[發明專利]一種基于多尺度特征融合的點云法向量估計方法及系統有效
| 申請號： | 202010434599.5 | 申請日： | 2020-05-21 |
| 公開（公告）號： | CN111709450B | 公開（公告）日： | 2023-05-26 |
| 發明（設計）人： | 鐘小品;李鋒 | 申請（專利權）人： | 深圳大學 |
| 主分類號： | G06V10/80 | 分類號： | G06V10/80;G06T3/40 |
| 代理公司： | 深圳市君勝知識產權代理事務所(普通合伙) 44268 | 代理人： | 徐凱凱;楊宏 |
| 地址： | 518060 廣東*** | 國省代碼： | 廣東;44 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 尺度 特征 融合 點云法 向量 估計 方法 系統 | ||
1.一種基于多尺度特征融合的點云法向量估計方法，其特征在于，包括步驟：
獲取s個點云塊，將所述s個點云塊輸入特征提取網絡，通過所述特征提取網絡，得到s×n個點特征向量和s個點云塊特征向量；其中，s≥1且為正整數，每個所述點云塊中的點數量均為n；
將所述s×n個點特征向量和s個點云塊特征向量進行拼接處理，得到s×n個拼接特征向量；
將所述s×n個拼接特征向量輸入法向量估計網絡，通過所述法向量估計網絡，得到所述點云法向量；
所述法向量估計網絡包括第一多層感知器、對稱函數和第二多層感知器；
所述將所述s×n個拼接特征向量輸入法向量估計網絡，通過所述法向量估計網絡，得到所述點云法向量包括：
將所述s×n個拼接特征向量輸入所述第一多層感知器，通過所述第一多層感知器，得到s×n個融合特征向量；
將所述s×n個融合特征向量輸入所述對稱函數，通過所述對稱函數，得到s個池化特征向量；
將所述s個池化特征向量輸入所述第二多層感知器，通過所述第二多層感知器，得到所述點云法向量；
所述對稱函數包括最大值池化函數或平均值池化函數；所述第一多層感知器和第二多層感知器均包括三層感知器網絡；
對于點云塊特征的提取，所述點云塊特征提取網絡包括第四多層感知器、第一對稱函數和第五多層感知器，其中所述第四多層感知器和第五多層感知器均為三層的感知器網絡，所述第一對稱函數為最大值池化函數或平均值池化函數；
采用第四多層感知器對s×n個點特征向量進行升維處理，得到每個點的升維點特征向量，對s×n個點特征向量中任一點特征向量的升維過程表示為：
g(pj)＝mlp1(f(pj))，
其中，pj為s個點云塊中任意一點的坐標，j∈{1,2,3,…,(s-1)×n+1,(s-1)×n+2,…,s×n}，g(pj)是pj的升維點特征向量，f(pj)是pj的點特征向量，g(pj)的維度高于f(pj)的維度，mlp1是第四多層感知器；
針對每一個點云塊，通過點云塊中的每個升維點特征向量
g(p1)、……、g(pn)經第一對稱函數計算得到該點云塊的基礎特征向量，第一對稱函數的輸出值不隨輸入向量的排列方式而改變，第一對稱函數映射表示為：
其中，是任一點云塊的基礎特征向量，S1是第一對稱函數。最后，為減少點云塊對應的全局特征中的冗余信息，將多層感知器的特征提取映射推廣到對點云塊基礎特征向量的處理上，采用第五多層感知器對每一個點云塊進行處理表示為：
其中，是任一點云塊的基礎特征向量，是刪除冗余信息后得到的點云塊特征向量，mlp2是第五多層感知器。
2.根據權利要求1所述的點云法向量估計方法，其特征在于，所述特征提取網絡包括點特征提取網絡和點云塊特征提取網絡。
3.根據權利要求2所述的點云法向量估計方法，其特征在于，所述將所述s個點云塊輸入特征提取網絡，通過所述特征提取網絡，得到s×n個點特征向量和s個點云塊特征向量包括：
將所述s個點云塊輸入所述點特征提取網絡，通過所述點特征提取網絡，得到s×n個點特征向量；
將所述s×n個點特征向量輸入所述點云塊特征提取網絡，通過所述點云塊特征提取網絡，得到s個點云塊特征向量。
4.根據權利要求1所述的點云法向量估計方法，其特征在于，所述將所述s×n個點特征向量和s個點云塊特征向量進行拼接處理，得到s×n個拼接特征向量包括：
針對每一個點特征向量，將所述s個點云塊特征向量橫向拼接在該點特征向量之后，得到該點特征向量對應的拼接特征向量，以確定s×n個拼接特征向量。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于深圳大學，未經深圳大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010434599.5/1.html，轉載請聲明來源鉆瓜專利網。
