[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

本發明公開了一種基于多尺度特征融合的點云法向量估計方法及系統，所述點云法向量估計方法通過獲取s個點云塊，將所述s個點云塊輸入特征提取網絡，得到s×n個點特征向量和s個點云塊特征向量；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，得到所述點云法向量。本發明的點云法向量估計方法融合了點云中各點的特征和所有點云塊的特征，能夠在抑制噪聲的干擾的同時，保證邊緣等尖銳特征的估計法向量的精度，具有極高的穩定性，估計過程具有更好的魯棒性與普適性，大大提高了點云法向量估計的精度，有助于后續的點云配準和曲面重建等點云處理工作。

技術領域

本發明涉及三維點云數據處理領域，尤其涉及一種基于多尺度特征融合的點云法向量估計方法及系統。

背景技術

三維點云數據處理是計算機視覺近期研究的熱點之一。而在進行點云數據處理過程中，法向量估計是一項必不可少的前置任務。法向量包含著點云的局部表面特征。點云分類、點云配準、表面重建等都依賴準確的法向量估計。目前點云法向量的估計方法可分為傳統的法向量估計方法和基于深度學習的法向量估計方法兩大類。

對于基于深度學習的法向量估計，Boulch等通過將表示法線方向的離散化霍夫空間映射到卷積神經網絡中，設計了一種估計點云的不定向法向量的結構。盡管沒有三維模型形式的轉換，該方法需要將點云特征投射到二維的離散化霍夫空間中，因此會造成部分法向量信息的丟失。Guerrero等提出了一種估計點云局部三維形狀特征的多尺度神經網絡，該網絡可以估計可靠的法向量，也可以得到點云的其他表面特性，但是無法選定最優的鄰域尺度，造成各尺度的平均化，無法有效處理不同尺度的特征信息，導致估計準確度降低。

因此，現有技術還有待于改進和發展。

發明內容

鑒于上述現有技術的不足，本發明的目的在于提供一種基于多尺度特征融合的點云法向量估計方法及系統，旨在提高點云法向量的估計速度和精確度。

本發明的技術方案如下：

一種基于多尺度特征融合的點云法向量估計方法，其中，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。

所述的點云法向量估計方法，其中，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。

所述的點云法向量估計方法，其中，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。

所述的點云法向量估計方法，其中，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。

所述的點云法向量估計方法，其中，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。