[发明专利]一种基于FPFH特征和深度神经网络的点云超分辨率方法

权利要求书

1.一种基于FPFH特征和深度神经网络的点云超分辨率方法，其特征在于，所述包括：

步骤S1、获取点云数据集，并对该点云数据集做归一化处理，其中，该点云数据集包括高分辨率和低分辨率点云对；

步骤S2、在不同的选取半径下，估计低分辨率点云的法向量，使用估计的法向量计算点云的SPFH特征，并对不同选取半径下的SPFH特征进行融合，得到FPFH特征；

步骤S3、构建深度神经网络，该网络包括基于密集连接卷积神经网络、k近邻图和特征扩充这三个网络模块，其中，首先，输入特征经过基于密集连接卷积神经网络，将低维度的坐标信息映射到高维度空间，完成基本特征抽取；然后，将密集连接卷积神经网络的输出特征输入至k近邻图模块中，建立k近邻图，生成k近邻图特征，并且k近邻图特征与密集连接卷积神经网络的输出特征建立了残差关系，以加速网络收敛；最后，将基于密集连接卷积神经网络以及k近邻图的这两个网络模块的输出特征进行拼接输入至特征扩充模块中，提高特征的通道数，并对特征进行尺度变换；

步骤S4、以步骤S1中的点云数据集中低分辨率点云对，以及从该低分辨率点云对应的FPFH特征作为步骤S3中构建的深度神经网络的输入，以该低分辨率点云对对应的高分辨率点云对作为标签进行有监督训练，训练完成得到训练模型，再通过该训练模型输出得到超分辨率点云。

2.根据权利要求1所述的一种基于FPFH特征和深度神经网络的点云超分辨率方法，其特征在于，所述步骤S1包括：

步骤S101、获取公开的点云数据集PU1K，该数据集的训练验证集包含69000个点云对，低分辨率点云包含256个点，高分辨率点云包含2048个点，是4倍超分辨率数据集；测试集包含了127个物体的点云数据，每个物体有4种尺度的4倍超分辨率点云对，分别为256点—1024点、512点—2048点、1024点—4096点和2048点—8192点，测试集的点云数据未经过分块处理，每个点云图像都表示一个完整的三维物体；

步骤S102、将训练验证集随机分成训练集、验证集，其中训练集包含65000个点云对，验证集包含4000个点云对；

步骤S103、对输入点云做归一化处理。

3.根据权利要求2所述的一种基于FPFH特征和深度神经网络的点云超分辨率方法，其特征在于，所述步骤S103具体包括：

首先，通过对低分辨率点云所有点的三个坐标求平均值，得到整个点云的中心点；

然后，对低分辨率点云计算所有点到中心点的欧式距离，并取最大距离作为归一化距离；

最后，将低、高分辨率点云的整体坐标减去中心点坐标，并处以归一化距离，用以将数据集点云三个坐标的取值归一化到-1和1之间，生成归一化处理后的点云。

4.根据权利要求1所述的一种基于FPFH特征和深度神经网络的点云超分辨率方法，其特征在于，所述步骤S2包括：

步骤S201、通过统计归一化低分辨率点云的点间距离分布，调用open3d库法向量估计函数，设置邻点选取半径为0.2、0.4，估计出点云中每个点的法向量信息；

步骤S202、联合点云的法向量信息与归一化坐标，调用open3d库FPFH特征计算函数，借助不同选取半径内邻点信息，计算出不同选取半径下点云各点的FPFH特征；

步骤S203、设计卷积神经网络，对多选取半径下的FPFH特征进行特征融合，融合特征的维度与单个FPFH特征相同。