[发明专利]一种基于深度学习的点云上采样方法

说明书

本发明揭示了一种基于深度学习的点云上采样方法，包括：获取由第一数量个稀疏输入点和第二数量个稠密输入点组成的训练数据；构建深度网络模型，用于对从第一数量个稀疏输入点提取的初始特征向量分别进行复制和基于曲率的采样操作，得到第二数量个中间特征向量，对每个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，基于多层感知机输出的采样特征向量确定出采样预测点；训练深度网络模型，直到由采样预测点和稠密输入点确定出的目标函数收敛；测试深度网络模型，得到测试物体上采样后的点云数据。此方法能够将稀疏点云转化为基于曲率自适应分布的密集点云，准确表征了物体轮廓，更有利于三维数据的表达、渲染和可视化。

技术邻域

本发明涉及计算机视觉技术邻域，特别涉及一种基于深度学习的点云上采样方法。

背景技术

随着深度摄像头和激光雷达传感器的流行，点云作为一种简单、高效的三维数据表征，逐渐引起研究人员的广泛关注。近年来，研究人员利用端到端的神经网络来直接处理原始的点云数据，在基于点云表征的视觉任务(例如、三维物体的识别和检测、三维场景分割等)上取得了质的突破。然而，原始的点云数据通常由消费者级别的扫描设备生成，存在稀疏性、不完整性和噪声干扰等问题，为点云语义分析带来巨大的考验。因此，为了更高效地用于渲染、分析或其他处理，需要对原始数据进行修复，提高数据的质量。而点云上采样则是缓解此类问题的一种代表性技术。

给定一个稀疏、不完整的点云，点云上采样的任务是生成一个密集、完整的点云，并使得生成的点云能够贴合物体潜在的表面。目前，常见的方案是通过对点云特征进行复制，生成一个密度均匀的上采样点云。然而，大多数情况下，点云的均匀性分布显然无法很好地表达和刻画物体的潜在形状。例如，要表征一张椅子，如果采取均匀采样的方式，椅子连接处的采样点与椅面的采样点一样多，而连接处由于曲率较大，容易出现局部刻画不到位的情况，从而导致物体的轮廓形状无法得到准确表征。

发明内容

为了解决相关技术中存在的无法准确表征物体轮廓形状的技术问题，本发明提供了一种基于深度学习的点云上采样方法。

本发明实施例第一方面公开了一种基于深度学习的点云上采样方法，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，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。

作为一种可选的实施方式，在本发明实施例第一方面中，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；