[发明专利]三维点云补全方法、装置及设备

说明书

本发明提供一种三维点云补全方法、装置及设备，方法通过采集待识别的不完整点云数据；输入所述不完整点云数据至三维点云补全模型，输出所述不完整点云数据对应的完整目标点云数据；其中，所述三维点云补全模型为不完整点云数据样本和完整点云数据标签进行训练后得到的，由于本申请中的三维点云补全模型结合了多种模型的优点，克服了不同模型对点云补全精度不高的问题，在能够保证点云补全的速度的同时，有效地提高了点云补全精度。

技术领域

本发明涉及计算机视觉识别技术领域，尤其涉及一种三维点云补全方法、装置及设备。

背景技术

点云补全技术是指以目标不完整点云作为输入，通过修复、补全缺失点云进而估计完整点云，提升点云质量，有助于采用较小的数据量描述三维物体，在空间目标探测、识别领域具有广泛的应用前景。

目前，为更好地实现点云补全，通常结合深度学习实现点云补全，且高分辨率形状补全模型解决了三维模型大面积缺失区域的修复问题。其中，FoldingNet模型采用一种折叠解码器，通过学习二维平面与三维曲面的折叠映射关系补全缺失点云，PCN模型直接对三维点云进行特征提取、映射，通过粗处理、优化实现补全点云。

但是，无论是FoldingNet模型还是PCN模型其对目标局部缺失点云恢复能力以及整体点云补全精度都有较大提升空间，无法满足高精度点云补全的需要。

发明内容

本发明提供一种三维点云补全方法、装置及设备，用以解决现有技术中点云补全精度低的缺陷，实现准确、快速的完成点云补全操作。

本发明提供一种三维点云补全方法，包括：

采集待识别的不完整点云数据；

输入所述不完整点云数据至三维点云补全模型，输出所述不完整点云数据对应的完整目标点云数据；其中，所述三维点云补全模型为不完整点云数据样本和完整点云数据标签进行训练后得到的。

根据本发明提供的一种三维点云补全方法，所述采集待识别的不完整点云数据之前，还包括：

获取初始训练数据，并对所述初始训练数据进行预处理；

对所述预处理之后的数据进行预设次数的迭代最远点采样，得到与所述预设次数对应的目标数量的次级训练数据；

基于多层感知机，根据所述目标数量的次级训练数据和所述初始训练数据，得到目标特征向量；

将所述目标特征向量与单位正方形随机采样点坐标进行级联，根据所述级联后的结果构建机器学习模型，对所述机器学习模型进行训练，得到三维点云补全模型。

根据本发明提供的一种三维点云补全方法，所述基于多层感知机，根据所述目标数量的次级训练数据和所述初始训练数据，得到目标特征向量，包括：

将所述目标数量的次级训练数据和所述初始训练数据分别通过组合多层感知机，得到初级特征向量；

对所述初级特征向量进行级联，得到特征图；

将所述特征图通过多层感知机，得到整合特征向量，以所述整合特征向量作为目标特征向量。

根据本发明提供的一种三维点云补全方法，所述根据所述级联后的结果构建机器学习模型，包括：

将级联后的输出结果与所述初始训练数据相结合，并对结合后的数据进行基于预设密度的采样；

将所述采样的结果通过残差网络进行训练，构建机器学习模型。

根据本发明提供的一种三维点云补全方法，所述将所述采样的结果通过残差网络进行训练之后，还包括：

通过建立代价函数对残差网络训练后的模型进行参数优化处理。