一种基于可学习的K临近点采样的缺陷点云数据重建方法技术

本发明专利技术公开了一种基于可学习的K临近点采样的缺陷点云数据重建方法，包括获取缺陷点云数据，并进行预处理；采用多尺度图形特征编码器对处理后的缺陷点云数据进行点云特征提取，得到粗糙点云特征数据；采用堆叠式Refine模块提取不同尺度下粗糙点云的几何信息并进行仿射变换，得到细节填充后的重建点云数据。本发明专利技术采用了一种全新的多尺度图样式特征编码器，其基于可学习的K临近采样算法和边缘卷积对点云特征进行精确提取，通过优化的网络架构和训练策略，解决边缘卷积造成的计算量庞大问题和效率低下问题。效率低下问题。效率低下问题。

【技术实现步骤摘要】
一种基于可学习的K临近点采样的缺陷点云数据重建方法


[0001]本专利技术涉及点云重建
，具体涉及一种基于可学习的K临近点采样的缺陷点云数据重建方法。

技术介绍

[0002]点云(point cloud)为三维坐标系下的一系列点集聚合成类似云的形态所得的名称，其简单明了的表示方式以及贴合实际使用场景的采集效果，使基于点云的应用能够在中水平计算效率下即可达到流畅的运行性能。因此，如何能够在点云处理任务中高效精准地实现算法工作是一件函待解决并具有挑战的事，同时强化点云特征提取的理解能力也是技术难点之一。
[0003]与点云数据不同，虽然同为计算机视觉领域非常热门的数据形态，图像数据是2D坐标系下的网格矩阵，即可以精准查找矩阵内每一点的坐标和其对应的信息，也就是像素点，这使得基于二维卷积操作可以非常方便地在感受野内学习局部像素的关系。相比，点云数据没有位置上的强约束，无法通过步进提取的方式直接获取几何特征。实际上，点云存在平移不变性，旋转不变性，无序性三大特点，使其无法直接获取可见的几何特征。其中平移不变性与旋转不变性保证点云在每个点整本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可学习的K临近点采样的缺陷点云数据重建方法，其特征在于，包括以下步骤：S1、获取缺陷点云数据，并进行预处理；S2、采用多尺度图形特征编码器对步骤S1处理后的缺陷点云数据进行点云特征提取，得到粗糙点云特征数据；S3、采用堆叠式Refine模块提取不同尺度下粗糙点云的几何信息并进行仿射变换，得到细节填充后的重建点云数据。2.根据权利要求1所述的一种基于可学习的K临近点采样的缺陷点云数据重建方法，其特征在于，所述多尺度图形特征编码器具体包括：依次串联的多个残差块、一个共享特征的多层感知器、一个全局池化和最大池化层、一个基于折叠的解码器；多个所述残差块用于对步骤S1处理后的缺陷点云数据进行点云特征提取，并将提取的点云特征通过类似金字塔的跨域按通道连接，得到耦合的多层融合点云特征；所述共享特征的多层感知器用于将多个残差块提取的多层融合点云特征在高维空间中进行低维映射，并引入由残差连接带来的原始信息输入，从而获取高聚合的低维点云特征向量；所述全局池化和最大池化层用于对共享特征的多层感知器处理后的低维点云特征向量进行全局池化和最大池化操作，得到包含缺损点云的空间信息以及几何信息的低维点云特征向量和形状代码参数。用于所述基于折叠的解码器用于将形状代码参数在重建空间中解码，重建为原始大小的粗糙点云数据。3.根据权利要求2所述的一种基于可学习的K临近点采样的缺陷点云数据重建方法，其特征在于，所述残差块具体包括：依次串联的基于多尺度KNN算子的边缘卷积层、最大池化和平均池化层、多层感知器、以及单核卷积层；所述基于多尺度KNN算子的边缘卷积层用于对输入的缺陷点云数据利用KNN算子生成点云关系图，再利用多维的基于KNN索引的内核对点云关系图进行二维卷积计算，得到中间层特征；所述最大池化和平均池化层用于对中间层特征进行最大池化和平均池化操作，得到池化后的点云特征；所述多层感知器用于将池化后的点云特征作为调制权值与点云特征进行像素级乘积计算，得到局部叠加结果；所述单核卷积层用于对输入的缺陷点云数据进行卷积操作，得到卷积点云特征；所述局部叠加结果与输入的缺陷点云数...

【专利技术属性】
技术研发人员：饶云波，徐平，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：