一种基于降噪自编码器的点云去噪方法技术

一种基于降噪自编码器的点云去噪方法，首先，对点云数据进行处理，将点云去噪问题视为一个局部问题，取每个点的邻域并对其进行随机抽样采样；其次，

【技术实现步骤摘要】
一种基于降噪自编码器的点云去噪方法


[0001]本专利技术属于三维点云去噪领域，涉及了一种基于降噪自编码器的点云去噪方法
。

技术介绍

[0002]点云正在成为计算机视觉领域越来越重要的数据表示形式，通过激光扫描仪以及无人机倾斜摄影等方法能直接获得点云
。
但是点云的质量容易受到环境
、
经验
、
光线等因素影响，直接获取的点云通常具有大量噪声以及离群值，尤其是边缘和拐角处
。
想要有效的利用点云数据，通常是先对点云数据进行去噪
。
[0003]点云去噪的目的是在保持点云数据几何特征的基础上，尽可能高效的去除或修复噪声，提高后续重建
、
分割
、
分类等工作的效果
。
[0004]目前，点云去噪的方法主要有两类：一类主要基于传统去噪方法进行改进，这一类方法主要通过对局部曲面或曲线的拟合来去除离群点，去噪效果依赖于特定参数的选取，实际应用中存在局限性且鲁棒性较差，在去噪效果和特征保留之间难以取得平衡；另一类方法基于深度学习构建能够直接处理点云数据的有监督学习网络，该方法需要大量打好标签的高质量数据集作为训练集，使用训练完成的网络完成去噪
。
但是在实际应用中，点云数据通常存在数据量大
、
密集以及分布不均匀等特点，人工标注的成本过高而且缺乏足够的先验知识，数据集的制作存在困难
。

技术实现思路

[0005]为了克服已有技术的不足，本专利技术提供了一种基于降噪自编码器的点云去噪方法，首先，对点云数据进行处理，将点云去噪问题视为一个局部问题，取每个点的邻域并对其进行随机抽样采样；其次，
Transform
层通过对输入数据进行适当破坏，为后续特征的提取制造障碍；随后，通过主成分分析法
(Principal Component Analysis,PCA)
计算的旋转矩阵进行点云对齐，将点云旋转到同一角度；然后，
Encoder
层通过多层感知机
(Multilayer Perceptron,MLP)
在破损数据中提取潜在特征，并使用最大值池化来加强平移不变性
、
旋转不变性以及尺度不变性；最后，网络的
Decoder
层通过全卷积来对潜在特征进行解码，输出噪声点的预测位移，完成去噪；本专利技术在保持点云数据几何特征的基础上，尽可能高效的去除噪声
。
[0006]本专利技术解决其技术问题所采用的技术方案是：
[0007]一种基于降噪自编码器的点云去噪方法，包括以下步骤：
[0008]第一步：基于降噪自编码器框架，构建三层网络模型，包含用于破坏点云数据的
Transform
层
、
起编码作用的
Encoder
层以及起解码作用的
Decoder
层；
[0009]第二步：对输入的数据进行预处理，使点云数据转换为更容易被网络直接处理的格式，可以减少计算量并使调整网络参数变得有效；
[0010]通过计算点与点之间的距离得出局部邻域，并对每个局部邻域进行采样控制，保证邻域中的点云数量一致；
[0011]其中，点云局部邻域是指在点云数据中距离选定点小于特定距离的点的集合；
[0012]第三步：将经过处理的点云数据输入至第一步中构建好的
Transform
层中进行破坏处理；
[0013]第四步：基于
PCA
进行点云数据的对齐，加强网络的不变性；
[0014]其中，网络的不变性是平移不变性
、
旋转不变性以及尺度不变性；
[0015]其中，平移不变性是指通过平移点云使每个点坐标发生变化，但是网络仍然能够识别为同一组点云；
[0016]其中，旋转不变性是指通过旋转点云使每个点坐标发生变化，但是网络仍然能够识别为同一组点云；
[0017]其中，尺度不变性是指通过缩放点云使每个点坐标发生变化，但是网络仍然能够识别为同一组点云；
[0018]第五步：将处理后的点云输入至第一步中构建好的
Encoder
层，获取数据的潜在特征；
[0019]第六步：将从
Encoder
层中提取的潜在特征输入至第一步中构建好的
Decoder
层中，输出作用于噪声点的位移，完成去噪过程
。
[0020]进一步，所述第一步中，降噪自编码器是一类接受损坏数据作为输入，并训练来预测原始未被损坏数据的自编码器；
[0021]其中，
Transform
层对输入点云进行破坏转化处理，得到破损的点云数据；
[0022]其中，
Encoder
层在破损的点云数据上进行训练，学习到潜在特征，这个过程称为编码，获得的潜在特征具有强抗噪性；
[0023]其中，
Decoder
层对潜在特征进行重构，这个过程称为解码，通过迭代训练不断调整网络参数以最小化损失函数，得到最优的模型；
[0024]再进一步，所述第二步的过程如下：
[0025]步骤
(2.1)
为了避免在去噪的同时降低点云的质量，由此建立点云噪声模型：
[0026][0027]其中，
P
′
代表原始的噪声点云集合，
p
′
i
为
P
′
中的第
i
个点，
P
代表无噪声点云集合，
p
i
为
P
中第
i
个点
。n
i
表示作用在每个无噪声点上的干扰向量，与
p
i
同维度；
[0028]步骤
(2.2)
考虑到任意噪声点的去噪结果来源于该点的局部邻域，因此对每个点的局部邻域定义为：
[0029][0030]其中，
r
为邻域半径，
P
′
i
表示以
p
′
i
为圆心以
r
为半径的邻域范围内的点集；
[0031]其中，
d
ij
是点
p
′
j
(x
i
,y
i
,z
i
)
与
p
′
j
(x
j
,y
j
,z
j
)
之间的距离：
[0032][0033]步骤
(2.3)
使用随机抽样的方法进行采样控制，使处理之后的点云数量一致；
[0034]优选的，所述步骤
(2.3)
...

【技术保护点】

【技术特征摘要】
1.
一种基于降噪自编码器的点云去噪方法，其特征在于，所述方法包括以下步骤：第一步：基于降噪自编码器框架，构建三层网络模型，包含用于破坏点云数据的
Transform
层
、
起编码作用的
Encoder
层以及起解码作用的
Decoder
层；第二步：对输入的数据进行预处理，使点云数据转换为更容易被网络直接处理的格式，可以减少计算量并使调整网络参数变得有效；通过计算点与点之间的距离得出局部邻域，并对每个局部邻域进行采样控制，保证邻域中的点云数量一致；其中，点云局部邻域是指在点云数据中距离选定点小于特定距离的点的集合；第三步：将经过处理的点云数据输入至第一步中构建好的
Transform
层中进行破坏处理；第四步：基于
PCA
进行点云数据的对齐，加强网络的不变性；其中，网络的不变性是平移不变性
、
旋转不变性以及尺度不变性；其中，平移不变性是指通过平移点云使每个点坐标发生变化，但是网络仍然能够识别为同一组点云；其中，旋转不变性是指通过旋转点云使每个点坐标发生变化，但是网络仍然能够识别为同一组点云；其中，尺度不变性是指通过缩放点云使每个点坐标发生变化，但是网络仍然能够识别为同一组点云；第五步：将处理后的点云输入至第一步中构建好的
Encoder
层，获取数据的潜在特征；第六步：将从
Encoder
层中提取的潜在特征输入至第一步中构建好的
Decoder
层中，输出作用于噪声点的位移，完成去噪过程
。2.
如权利要求1所述的一种基于降噪自编码器的点云去噪方法，其特征在于，所述第一步中，降噪自编码器是一类接受损坏数据作为输入，并训练来预测原始未被损坏数据的自编码器；其中，
Transform
层对输入点云进行破坏转化处理，得到破损的点云数据；其中，
Encoder
层在破损的点云数据上进行训练，学习到潜在特征，这个过程称为编码，获得的潜在特征具有强抗噪性；其中，
Decoder
层对潜在特征进行重构，这个过程称为解码，通过迭代训练不断调整网络参数以最小化损失函数，得到最优的模型
。3.
如权利要求1或2所述的一种基于降噪自编码器的点云去噪方法，其特征在于，所述第二步的过程如下：步骤
(2.1)
为了避免在去噪的同时降低点云的质量，由此建立点云噪声模型：其中，
P
′
代表原始的噪声点云集合，
p
′
i
为
P
′
中的第
i
个点，
P
代表无噪声点云集合，
p
i
为
P
中第
i
个点，
n
i
表示作用在每个无噪声点上的干扰向量，与
p
i
同维度；步骤
(2.2)
考虑到任意噪声点的去噪结果来源于该点的局部邻域，因此对每个点的局部邻域定义为：
其中，
r
为邻域半径，
P
i
′
表示以
p
′
i
为圆心以
r
为半径的邻域范围内的点集；其中，
d
ij
是点
p'
j
(x
i
,y
i
,z
i
)
与
p'
j
(x
j
,y
j
,z
j
)
之间的距离：步骤
(2.3)
使用随机抽样的方法进行采样控制，使处理之后的点云数量一致
。4.
如权利要求3所述的一种基于降噪自编码器的点云去噪方法，其特征在于，所述步骤
(2.3)
的过程如下：步骤
(2.3.1)
计算当前输入邻域中的点云数量，通过采样控制使邻域中点的数量恒定为
N
；步骤
(2.3.2)
当邻域中点的数量大于
N
时，进行下采样操作
d(P
′
i
)
，随机抽取邻域中
N
个点作为网络输入；当邻域中的点云数量小于
N
时，则进行上采样操作
u(P
′
i
)
，填充原点
p
′
i
使得点云数量为
N
；其中，点云下采样是对点云以一定的采样规则重新进行采样
,
目的是在保证点云整体几何特征不变的情况下
,
降低点云的密度，而上采样是增加点云的密度；其中，为处理后
p
′
i
的点云邻域集合，为邻域
P
′
i
中点云的数量，
N
为点云邻域中的恒定电的数量，取值
500。5.
如权利要求4所述的一种基于降噪自编码器的点云去噪方法，其特征在于，所述步骤
(2.3.2)
的过程如下：步骤
(2.3.2.1)
通过编程语言的随机函数产生一个随机数种子；步骤
(2.3.2.2)
通过随机数生成函数生成随机数并对当前邻域中点的数量进行取余操作，将对应的点去除，直至邻域中点的数量为
N。6.
如权利要求1或2所述的一种基于降噪自编码器的点云去噪方法，其特征在于，所述第三步的过程如下：步骤
(3.1)
对输入的点云添加高斯白噪声扰动得到为网络后续的学习过程添加阻碍，使得学习到的特征更有表现能力；其中，是服从正太分布的扰动向量，～表示服从于，
N(0,
σ2I)
表示均值为0且标准差为
σ
的正太分布，
σ
由实验选取为包围盒对角线长度的
0.5
％，
I
为3×3的单位矩阵，以符合点云数据的维度；其中，高斯白噪声是幅度服从正态分布且功率谱密度服从均匀分布的噪声数据；步骤
(3.2)
按照一定的概率将某些节点清零，进一步提升网络的泛化能力，降低对输入数据的依赖性
。
7.
如权利要求6所述的一种基于降噪自编码器的点云去噪方法，其特征在于，所述步骤
(3.2)
的过程如下：步骤
(3.2.1)
以概率为
η
的伯努利分布生成一个随机向量
β
；
β
～
Benoulli(
μ
)
其中，
Benoulli()
表示伯努利分布，是一个离散型随机分布，为二项分布的特殊情况，
μ
的取值为
0.3
；步骤
(3.2.2)
将
β
与输入相乘，使部分节点被屏蔽得到相乘，使部分节点被屏蔽得到
8.
如权利要求1或2所述的一种基于降噪自编码器的点云去噪方法，其特征在于，所述第四步的过程如下；步骤
(4.1)
计算协方差矩阵，对内的每个点的坐标
(x
j
,y...

【专利技术属性】
技术研发人员：肖刚，胡豪，陆佳炜，王琪冰，李琛，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：