[發(fā)明專利]一種基于錨點檢測的點云補全方法

在審

• 申請?zhí)枺?/td>: 202111504436.0
• 申請日: 2021-12-10
• 公開（公告）號: CN114359510A
• 公開（公告）日: 2022-04-15
• 發(fā)明（設計）人: 鄒艷妮;張怡睿;徐嘉伯;劉小平;劉捷
• 申請（專利權(quán)）人: 南昌大學
• 主分類號: G06T17/20
• 分類號: G06T17/20;G06V10/46;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京眾合誠成知識產(chǎn)權(quán)代理有限公司 11246
• 代理人: 王煥巧

本發(fā)明屬于點云補全技術(shù)領域，涉及一種基于錨點檢測的點云補全方法，該方法首先使用局部刪除操作對數(shù)據(jù)集做預處理，從而模擬不完整的點云；然后將點云所在空間劃分為多個錨點，訓練神經(jīng)網(wǎng)絡判斷錨點的正負性，得到密度均勻，形狀規(guī)整的正樣本錨點；最后在正樣本錨點的鄰域內(nèi)通過神經(jīng)網(wǎng)絡生成密集點云，實現(xiàn)由單一錨點向局部的擴散，完成點云的補全。為實現(xiàn)該方法，我們訓練了與之適配的GCNet模型，該神經(jīng)網(wǎng)絡模型能夠判斷錨點的正負性以及生成錨點擴散的三維坐標信息，實現(xiàn)了端到端的點云補全，并解決了現(xiàn)有方法只依靠神經(jīng)網(wǎng)絡回歸生成點云坐標而導致的補全效果不佳的問題，提高了點云補全的效果。

技術(shù)領域

本發(fā)明屬于點云補全領域，具體涉及一種基于錨點檢測的點云補全方法。

背景技術(shù)

預測完整的3D點云是許多計算機視覺的核心任務。

現(xiàn)有方法通?；谏疃葘W習，從不完整點云中提取全局特征，用于還原完整點云。盡管它們在一定程度上做到了預測完整點云，但無法準確生成該對象的結(jié)構(gòu)細節(jié)，且存在疏密不均的問題。

將深度學習技術(shù)應用于點云數(shù)據(jù)，是近幾年興起的方向。對于點云補全任務，可以訓練神經(jīng)網(wǎng)絡實現(xiàn)目的，即：輸入不完整的點云結(jié)構(gòu)，生成完整的點云結(jié)構(gòu)。

目前，基于深度學習的大多數(shù)網(wǎng)絡模型對點云補全的效果不佳，其原因是這些模型單純的將點云補全的任務歸類為回歸問題，并訓練神經(jīng)網(wǎng)絡預測點云坐標，因此只能生成大體上正確，而形狀并不規(guī)整的點云。為此，有必要實現(xiàn)形狀規(guī)整，密度均勻的點云補全。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)中局部特征提取的不足，本發(fā)明提出了一種基于錨點檢測的點云補全方法，并設計了與之配合的網(wǎng)絡結(jié)構(gòu)，可以生成規(guī)整、均勻的點云坐標。實驗證明該發(fā)明在視覺和指標上都有很優(yōu)秀的效果。

本發(fā)明采用的技術(shù)方案為：

一種基于錨點檢測的點云補全方法，包括以下步驟：

S1、數(shù)據(jù)集獲取與數(shù)據(jù)預處理：獲取點云公共數(shù)據(jù)集ShapeNet，使用局部刪除操作，在完整點云數(shù)據(jù)中刪除局部點云，以此構(gòu)建不完整點云；

S2、神經(jīng)網(wǎng)絡模型構(gòu)建：基于由粗略到精細的點云補全思想，先通過錨點的正負性判斷得出形狀規(guī)整密度均勻的稀疏點云，再由稀疏點云的擴散得到密集點云，為實現(xiàn)該思想構(gòu)建GCNet網(wǎng)絡模型；

S3、模型訓練與模型保存：使用Adam優(yōu)化器訓練網(wǎng)絡，降低損失函數(shù)，提高點云補全效果，當模型的損失函數(shù)趨于穩(wěn)定后，保存模型。

所述步驟S1中，所述公共數(shù)據(jù)集ShapeNet，包含16個種類的點云數(shù)據(jù)，所有種類的每一個單獨點云數(shù)據(jù)文件(.pts)都由三維坐標系中n個點云坐標x、y、z構(gòu)成，n的值并不相同。

所述步驟S1中，所述局部刪除操作的具體方法有關鍵點定義與選取、關鍵點鄰近點云刪除。

所述步驟S1中，所述關鍵點定義與選取的具體方法為：以(1,0,0)、(0,0,1)、(1,0,1)、(-1,0,0)4個點為關鍵點，()中的三個數(shù)字表示三維坐標系中x、y、z的坐標；為模擬缺失不同部位的不完整點云，我們依次使用4個關鍵點作為中心點，并刪除中心點位置附近的點云數(shù)據(jù)；所述關鍵點鄰近點云刪除操作的具體步驟為：計算點云中所有點與中心的距離，刪除最靠近中心點的512個點云。

所述步驟S2中，所述通過錨點的正負性判斷得出形狀規(guī)整密度均勻的稀疏點云中，由于空間中負樣本的數(shù)量遠遠多于正樣本，過多的負樣本對于網(wǎng)絡的訓練并無收益，因此為了解決負樣本過多的問題，我們在負樣本中只選取正樣本數(shù)量的三倍用于訓練。此外，在選中的負樣本中，我們通過設置閾值d，進一步將負樣本劃分為難訓練負樣本和易訓練負樣本，距離小于閾值d的為難訓練負樣本；大于閾值d的易訓練負樣本，其中難訓練負樣本與易訓練負樣本的數(shù)量比為2：1。