[發明專利]基于點結構化信息網絡的點云質量計算方法

在審

• 申請號: 202211589728.3
• 申請日: 2022-12-12
• 公開（公告）號: CN115937150A
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 熊健;吳思凡;付晨藝;羅旺;高浩
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/08;G06N3/0464
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 韓紅莉

1.基于點結構化信息網絡的點云質量計算方法，其特征在于，包括：

將預先獲取的點云塊的位置矢量特征、點云塊的距離特征、點云塊的亮度特征與點云塊的亮度差特征聯合輸入到點結構化信息網絡模型中，提取點云塊的結構化信息特征；

將點結構化信息特征輸入到迭代訓練完成的失真感知流網絡中，得到失真分類特征；

將結構化信息特征輸入到基礎質量感知流網絡中，得到點云塊的基礎質量特征。

2.根據權利要求1所述的基于點結構化信息網絡的點云質量計算方法，其特征在于，

將點云塊的基礎質量特征與失真分類特征進行融合并輸入兩層第三全連接層，獲得預測質量分數；

將屬于同一整體點云的多個點云塊的預測質量分數進行平均計算，獲得該整體點云的最終分數。

3.根據權利要求1所述的基于點結構化信息網絡的點云質量計算方法，其特征在于，

將預先獲取的位置矢量特征、距離特征、亮度特征與亮度差特征聯合輸入到點結構化信息網絡模型中，提取點云塊的結構化信息特征，通過以下步驟實現：

點結構化信息網絡模型包括第一卷積層、第二卷積層、第三卷積層和第四卷積層，第一卷積層、第二卷積層、第三卷積層和第四卷積層依次連接；

將位置矢量特征輸入第一卷積層、第二卷積層、第三卷積層和第四卷積層處理，得到結構化特征權重；

將位置矢量特征、距離特征、亮度特征和亮度差特征與結構化特征權重進行特征加權，獲得點云塊的結構化信息特征。

4.根據權利要求1所述的基于點結構化信息網絡的點云質量計算方法，其特征在于，

將點結構化信息特征輸入到迭代訓練完成的失真感知流網絡中，得到失真分類特征，通過以下步驟實現：

迭代訓練之前的失真感知流網絡包括第五卷積層、第六卷積層、第一最大池化層、第一全局平均池化層、第一全連接層和線性回歸層，第五卷積層、第六卷積層、第一最大池化層、第一全局平均池化層、及第一全連接層和線性回歸層依次連接；

對迭代訓練完成的整個失真感知流網絡進行凍結，去掉線性回歸層；

將點結構化信息特征輸入到去掉線性回歸層的迭代訓練完成的失真感知流網絡中，得到失真分類特征。

5.根據權利要求4所述的基于點結構化信息網絡的點云質量計算方法，其特征在于，

基礎質量感知流網絡包括多層第七卷積層、第二最大池化層、第二全局平均池化層以及第二全連接層，多層第七卷積層、第二最大池化層、第二全局平均池化層以及第二全連接層依次連接。

6.根據權利要求1所述的基于點結構化信息網絡的點云質量計算方法，其特征在于，

預先獲取位置矢量特征、距離特征、亮度特征與亮度差特征，通過以下步驟實現：

依據FPS最遠點采樣算法原理對原始點云進行采樣，獲得采樣點；

通過KNN最近鄰算法，選取每個采樣點的1024個最近距離點組成一個點云塊；

計算得到每個點云塊的位置矢量特征與距離特征；

計算得到每個點云塊的亮度特征與亮度差特征。