[发明专利]一种基于多尺度特征融合的点云法向量估计方法及系统

说明书

本发明公开了一种基于多尺度特征融合的点云法向量估计方法及系统，所述点云法向量估计方法通过获取s个点云块，将所述s个点云块输入特征提取网络，得到s×n个点特征向量和s个点云块特征向量；将所述s×n个点特征向量和s个点云块特征向量进行拼接处理，得到s×n个拼接特征向量；将所述s×n个拼接特征向量输入法向量估计网络，得到所述点云法向量。本发明的点云法向量估计方法融合了点云中各点的特征和所有点云块的特征，能够在抑制噪声的干扰的同时，保证边缘等尖锐特征的估计法向量的精度，具有极高的稳定性，估计过程具有更好的鲁棒性与普适性，大大提高了点云法向量估计的精度，有助于后续的点云配准和曲面重建等点云处理工作。

技术领域

本发明涉及三维点云数据处理领域，尤其涉及一种基于多尺度特征融合的点云法向量估计方法及系统。

背景技术

三维点云数据处理是计算机视觉近期研究的热点之一。而在进行点云数据处理过程中，法向量估计是一项必不可少的前置任务。法向量包含着点云的局部表面特征。点云分类、点云配准、表面重建等都依赖准确的法向量估计。目前点云法向量的估计方法可分为传统的法向量估计方法和基于深度学习的法向量估计方法两大类。

对于基于深度学习的法向量估计，Boulch等通过将表示法线方向的离散化霍夫空间映射到卷积神经网络中，设计了一种估计点云的不定向法向量的结构。尽管没有三维模型形式的转换，该方法需要将点云特征投射到二维的离散化霍夫空间中，因此会造成部分法向量信息的丢失。Guerrero等提出了一种估计点云局部三维形状特征的多尺度神经网络，该网络可以估计可靠的法向量，也可以得到点云的其他表面特性，但是无法选定最优的邻域尺度，造成各尺度的平均化，无法有效处理不同尺度的特征信息，导致估计准确度降低。

因此，现有技术还有待于改进和发展。

发明内容

鉴于上述现有技术的不足，本发明的目的在于提供一种基于多尺度特征融合的点云法向量估计方法及系统，旨在提高点云法向量的估计速度和精确度。

本发明的技术方案如下：

一种基于多尺度特征融合的点云法向量估计方法，其中，包括步骤：

获取s个点云块，将所述s个点云块输入特征提取网络，通过所述特征提取网络，得到s×n个点特征向量和s个点云块特征向量；其中，s≥1且为正整数，每个所述点云块中的点数量均为n；

将所述s×n个点特征向量和s个点云块特征向量进行拼接处理，得到s×n个拼接特征向量；

将所述s×n个拼接特征向量输入法向量估计网络，通过所述法向量估计网络，得到所述点云法向量。

所述的点云法向量估计方法，其中，所述特征提取网络包括点特征提取网络和点云块特征提取网络。

所述的点云法向量估计方法，其中，所述将所述s个点云块输入特征提取网络，通过所述特征提取网络，得到s×n个点特征向量和s个点云块特征向量包括：

将所述s个点云块输入所述点特征提取网络，通过所述点特征提取网络，得到s×n个点特征向量；

将所述s×n个点特征向量输入所述点云块特征提取网络，通过所述点云块特征提取网络，得到s个点云块特征向量。

所述的点云法向量估计方法，其中，所述将所述s×n个点特征向量和s个点云块特征向量进行拼接处理，得到s×n个拼接特征向量包括：

针对每一个点特征向量，将所述s个点云块特征向量横向拼接在该点特征向量之后，得到该点特征向量对应的拼接特征向量，以确定s×n个拼接特征向量。

所述的点云法向量估计方法，其中，所述法向量估计网络包括第一多层感知器、对称函数和第二多层感知器。