[发明专利]一种基于锚点检测的点云补全方法

说明书

本发明属于点云补全技术领域，涉及一种基于锚点检测的点云补全方法，该方法首先使用局部删除操作对数据集做预处理，从而模拟不完整的点云；然后将点云所在空间划分为多个锚点，训练神经网络判断锚点的正负性，得到密度均匀，形状规整的正样本锚点；最后在正样本锚点的邻域内通过神经网络生成密集点云，实现由单一锚点向局部的扩散，完成点云的补全。为实现该方法，我们训练了与之适配的GCNet模型，该神经网络模型能够判断锚点的正负性以及生成锚点扩散的三维坐标信息，实现了端到端的点云补全，并解决了现有方法只依靠神经网络回归生成点云坐标而导致的补全效果不佳的问题，提高了点云补全的效果。

技术领域

本发明属于点云补全领域，具体涉及一种基于锚点检测的点云补全方法。

背景技术

预测完整的3D点云是许多计算机视觉的核心任务。

现有方法通常基于深度学习，从不完整点云中提取全局特征，用于还原完整点云。尽管它们在一定程度上做到了预测完整点云，但无法准确生成该对象的结构细节，且存在疏密不均的问题。

将深度学习技术应用于点云数据，是近几年兴起的方向。对于点云补全任务，可以训练神经网络实现目的，即：输入不完整的点云结构，生成完整的点云结构。

目前，基于深度学习的大多数网络模型对点云补全的效果不佳，其原因是这些模型单纯的将点云补全的任务归类为回归问题，并训练神经网络预测点云坐标，因此只能生成大体上正确，而形状并不规整的点云。为此，有必要实现形状规整，密度均匀的点云补全。

发明内容

为了克服现有技术中局部特征提取的不足，本发明提出了一种基于锚点检测的点云补全方法，并设计了与之配合的网络结构，可以生成规整、均匀的点云坐标。实验证明该发明在视觉和指标上都有很优秀的效果。

本发明采用的技术方案为：

一种基于锚点检测的点云补全方法，包括以下步骤：

S1、数据集获取与数据预处理：获取点云公共数据集ShapeNet，使用局部删除操作，在完整点云数据中删除局部点云，以此构建不完整点云；

S2、神经网络模型构建：基于由粗略到精细的点云补全思想，先通过锚点的正负性判断得出形状规整密度均匀的稀疏点云，再由稀疏点云的扩散得到密集点云，为实现该思想构建GCNet网络模型；

S3、模型训练与模型保存：使用Adam优化器训练网络，降低损失函数，提高点云补全效果，当模型的损失函数趋于稳定后，保存模型。

所述步骤S1中，所述公共数据集ShapeNet，包含16个种类的点云数据，所有种类的每一个单独点云数据文件(.pts)都由三维坐标系中n个点云坐标x、y、z构成，n的值并不相同。

所述步骤S1中，所述局部删除操作的具体方法有关键点定义与选取、关键点邻近点云删除。

所述步骤S1中，所述关键点定义与选取的具体方法为：以(1,0,0)、(0,0,1)、(1,0,1)、(-1,0,0)4个点为关键点，()中的三个数字表示三维坐标系中x、y、z的坐标；为模拟缺失不同部位的不完整点云，我们依次使用4个关键点作为中心点，并删除中心点位置附近的点云数据；所述关键点邻近点云删除操作的具体步骤为：计算点云中所有点与中心的距离，删除最靠近中心点的512个点云。

所述步骤S2中，所述通过锚点的正负性判断得出形状规整密度均匀的稀疏点云中，由于空间中负样本的数量远远多于正样本，过多的负样本对于网络的训练并无收益，因此为了解决负样本过多的问题，我们在负样本中只选取正样本数量的三倍用于训练。此外，在选中的负样本中，我们通过设置阈值d，进一步将负样本划分为难训练负样本和易训练负样本，距离小于阈值d的为难训练负样本；大于阈值d的易训练负样本，其中难训练负样本与易训练负样本的数量比为2：1。