[发明专利]一种基于深度学习的残缺钟乳石点云的形状修复方法

说明书

本发明公开的一种基于深度学习的残缺钟乳石点云的形状修复方法，针对由岩溶洞穴内空间构造的复杂性和三维激光扫描的局限性，导致难以获取完整钟乳石三维点云的问题；本发明提出了一种基于神经网络自动修复补全残缺钟乳石三维点云数据的方法；该方法运用生成对抗网络的原理，采用基于多分辨率的点云编码器，对不同分辨率的点云特征进行提取；采用结合了全连接网络和基于折叠的解码器，用于修复钟乳石点云缺失部分；最后采用判别器使得网络输出的点云更加逼真；实验证明，本发明的网络能够有效实现残缺钟乳石点云的形状补全，并且对于不同残缺度的钟乳石点云输入，具有良好的鲁棒性。

技术领域

本发明属于残缺钟乳石点云形状修复技术领域，具体涉及一种基于深度学习的残缺钟乳石点云的形状修复方法。

背景技术

钟乳石是岩溶洞穴中的重要构成要素，获取完整的钟乳石三维空间结构，对于岩溶洞穴旅游开发中的景观设计具有重要意义。目前三维激光扫描技术是获取岩溶洞穴内钟乳石三维数据的主要手段，但是受制于三维激光扫描技术的局限性(无法获取遮挡区域的点云数据)和岩溶洞穴内复杂的空间结构，往往无法获得完整的钟乳石点云数据。基于残缺的点云数据，想要获得完整的钟乳石三维重建，利用人工交互的方法虽然能够取得较好的效果，但往往费时费力。传统的方法如：基于泊松表面重建、基于对称的修复方法往往只能修复模型表面较小的空洞，针对结构性的缺失，往往无法取得较好的修复结果。而基于模型匹配的方法则依赖于建立的三维模型库中有大量的相同或相似三维模型，难以泛化。

近年来随着计算机图形学和深度学习技术的发展，越来越多研究者尝试运用深度学习技术来修复三维对象，并取得了一定的成果。如：Nguyen等提出了一种基于几何和多视图RGB数据修复3D形状的方法。Sharma等提出了一种全卷积体素自动编码器，该编码器能通过估计体素网格从噪声数据中学习体素表示。Dai等提出了通过结合体素深层神经网络和3D形状综合来引入一种数据驱动的方法来补全3D形状。Varley等将从单个角度捕获的2.5D点云输入到3D CNN中，完成遮挡区域的三维修复。Yang等提出了3D-RecGAN++方法，该方法将3D编码器/解码器与条件对抗网络框架相结合，推断高维体素空间中对象的精细3D结构。虽然以上基于多视图和体素的学习方法易于卷积神经网络的学习，在残缺3D模型的修复上取得了一定成果，但受制于体素表示数据的稀疏性和3D卷积的计算成本，往往无法获得高分辨率的完整三维形状补全。

受到目前基于点云模型补全相关工作的启发，本发明构建了一种用于钟乳石三维点云修复补全的网络结构。该网络以残缺点云作为输入，仅输出缺失部分点云，这使得修复后的点云能够保留原始点云的几何特征；同时，有助于网络专注于感知缺失点云的位置和结构，从而得到更好的修复结果。本发明的贡献在于：(1)网络直接以残缺的点云数据作为输入，可以实现残缺钟乳石点云的修复补全；(2)网络能够有效获取残缺点云的局部和全局信息，得到缺失部分的点云输出。(3)构建了用于网络训练的钟乳石点云数据集。

发明内容

钟乳石的形成机理决定了其表面的不规则体征，要对其进行形状修复就要求网络能够提取到更为精细的局部特征，并能得到精细的修复结果作为网络的输出，基于此，本发明构建了用于钟乳石修复的深度学习网络；

一种基于深度学习的残缺钟乳石点云的形状修复方法，其特征在于，包括以下步骤：

S1：先对钟乳石点云进行三次IFPS采样得到三个不同分辨率的钟乳石点云模型，以此作为编码器的输入；

S2：编码器对三个不同分辨率的钟乳石点云进行CMLP处理输出三个潜在多维特征向量(维数为：1920)，然后将三个潜在多维特征向量融合得到3×1920的特征向量，最后通过MLP得到最终的多维特征向量(维数为：1920)；