[发明专利]一种基于锚点检测的点云补全方法

权利要求书

1.一种基于锚点检测的点云补全方法，其特征在于：包括以下步骤：

S1、数据集获取与数据预处理：获取点云公共数据集ShapeNet，使用局部删除操作，在完整点云数据中删除局部点云，以此构建不完整点云；

S2、神经网络模型构建：基于由粗略到精细的点云补全思想，先通过锚点的正负性判断得出形状规整密度均匀的稀疏点云，再由稀疏点云的扩散得到密集点云，为实现该思想构建GCNet网络模型；

S3、模型训练与模型保存：使用Adam优化器训练网络，降低损失函数，提高点云补全效果，当模型的损失函数趋于稳定后，保存模型。

2.根据权利要求1所述的一种基于锚点检测的点云补全方法，其特征在于：所述步骤S1中，所述公共数据集ShapeNet，包含16个种类的点云数据，所有种类的每一个单独点云数据文件(.pts)都由三维坐标系中n个点云坐标x、y、z构成，n的值并不相同。

3.根据权利要求1所述的一种基于锚点检测的点云补全方法，其特征在于：所述步骤S1中，所述局部删除操作的具体方法有关键点定义与选取、关键点邻近点云删除。

4.根据权利要求3所述的一种基于锚点检测的点云补全方法，其特征在于：所述步骤S1中，所述关键点定义与选取的具体方法为：以(1,0,0)、(0,0,1)、(1,0,1)、(-1,0,0)4个点为关键点，()中的三个数字表示三维坐标系中x、y、z的坐标；为模拟缺失不同部位的不完整点云，依次使用4个关键点作为中心点，并删除中心点位置附近的点云数据；所述关键点邻近点云删除操作的具体步骤为：计算点云中所有点与中心的距离，删除最靠近中心点的512个点云。

5.根据权利要求1所述的一种基于锚点检测的点云补全方法，其特征在于：所述步骤S2中，所述通过锚点的正负性判断得出形状规整密度均匀的稀疏点云中，在负样本中只选取正样本数量的三倍用于训练；此外，在选中的负样本中，通过设置阈值d，进一步将负样本划分为难训练负样本和易训练负样本，距离小于阈值d的为难训练负样本；大于阈值d的易训练负样本，其中难训练负样本与易训练负样本的数量比为2：1。

6.根据权利要求1所述的一种基于锚点检测的点云补全方法，其特征在于：所述步骤S2中，所述由稀疏点云的扩散得到密集点云中，在稀疏点云(正锚点样本)的基础上通过神经网络生成各正锚点邻域内的点云坐标，并通过tanh限制邻域的最大范围，使其不超过两个锚点间距的一半。

7.根据权利要求1所述的一种基于锚点检测的点云补全方法，其特征在于：所述步骤S2中，所述GCNet包含编码器与解码器两部分，所述编码器部分的具体目标是：提取输入的不完整点云的坐标特征；所述编码器部分的具体结构是：输入点云坐标首先通过一层卷积层，得到点云的特征向量，接着将点云所在空间划分为w×w×w个锚点，锚点所对应的网格内的向量取平均，以此实现特征的网格结构化，最后通过3D卷积和残差连接提取高维特征；所述解码器部分的具体目标是：通过解码器部分提取的高维特征生成缺失部分的点云坐标；所述解码器部分的具体结构是：输入的高维特征首先通过3D转置卷积，实现特征的上采样，用于预测锚点的正负性和正锚点邻域内的扩散点云坐标信息，生成最终的完整点云。

8.根据权利要求1所述的一种基于锚点检测的点云补全方法，其特征在于：所述步骤S3中，所述损失函数包含BCELoss和CD，BCELoss的具体公式为：

其中X_i为预测值，y_i为标签，CD的具体公式为：

其中CD(S₁,S₂)表示预测生成的点云集合S₁和真实的点云集合S₂之间的欧式空间平均最近距离；x、y分别表示点云集合中的一个点云，由x、y、z三个坐标组成。