[发明专利]基于深度学习多统计量的三维点云数据降噪处理方法及系统

权利要求书

1.一种基于深度学习多统计量的三维点云数据降噪处理方法,其特征在于，包含：

构建用于利用噪声向量来表示空间点位置噪声的降噪网络并对降噪网络进行训练优化，其中，降噪网络包含：用于对输入噪声点云进行特征提取并输出点云特征的特征提取模块，用于对输入的噪声点云和点云特征进行预测并输出初始噪声向量坐标的初始预测网络模块，用于对初始噪声向量坐标的多维统计量进行统计计算并输出多维统计量特征的统计量计算模块，和用于对噪声点云、点云特征、统计量特征进行预测并输出最终噪声向量坐标的精细化预测网络模块；

将待处理噪声点云输入至训练后的降噪网络，利用降噪网络并在噪声向量方向上按预设步长系数来更新噪声向量坐标，以通过迭代方式来消除待处理噪声点云中的噪声。

2.根据权利要求1所述的基于深度学习多统计量的三维点云数据降噪处理方法，其特征在于，所述特征提取模块利用多个图卷积块来构成多层密集连接的动态图卷积网络叠加结构，利用动态图卷积网络提取输入的噪声点云每个点的多尺度特征。

3.根据权利要求1所述的基于深度学习多统计量的三维点云数据降噪处理方法，其特征在于，所述初始预测网络模块利用多个一维卷积层来对点云特征和点云数据进行融合计算处理来获取初始噪声向量坐标，其中，融合计算处理过程表示为：x为空间任意位置；x_i为输入的噪声点云X中x的临近点，F_i为输入的噪声点云X中点i的特征向量，SNet_init表示初始预测网络，为初始噪声向量坐标。

4.根据权利要求1所述的基于深度学习多统计量的三维点云数据降噪处理方法，其特征在于，所述统计量计算模块将初始噪声向量坐标的均值、方差、偏度及峰值作为统计量进行统计计算来获取包含均值、方差、偏度及峰值的四维度统计量特征。

5.根据权利要求1所述的基于深度学习多统计量的三维点云数据降噪处理方法，其特征在于，所述精细化预测网络模块将噪声点云、点云特征和统计量特征作为网络输入，通过精细化预测网络预处理中对噪声点云转置、点云特征和统计量特征扩展及张量拼接来获取最终输出的噪声向量坐标，其中，精细化预测网络模块预测输出的过程表示为：SNet_refine表示精细化预测网络，x为空间任意位置；x_i为输入的噪声点云X中x的临近点，表示网络输入，且f_cat为张量拼接函数；F_i表示点i的特征张量，表示点i统计特征s，为最终输出的噪声向量坐标。

6.根据权利要求1所述的基于深度学习多统计量的三维点云数据降噪处理方法，其特征在于，降噪网络训练优化，包含：首先，在干净点云上添加预设类型噪声数据，并抽取用于作为网络训练的训练数据样本，接着，基于初始预测网络模块的损失和精细化预测网络模块的损失来构建降噪网络总损失函数；然后，基于降噪网络总损失函数，并利用训练数据样本对降噪网络进行训练优化。

7.根据权利要求1或6所述的基于深度学习多统计量的三维点云数据降噪处理方法，其特征在于，降噪网络中，利用噪声向量来表示空间点位置噪声的过程表示为：其中，NNk(x_i,Y,k)表示在干净点云Y中求取噪声点云X中x的临近点x_i第k个邻近点，K表示邻域内点个数。