[發明專利]一種德勞內三角化表面重建模型的建立方法及其應用

在審

• 申請號: 202110863404.3
• 申請日: 2021-07-29
• 公開（公告）號: CN113593037A
• 公開（公告）日: 2021-11-02
• 發明（設計）人: 陶文兵;羅一鳴
• 申請（專利權）人: 華中科技大學
• 主分類號: G06T17/20
• 分類號: G06T17/20;G06N3/04
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 夏倩;李智

1.一種德勞內三角化表面重建模型的建立方法，其特征在于，包括：

對于表面已知的物體的三維點云進行德勞內三角化，得到對應的四面體網，并獲得三維點云中各點對應的切平面圖像，以及各四面體內部隨機采樣的多個點相對于物體表面的內/外標簽，利用標注了四面體內部采樣點的內/外標簽信息的四面體網及各點對應的切平面圖像構建訓練數據集；

建立深度學習模型，用于預測四面體網中各四面體位于物體表面的內/外屬性；所述深度學習模型包括特征提取網絡、特征聚合網絡和標簽預測網絡；所述特征提取網絡包括依次連接的切平面卷積模塊、池化層和反池化層，所述切平面卷積模塊用于對三維點云中各點對應的切平面圖像進行卷積操作，得到各點的初始特征；所述池化層用于對點的初始特征和位置進行取平均，實現對點云的降采樣；所述反池化層用于將降采樣后的點的特征分配給降采樣前的點的特征，作為最終各個點的特征；所述特征聚合網絡用于將四面體各頂點的特征聚合為四面體的特征；所述標簽預測網絡為1×1卷積網絡，用于根據四面體網中各四面體的特征預測各四面體位于物體表面的內/外屬性；

利用所述訓練數據集對所述深度學習模型進行訓練，從而在訓練結束后，得到所述德勞內三角化表面重建模型。

2.如權利要求1所述的德勞內三角化表面重建模型的建立方法，其特征在于，獲得三維點云中各點對應的切平面圖像，包括：

分別以三維點云中各點為參考點，通過近鄰搜索方法獲得各參考點的鄰居點后，將各鄰居點所代表的局部幾何特征投影至參考點對應的切平面，從而得到各參考點對應的切平面圖像。

3.如權利要求2所述的德勞內三角化表面重建模型的建立方法，其特征在于，參考點對應的切平面法向的定義方式包括：

使用主成分分析法計算參考點對應的切平面法向n_p，并計算鄰居點對應的平均法向n_a，若切平面法向n_p與平均法向n_a之間的夾角為銳角，則定義切平面法向為n_p；否則，則將n_p取反后定義為切平面法向。

4.如權利要求2所述的德勞內三角化表面重建模型的建立方法，其特征在于，近鄰搜索方法為球半徑搜索。

5.如權利要求2所述的德勞內三角化表面重建模型的建立方法，其特征在于，鄰居點所代表的局部幾何特征包括法向和有符號投影距離。

6.如權利要求1～5任一項所述的德勞內三角化表面重建模型的建立方法，其特征在于，所述池化層和所述反池化層使用網格哈希實現。

7.如權利要求1所述的德勞內三角化表面重建模型的建立方法，其特征在于，利用所述訓練數據集對所述深度學習模型進行訓練時，所采用的損失函數為：

L＝λ_mL_m+λ_nL_n；

其中，L為總體損失；L_m表示根據四面體內部隨機采樣點的標簽計算的多標簽損失，用于衡量四面體內多個采樣點的標簽與預測結果之間的誤差；L_n表示根據四面體的預測結果計算的交叉熵損失，用于衡量四面體與其周圍相鄰四面體之間的屬性差異；λ_m和λ_n分別表示損失L_m和L_n的權重系數。

8.一種德勞內三角化表面重建方法，其特征在于，包括：

對待重建物體的三維點云進行德勞內三角化，得到對應的四面體網，并獲得所述待重建物體的三維點云中各點對應的切平面圖像；

將所述待重建物體的三維點云連同對應的四面體網，以及三維點云中各點對應的切平面圖像輸入至由權利要求1-7任一項所述的德勞內三角化表面重建模型的建立方法得到的德勞內三角化表面重建模型，以得到四面體網中各四面體位于物體表面的內/外屬性；

將屬性相反且相鄰的兩個四面體的公共三角面片識別為所述待重建物體重建表面的三角面片之一，利用識別出的所述待重建物體重建表面的所有三角面片重建得到所述待重建物體的表面。

9.一種計算機可讀存儲介質，其特征在于，包括存儲的計算機程序，所述計算機程序被處理器執行時，控制所述計算機可讀存儲介質所在設備執行權利要求1～7任一項所述的德勞內三角化表面重建模型的建立方法，和/或，權利要求8所述的德勞內三角化表面重建方法。