[发明专利]一种基于标准化流理论的三维点云去噪方法

说明书

本发明公开了一种基于标准化流理论的三维点云去噪方法，该方法首先处理三维网格并合成训练数据，设计、搭建并训练合适的维度增强模块、标准化流模块和噪声过滤模块。在去噪过程中，测试噪声点云会被分割成多个点块，点块输入到维度增强模块中提升特征维度，然后沿标准化流模块的正向传播，得到点块在隐空间下的表示。噪声过滤模块对隐空间下的点块过滤出噪声信息，将过滤后的点块沿标准化流模块的逆向传播，从而得到欧拉空间下的点块。最后，将点块合并即可得到去噪的点云数据。与现有的技术相比，本发明的点云去噪方法能在保留几何细节的同时，生成分布均匀的点云，同时该方法支持多种噪声类型和点云分辨率的去噪。

技术领域

本发明涉及计算机视觉的三维数据重建技术领域，具体涉及一种基于标准化流理论的三维点云去噪方法。

背景技术

点云作为一种常用的三维数据格式，被广泛应用在几何分析、机器人物体识别、自动驾驶等多种场景之中。从激光扫描仪、深度相机、LiDAR传感器等3D数据捕获设备获取的数据大都是点云的格式，但由于采样环境的复杂性和三维采样设备的硬件限制，捕获的原始点集经常是稀疏、非均匀且带有噪声的。而许多的三维分析的工作，如机器人感知、点云场景渲染、网格表面重建等，都对点云的质量提出了非常高的要求。因此，点云的去噪工作是实现点云数据分析的关键步骤之一。

点云的噪声类型和噪声层级是多样的，场景复杂的光照环境，扫描设备的硬件特性，扫描障碍物的阻挡等因素都是噪声产生的来源，而实际扫描的点云数据是以上多种噪声来源的综合作用的结果。这些因素都给点云去噪工作造成了困难和挑战。

现有的点云去噪方法大致可以分成两类：传统基于优化的方法和基于深度学习的方法。

传统基于优化的方法，如稀疏优化、隐式曲面投影、图优化等方法，在某些噪声环境下能取得不错的效果，但这类技术方案的去噪过程依赖于点云法线等额外数据的辅助，且往往需要预先了解点云噪声的分布特征与噪声水平以选取合适的去噪参数，导致其泛化能力较差。

基于深度学习的点云去噪方法大致可以分成两种思路。第一种技术方案是估计底层表面的属性，并通过神经网络给预测每个点对应的修正数据，如点坐标值、点偏移量、迭代的移动方向等。这种技术方案较为直观、易于理解，但每个点的特征都是单独地从其局部感知域提取，因此对于部分本身噪声程度较大的点，其对物体表面的估计可能与周围的点相差较大，导致出现异常值、陡峭的表面等现象。第二种技术方案是先从噪声点云去除噪声程度较大的点，再从点云表面上采样新的点集。这种技术方案倾向于从输入点云中移除较多点，因此不可避免地会丢弃较多的几何信息，导致细节的缺失。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于标准化流理论的三维点云去噪的方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于标准化流理论的三维点云去噪方法，所述三维点云去噪方法包括以下步骤：

S1、合成三维物体表面的点云数据集，包括收集三维物体表面的三维网格数据，使用柏松碟采样算法从三维网格中采样点云数据，将点云分割成分辨率固定的点块；

S2、构建基于标准化流的点云去噪网络，包括依次顺序连接的维度增强模块标准化流模块和噪声过滤模块

S3、训练基于标准化流的点云去噪网络，该点云去噪网络利用最小化损失的思想，以端到端的方式训练；在训练的每次迭代中，从点云数据集中随机选取点块先使用数据增强技术提高训练点块的多样性，再添加一种随机噪声到点块数据中，然后发送到点云去噪网络中训练；反复迭代训练过程，使用反向传播技术更新网络参数，直至点云去噪网络收敛；

S4、点云分割，在测试使用时先将噪声点云分割成分辨率固定的点块并将点块内的坐标值归一化到[-1,1]的范围内，并记录归一化时每个点块的坐标位移和缩放比例；