[發明專利]一種基于多層次注意力感知的點云去噪方法

有效

• 申請號: 202210262877.2
• 申請日: 2022-03-17
• 公開（公告）號: CN114627017B
• 公開（公告）日: 2022-12-13
• 發明（設計）人: 汪俊;黃安義;王洲濤;劉元朋
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04;G06N3/08
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 王磊

1.一種基于多層次注意力感知的點云去噪方法，其特征在于，包括以下步驟：

步驟S1、獲取若干個模型的點云數據，在每片點云數據中選取M個采樣點，對于每個采樣點，獲取其不同尺度大小的點云面片鄰域，將點云面片鄰域中各數據點的坐標作為輸入，采樣點相對于其真實坐標的位置偏移量作為標簽，構建點云去噪數據集；

步驟S2、構建點云去噪神經網絡，并利用點云去噪數據集完成網絡模型的訓練；點云去噪神經網絡包括面片特征編碼器、全局層次感知模塊、全局層次注意力模塊和多重偏移解碼器模塊；所述面片特征編碼器用于提取多尺度面片深度特征，并將其壓縮為全局特征向量；所述全局層次感知模塊用于將全局特征向量映射為全局層次感知向量，實現全局特征感知；所述全局層次注意力模塊用于將所述全局特征向量映射為不同層次的注意力向量；所述多重偏移解碼器模塊將全局層次感知向量和不同層次的注意力向量作用于偏移計算，獲取位置偏移量；

步驟S3、對于待去噪的點云數據，分別獲取每個原始數據點的點云面片鄰域，并將點云面片鄰域中各數據點的坐標輸入到訓練完成的去噪神經網絡中，獲取每個原始數據點的位置偏移量；

步驟S4、根據獲取的位置偏移量，分別調整待去噪的點云數據中每個對應的原始數據點的位置，從而完成點云去噪。

2.如權利要求1所述的一種基于多層次注意力感知的點云去噪方法，其特征在于，步驟S1中，以采樣點為中心，分別獲取半徑為a、b、c的小尺度點云面片鄰域、中尺度點云面片鄰域和大尺度點云面片鄰域，再從每個點云面片鄰域中選取N個數據點，將其坐標作為輸入，從而構建點云數據集；步驟S3中以同樣的方法確定待去噪的點云數據中每個原始數據點對應的去噪神經網絡輸入。

3.如權利要求2所述的一種基于多層次注意力感知的點云去噪方法，其特征在于，若點云面片鄰域中數據點個數大于N則隨機采樣N個數據點，若點云面片鄰域中數據點個數小于N則重采樣至N個數據點。

4.如權利要求1所述的一種基于多層次注意力感知的點云去噪方法，其特征在于，所述面片特征編碼器包括與點云面片鄰域對應的三個點云特征編碼器，每個編碼器是由四層AFA模塊組成的PointWeb網絡，分別用于提取對應尺度下的面片深度特征，然后通過最大池化操作將面片深度特征壓縮為全局特征向量；

所述全局層次感知模塊首先將全局特征向量拼接為一條特征向量，然后經過一個全連接層，再分別經過四個全連接層，其中三個全連接層的輸出為全局層次注意力模塊提供全局層次感知向量，另一個全連接層的輸出經過Sigmoid函數激活后得到一條全局層次感知注意力特征向量；

所述全局層次注意力模塊將全局特征向量分別與來自全局層次感知模塊的對應的全局層次感知向量進行點乘，然后再將得到的特征向量分別與原來的全局特征向量相加，得到不同層次的注意力向量；

所述多重偏移解碼器模塊將來自全局層次注意力模塊的不同層次的注意力向量分別經過AFA模塊，然后與全局層次感知模塊的全局層次感知注意力特征向量進行點乘，最后將得到的三個特征向量相加得到位置偏移量。

5.如權利要求4所述的一種基于多層次注意力感知的點云去噪方法，其特征在于，所述點云去噪神經網絡的損失函數L_f為：

L_f＝α(L_min+L_mid+L_max)+L_total，

其中，α為權重參數，L_min、L_mid和L_max分別為小尺度偏移的損失、中尺度偏移的損失和大尺度偏移的損失，L_total為三個尺度偏移損失加權求和后的總體偏移損失；各尺度偏移損失的度量函數L均為：

其中，

η為權重參數，為面片鄰域的中心點，p_j是真值中的對應面片中的鄰域點，和分別為點p_j、的真實法線，diag為面片鄰域外接矩形的對角線長度，m為面片鄰域點數，σ_n為支持角度。

6.如權利要求2所述的一種基于多層次注意力感知的點云去噪方法，其特征在于，采用最遠點采樣法在每片點云數據中選取M＝10000個采樣點；小尺度點云面片鄰域、中尺度點云面片鄰域和大尺度點云面片鄰域的半徑分別為采樣點所在模型外接球半徑的4％、5％和6％；從每個點云面片鄰域中選取N＝512個數據點。