[发明专利]基于神经网络的三维图像处理方法、装置及电子设备

权利要求书

1.一种基于神经网络的三维图像处理方法，其特征在于，包括：

获取目标的第一深度信息，所述第一深度信息用于表征所述目标的深度图像；

将所述第一深度信息输入至深度神经网络模型的输入层中，其中，所述深度神经网络模型根据三维样本的样本三维图像信息和第二深度信息训练得到，所述第二深度信息用于表征所述三维样本的深度图像；

将所述第一深度信息输入至所述深度神经网络模型的卷积层中进行卷积得到第一特征值；

将所述第一特征值输入至所述深度神经网络模型的改变特征维度层中进行特征转换得到第一三维特征体；

将所述第一三维特征体输入至所述深度神经网络模型的三维反卷积层中进行反卷积得到所述目标的目标三维图像信息；

输出所述目标三维图像信息。

2.根据权利要求1所述的基于神经网络的三维图像处理方法，其特征在于，所述获取目标的第一深度信息，包括：

获取所述目标的二维图像信息和与所述二维图像信息相对应的深度图像信息；

对所述二维图像信息进行目标检测以从所述二维图像信息中识别得到用于表征所述目标的目标图像信息，根据所述目标图像信息从所述深度图像信息中得到对应的所述第一深度信息。

3.根据权利要求1所述的基于神经网络的三维图像处理方法，其特征在于，所述深度神经网络模型根据以下步骤训练得到：

获取所述三维样本的所述样本三维图像信息；

根据所述样本三维图像信息得到所述三维样本的第二深度信息；

将所述第二深度信息输入至所述输入层中；

将所述第二深度信息输入至所述卷积层中进行卷积得到第二特征值；

将所述第二特征值输入至所述改变特征维度层中进行特征转换得到第二三维特征体；

将所述第二三维特征体输入至所述三维反卷积层中进行反卷积得到所述三维样本的训练三维图像信息；

将所述训练三维图像信息和所述样本三维图像信息输入至损失函数中计算得到损失值；

根据所述损失值得到目标权重参数并根据所述目标权重参数调整所述深度神经网络模型。

4.根据权利要求3所述的基于神经网络的三维图像处理方法，其特征在于，所述将所述第二深度信息输入至所述输入层中，包括：

对所述第二深度信息进行随机的第一增广变换得到第三深度信息，所述第一增广变换包括随机高斯噪声值、随机缩放、随机角度旋转、随机平移和随机选取深度图像的部分区域中的一种；

将所述第三深度信息输入至所述输入层中。

5.根据权利要求4所述的基于神经网络的三维图像处理方法，其特征在于，所述将所述训练三维图像信息和所述样本三维图像信息输入至损失函数中计算得到损失值，包括：

将所述样本三维图像信息转换为第一网格信息；

对所述第一网格信息进行与所述第一增广变换相对应的第二增广变换得到与所述第三深度信息视角相对应的第二网格信息，所述第二增广变换包括执行与所述第二深度信息相应地的缩放、角度旋转和平移中的一种；

将所述第二网格信息离散化为样本三维体素信息；

将所述训练三维图像信息和所述样本三维体素信息输入至所述损失函数中计算得到所述损失值。

6.根据权利要求3所述的基于神经网络的三维图像处理方法，其特征在于，所述根据所述损失值得到目标权重参数并根据所述目标权重参数调整所述深度神经网络模型，包括：

对所述损失值进行优化处理并对优化处理后的所述损失值进行反向传播链式求导得到权重参数梯度；

根据所述权重参数梯度执行梯度下降处理得到所述目标权重参数。

7.根据权利要求6所述的基于神经网络的三维图像处理方法，其特征在于，所述根据所述权重参数梯度执行梯度下降处理得到所述目标权重参数，包括：

根据最后一次训练得到的所述权重参数梯度执行梯度下降处理得到所述目标权重参数。