[发明专利]一种基于深度学习的点云标识点定位方法及装置

权利要求书

1.一种基于深度学习的点云标识点定位方法，其特征在于：其包括以下步骤：

(1)对于每一个监测点生成一个目标标识点的预测定位点集R_j，使用一个基于距离的非极大值抑制方法在每个标识点的预测定位点集中得到至多一个的候选定位点，最终选择候选点集C′_j中置信度最大的候选点作为第j个目标标识点的最终候选定位点C_j，所有目标标识点的最终候选定位点组成候选定位点集C_all；

(2)如果候选定位点集C_all中的候选定位点的个数少于3，跳转到步骤(4)，否则执行步骤(3)；

(3)滤除错误候选点：使用基于贪婪搜索的方法将C_all＝{C₀,C₁,…,C_L-1}中不正确的候选点滤除，从而得知滤除错误点之后的定位结果中缺失了哪些标识点；

(4)定位缺失标识点：使用基于PCA统计形状模型的方法对缺失标识点进行预测。

2.根据权利要求1所述的基于深度学习的点云标识点定位方法，其特征在于：所述步骤(1)中，对于每一个监测点得到它位于每个标识点邻域内的概率以及对每个标识点与它的相对偏移量的预测；如果大于阈值th_p，则网络预测的第j个标记点与此监测点的偏移量被认为是可信的，根据公式(1)将预测点加入第j个目标标识点的预测定位点集R_j

如果所有监测点位于第j个目标标识点邻域内的预测概率均小于阈值th_p，R_j将为空，网络将判定输入点集中不存在第j个目标标识点；针对每个标识点重复上述操作，得到网络对L个目标标识点的预测定位。

3.根据权利要求2所述的基于深度学习的点云标识点定位方法，其特征在于：所述步骤(1)中，对于第j个目标标识点，首先选择预测定位点集R_j中具有最大预测概率的点作为第一个候选定位点接着在R_j中与距离小于阈值th_d的预测定位点组成点集NPS_j，按照公式(2)，将NPS_j中所有预测定位点的平均预测概率作为候选点的置信度

其中，N′是NPS_j中点的数目；

然后NPS_j中所有的点从R_j中移除，并且将候选点对加入第j个目标标识点的候选点集C′_j中；选择R_j中剩余预测定位点中预测概率最大的定位点作为下一个候选定位点，迭代执行上述操作直至R_j为空；根据公式(3)，选择候选点集C′_j中置信度最大的候选点作为第j个目标标识点的最终候选定位点C_j

4.根据权利要求3所述的基于深度学习的点云标识点定位方法，其特征在于：所述步骤(3)中，首先从C_all中找到与平均形状平均普氏距离最小的个候选定位点的组合；

初始化正确候选点集X^f，并且将其从C_all中移除；

从C_all中剩余的候选定位点中找到最佳候选定位点加入X^f，在X^f中加入此最佳候选定位点后，X^f与平均形状的平均普氏距离最小，并将此候选定位点从C_all中移除；迭代上述操作直至C_all为空或者将C_all中剩余所有候选点加入X^f后与平均形状的平均普氏距离大于阈值th_e；根据公式(4)获得平均普氏距离

其中代表X^f中的每个点，代表平均形状中与具有相同标签的点，通过将点集X^f与中具有相同标签的点组成的点集进行普氏相似配准得到矩阵R和T，N′为X^f中候选点的数量。