[发明专利]一种三维点云的处理方法、装置及设备

说明书

本发明提出了一种三维点云的处理方法、装置及设备，该方法包括：获取包括多个点的点云数据；将所述点云数据输入预先训练好的卷积神经网络；所述卷积神经网络包括：几何特征信息共享的卷积模块；针对点云数据中每个点，基于所述卷积模块获取所述点在欧式空间的近邻点，且基于所述点在欧式空间的近邻点确定所述点在特征值空间的近邻点；聚合所述点在欧式空间的近邻点以及所述点在特征值空间的近邻点得到聚合后的特征；使用多层感知器对聚合后的特征进行特征学习，并对近邻点的维度做最大池化操作得到输出特征。通过直接构造卷积结构处理三维点云数据，有效地减缓数据缺失问题和数据冗余问题。

技术领域

本发明涉及三维数据处理领域，特别涉及一种三维点云的处理方法、装置及设备。

背景技术

点云(英文全称为Point Cloud)是在逆向工程中通过测量仪器得到的产品外观表面的点数据集合，点云数据除了具有几何位置以外，有的还有颜色信息。颜色信息通常是通过相机获取彩色影像，然后将对应位置的像素的颜色信息(RGB)赋予点云中对应的点。强度信息的获取是激光扫描仪接收装置采集到的回波强度，此强度信息与目标的表面材质、粗糙度、入射角方向，以及仪器的发射能量，激光波长有关。

但是，对点云数据进行处理时，由于三维点云数据与图像不同，三维点云数据是非规格化的，多视角投影技术将非规格化的三维点云投影为二维图像，再对二维图像进行处理，目前对点云数据进行处理需要先将点云数据转换为其它的数据格式，比如将三维点云投影到二维图像，作为卷积神经网络的输入；但是这个过程存在以下缺点：(1)由于遮挡原因，投影的过程本身会造成部分数据缺失。(2)数据转化的过程计算量比较大；

再或者将点云转换成体素表示，通过进行特征提取。

而体素表示会造成数据的冗余问题，会造成内存占用大、消耗较多的计算机资源，容易丢失空间局部细节几何信息。

由此，目前需要一种更好的可以处理点云的方法。

发明内容

有鉴于此，本发明提出了一种三维点云的处理方法、装置及设备，直接构造卷积结构处理三维点云数据，有效减缓点云的数据缺失和冗余问题。

具体的，本发明提出了以下具体的实施例：

本发明实施例提出了一种三维点云的处理方法，包括：

获取包括多个点的点云数据；

将所述点云数据输入预先训练好的卷积神经网络；所述卷积神经网络包括：几何特征信息共享的卷积模块；

针对点云数据中每个点，基于所述卷积模块获取所述点在欧式空间的近邻点，且基于所述点在欧式空间的近邻点确定所述点在特征值空间的近邻点；

聚合所述点在欧式空间的近邻点以及所述点在特征值空间的近邻点得到聚合后的特征；

使用多层感知器对聚合后的特征进行特征学习，并对近邻点的维度做最大池化操作得到输出特征。

在一个具体的实施例中，所述基于所述卷积模块获取所述点在欧式空间的近邻点，包括：

通过所述卷积模块利用K近邻查询算法获取所述点在欧式空间的近邻点。

在一个具体的实施例中，所述基于所述点在欧式空间的近邻点确定所述点在特征值空间的近邻点，包括：

基于所述点在欧式空间的近邻点确定特征值图结构；

基于所述特征值图结构确定三维结构张量；

对所述三维结构张量进行分解得到特征值矩阵；

基于所述特征值矩阵确定所述点在特征值空间中的近邻点。