采样方法用多个点云数据之间的冗余，仅根据退化模型实现上采样，缺点在于只适用于静态的场景且多帧点云数据依赖精确的配准。基于单帧深度图像的点云上采样方法只需原始点云数据，系统效率高。其缺点是极度依赖先验...
【技术保护点】
【技术特征摘要】
1.一种融合自注意力和多路路径图卷积的点云上采样方法，其特征在于，包括：获取目标物体的原始点云；将所述原始点云输入点云上采样模型，获得上采样处理后的稠密点云；所述点云上采样模型包括依次连接的特征提取器、上采样器和坐标重建器；所述特征提取器用于基于多个残差多层图卷积和自注意力模块对所述原始点云进行特征提取，获得初级点云特征；所述上采样器用于对所述初级点云特征进行拓展聚合及重新排列得到高级点云特征；所述坐标重建器用于将所述高级点云特征回归到三维空间，得到所述稠密点云；所述点云上采样模型为通过数据集对点云上采样网络进行训练后获得的。2.根据权利要求1所述的融合自注意力和多路路径图卷积的点云上采样方法，其特征在于，所述特征提取器包括依次连接的第一k近邻算法模块、图卷积模块、第一融合特征提取模块、第二融合特征提取模块和第三融合特征提取模块；所述第一融合特征提取模块、所述第二融合特征提取模块和所述第三融合特征提取模块结构相同，所述第一融合特征提取模块的输出、所述第二融合特征提取模块的输出与所述所述第三融合特征提取模块的输出合并作为所述特征提取器的输出；所述第一融合特征提取模块包括瓶颈层、第二k近邻算法模块、第三k近邻算法模块、第一残差多层图卷积、第二残差多层图卷积、第三残差多层图卷积、自注意力模块、全局最大池化和拼接模块；所述瓶颈层的输出分别与所述第二k近邻算法模块、所述第三k近邻算法模块和第三残差多层图卷积的输入连接，所述第二k近邻算法模块的输出与所述第一残差多层图卷积的输入连接，所述第三k近邻算法模块的输出与所述第二残差多层图卷积的输入连接，所述第三残差多层图卷积的输出与所述自注意力模块的输入连接，所述瓶颈层的输入与所述全局最大池化的输入连接，所述第一残差多层图卷积、所述第二残差多层图卷积、所述自注意力模块和所述全局最大池化的输出均与所述拼接模块连接，所述拼接模块的输出与所述瓶颈层的输入合并得到所述第一融合特征提取模块的输出；所述第二k近邻算法模块和所述第三k近邻算法模块中k近邻算法的扩张率不同。3.根据权利要求2所述的融合自注意力和多路路径图卷积的点云上采样方法，其特征在于，所述第一残差多层图卷积、所述第二残差多层图卷积和所述第三残差多层图卷积的结构相同；所述第一残差多层图卷积中包括第四k近邻算法模块和顺次连接的多个图卷积运算层，所述第四k近邻算法模块的输出连接第一个图卷积运算层的输入；每个图卷积运算层均包括第一多层感知机和第二多层感知机；第一多层感知机和第二多层感知机均为32输出通道数的多层感知机；当所述图卷积运算层为第一个图卷积运算层时，当前图卷积运算层用于：将输入特征中的中心点特征输入第一多层感知机，将输入特征中...
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。