[发明专利]一种基于深度学习的点云上采样方法

权利要求书

1.一种基于深度学习的点云上采样方法，其特征在于，所述方法包括：

步骤1:获取训练数据；所述训练数据包括第一数量个稀疏输入点和第二数量个稠密输入点，所述稀疏输入点是从CAD模型均匀采样得到，所述稠密输入点是基于曲率从所述CAD模型采样得到的；

步骤2:构建深度网络模型；所述深度网络模型用于提取所述第一数量个稀疏输入点的初始特征向量，并对所述初始特征向量分别进行复制操作和基于曲率特征的采样操作，一共得到第二数量个中间特征向量，以及对每个所述中间特征向量进行拼接操作，将拼接操作之后的中间特征向量输入多层感知机，得到第二数量个采样特征向量，以及根据所述第二数量个采样特征向量确定第二数量个采样预测点；

步骤3:训练深度网络模型；根据所述采样预测点与所述稠密输入点确定目标函数，并基于所述目标函数对所述深度网络模型的参数进行调整，直到目标函数收敛；

步骤4:测试深度网络模型；从测试物体的点云表征采样出若干部分种子点，将每个所述种子点与其邻域点构成待测试输入点云，并将所述待测试输入点云输入到训练好的所述深度网络模型中，得到每一个所述待测试输入点云对应的测试点云，以及将所有所述测试点云进行聚合得到所述测试物体上采样后的点云数据。

2.根据权利要求1所述的方法，其特征在于，所述深度网络模型包括特征提取模块、特征采样模块以及坐标值回归模块，其中：

所述特征提取模块，用于提取所述深度网络模型接收到的所有稀疏输入点的特征向量，得到第一数量个稀疏输入点的初始特征向量；

所述特征采样模块，用于复制所述第一数量个初始特征向量，得到第三数量个第一特征向量，以及依据每个所述稀疏输入点的曲率值确定出采样概率，以所述采样概率采样得到第四数量个第二特征向量，并根据所有的所述第一特征向量和所述第二特征向量确定出第二数量个中间特征向量，以及分别在每个所述中间特征向量上拼接一个由二维网格机制产生的二维向量，其中，所述中间特征向量中相同的特征向量所拼接的二维向量不相同，并将拼接操作之后的中间特征向量输入多层感知机，得到第二数量个采样特征向量；

所述坐标值回归模块，用于根据所述第二数量个采样特征向量确定第二数量个采样预测点。

3.根据权利要求1所述的方法，其特征在于，所述根据所述采样预测点与所述稠密输入点确定目标函数，包括：

根据所述采样预测点与所述稠密输入点之间的距离确定重构损失；

根据采样预测点云上任意点的曲率大小和其邻域的区域大小之间的关系确定曲率自适应损失；

根据所述采样预测点云上任意点关于其在稠密输入点云上的邻域上的几何关系确定平滑性损失；

根据所述重构损失、所述曲率自适应损失以及所述平滑性损失确定目标函数；

其中，所述采样预测点云由所述第二数量个采样预测点构成，所述稠密输入点云由所述第二数量个稠密输入点构成。

4.根据权利要求3所述的方法，其特征在于，所述根据所述重构损失、所述曲率自适应损失以及所述平滑性损失确定目标函数，包括：

对所述重构损失、所述曲率自适应损失以及所述平滑性损失进行加权求和，得到目标函数。