一种基于特征融合的点云均匀补全方法技术

本发明专利技术公开了一种基于特征融合的点云补全方法，包括如下步骤：S1：获取真实点云并制作相对应的残缺点云；S2：将残缺点云数据输入点特征提取子网，获取点特征；S3：将残缺点云数据输入结构特征提取子网，获取结构特征；S4：将点特征和结构特征一并输入特征融合子网，得到融合特征；S5：将融合特征输入点云解码器得到粗糙补全点云；S6：将残缺点云与粗糙补全点云合并，并均匀采样得到补全点云。本发明专利技术通过融合点特征和结构特征以及引入均匀采样的方法，在恢复点云的整体形状时能够尽可能地还原出点云的局部细节，同时也能保证点分布的均匀性。

【技术实现步骤摘要】

本专利技术涉及计算机视觉，具体涉及的是一种基于特征融合的点云均匀补全方法。

技术介绍

1、随着生产实践需求的变化，以lidar为代表的3d传感器逐渐普及到工业邻域中。3d点云数据已经开始应用于slam、目标检测等场景中。相较于2d图像，3d点云数据能更加直观、立体地描述物体对象，包含更多的细节信息，因而点云数据的应用越来越广泛。然而，由于分辨率和遮挡等情况，原始点云数据通常是稀疏、缺损的，这种数据信息的缺失，极大地限制了立体视觉的感知物体的能力，因而对这些残缺的点云进行补全变得越发重要。

2、点云补全的主要任务是通过各种方法对残缺点云的形状进行恢复，从而获得特征明显、易于辨认的点云物体。在深度学习发展之前，一些补全研究主要是从计算机图形学的角度出发，对三维物体的描述更多是倾向依赖于人为定义的几何关系，例如，孔洞填充法、对称法；一些补全研究则通过建立包含大量三维形状的数据库来进行近似匹配残缺点云，例如，直接检索法，变形法。然而这些方法难以有强大的泛化能力，而且对残缺点云的补全能力十分有限。而深度学习的发展，能够让点云数据特征的抽取变得更容易，从而本文档来自技高网...

【技术保护点】

1.一种基于特征融合的点云均匀补全方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于特征融合的点云均匀补全方法，其特征在于，所述S2中将对残缺点云使用最远点采样(FPS)采样N个点作为点特征子网的输入；使用多层感知机(MLP)对输入点云信息进行处理；MLP由两个点数据处理层构成，每一个点数据处理层又由卷积核为1×1的卷积层、ReLU层以及批次归一化层组合而成；经过MLP处理，得到高维空间的点云特征F1；利用最大池化(Max Pooling)构成的池化层处理点云特征从而抽取出涵盖点云全局语义信息的点特征Fp。

3.根据权利要求1所述的一种基于特征融合...

【技术特征摘要】

1.一种基于特征融合的点云均匀补全方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于特征融合的点云均匀补全方法，其特征在于，所述s2中将对残缺点云使用最远点采样(fps)采样n个点作为点特征子网的输入；使用多层感知机(mlp)对输入点云信息进行处理；mlp由两个点数据处理层构成，每一个点数据处理层又由卷积核为1×1的卷积层、relu层以及批次归一化层组合而成；经过mlp处理，得到高维空间的点云特征f1；利用最大池化(max pooling)构成的池化层处理点云特征从而抽取出涵盖点云全局语义信息的点特征fp。

3.根据权利要求1所述的一种基于特征融合的点云均匀补全方法，其特征在于，所述s3中结构特征提取子网主要由三个pointconv层和一个池化层组成；其中，pointconv层为多分支输入单输出的结构，其处理点云数据的具体步骤为：

4.根据权利要求1所述...

【专利技术属性】
技术研发人员：李松，白昱，胡奇，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：