[发明专利]一种对称面补全方法、装置、设备及存储介质

说明书

本申请是关于一种对称面补全方法、装置、设备及存储介质，具体涉及计算机视觉技术领域。所述方法包括：获取第一特征点云、第二特征点云、第一变换点云、第二变换点云、第一对称点云与第二对称点云；计算第一对称点云以及第一特征点云，与第二变换点云的第一残差；计算第一特征点云以及第二变换点云，与第一对称点云的第二残差；计算第一变换点云以及第二特征点云，与第二对称点云的第三残差；以第一残差、第二残差以及第三残差的加权和最小为目标条件，迭代更新位姿变换参数与对称变换参数。上述方案在获取对称变换参数的同时，考虑了不同角度的点云的配准，使得获取到的对称变换参数更加精准，提高了物体补全的准确性。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种对称面补全方法、装置、设备及存储介质。

背景技术

在自动驾驶场景中，前端感知是主要功能模块之一，用于收集环境中的信息并输出给后续定位、决策等功能。

如今大部分自动驾驶的感知模块都会使用基于深度学习的检测、分割等方法，这些基于深度学习的方法的通常需要大量且精确的训练数据。因此高质量的大规模三维自动驾驶数据集在自动驾驶领域具有重大意义。然而通常在数据采集的过程中，由于遮挡，观测角度等限制，观测到的物体通常是不完整的，例如路边停靠的车辆等，因此对场景中的残缺物体进行补全可以大幅提升数据集中物体模型的质量，进而提升训练后深度学习网络的性能。目前残缺物体补全主要有两大类方法，一种是基于深度学习的物体生成模型，借助大量训练数据，使得网络具备补全物体的能力。但是这种网络一般需要一类物体一个网络，否则精度无法保证。第二类方法是基于对称面的补全方法，因为人造物体大多数是对称的，利用对称面信息（也就是对称参数，包括对称面的法线以及平面深度），可以在一定程度上实现物体的自补全。

在基于对称面的补全方法中对于遮挡物体，计算机难以准确获取到图像中物体的对称面信息，导致物体补全的准确性较低。

发明内容

本申请提供了一种对称面补全方法、装置、计算机设备及存储介质，提高了物体补全的准确性，该技术方案如下。

一方面，提供了一种对称面补全方法，所述方法包括：

获取第一特征点云与第二特征点云；所述第一特征点云与所述第二特征点云为从不同方位对目标物体采集得到的特征点云；

基于位姿变换参数，分别对所述第一特征点云与所述第二特征点云进行位姿变换，对应获得第一变换点云与第二变换点云；

基于对称变换参数，分别对所述第一特征点云与所述第二特征点云进行对称变换，对应获得第一对称点云与第二对称点云；

计算所述第一对称点云以及所述第一特征点云，与所述第二变换点云的第一残差；

计算所述第一特征点云以及所述第二变换点云，与所述第一对称点云的第二残差；

计算所述第一变换点云以及所述第二特征点云，与所述第二对称点云的第三残差；

以所述第一残差、所述第二残差以及所述第三残差的加权和最小为目标条件，迭代更新所述位姿变换参数与所述对称变换参数，以便根据更新后的所述对称变换参数对所述目标物体执行补全操作。

又一方面，提供了一种对称面补全装置，所述装置包括：

特征点云获取模块，用于获取第一特征点云与第二特征点云；所述第一特征点云与所述第二特征点云为从不同方位对目标物体采集得到的特征点云；

位姿变换模块，用于基于位姿变换参数，分别对所述第一特征点云与所述第二特征点云进行位姿变换，对应获得第一变换点云与第二变换点云；

对称变换模块，用于基于对称变换参数，分别对所述第一特征点云与所述第二特征点云进行对称变换，对应获得第一对称点云与第二对称点云；

第一残差计算模块，用于计算所述第一对称点云以及所述第一特征点云，与所述第二变换点云的第一残差；

第二残差计算模块，用于计算所述第一特征点云以及所述第二变换点云，与所述第一对称点云的第二残差；