[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

说明书

本发明涉及数据处理技术领域，特别涉及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及系统，通过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；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。本发明在深度学习降噪过程中通过数据拟合分布并根据分布确定数据统计量来进行降噪处理，基于深度学习方式实现点云降噪，将人工先验的特征统计量与深度学习基于数据驱动的后验特征相结合，利用多统计量降噪网络来实现对点云数据的有效降噪，能够有效提高点云数据降噪效果。

技术领域

本发明涉及数据处理技术领域，特别涉及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及系统。

背景技术

点是几何图形中最为简单的一种，它指定了特定空间中唯一的位置。三维空间中的点，这些点不具有长度、面积或者体积等属性。点云，顾名思义，由众多点构成的集合称之为点云，可以将点云视为图像、体素或者具有拓扑结构的数据集合。真实场景中的点云受扫描设备本身、人为操作以及被测场景的物体表面等各种因素的影响，点云数据不可避免地存在许多小振幅的噪声和离群点。因此，需要通过预处理对这些噪声点剔除或者修正，以减少该过程对后续配准造成的影响。

目前，基于深度学习监督方法主要采用直接位移法、下采样-上采样法和预测潜在表面法。第一种方式由于噪声位移估计的不准确，通常存在收缩和异常值两类伪影；第二种方式虽然能够在下采样阶段剔除异常值，但下采样过程会丢弃原始点云中的细节信息，导致点云的过度平滑，这种现象在低噪声时表现尤为明显；第三种方式与前两种方式具有显著区别，通过预测三维点云潜在表面进行去噪处理，因此，不止针对三维点云已有的点，对于潜在表面邻域内的任意一点，均可以进行坐标的修正，且该方法未使用下采样技术，所以，不会造成点云细节信息的丢失。第三种虽也取得了不错的降噪效果，然而这种方式仅利用了深度学习基于数据驱动的特征提取方式，导致其降噪效果有限。

发明内容

为此，本发明提供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及系统，解决现有技术中降噪效果不理想的情形，在深度学习降噪过程中通过数据拟合分布并根据分布确定数据统计量来进行降噪处理，提升点云数据降噪效果。

按照本发明所提供的设计方案，提供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，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。

作为本发明基于深度学习多统计量的三维点云数据降噪处理方法，进一步地，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。

作为本发明基于深度学习多统计量的三维点云数据降噪处理方法，进一步地，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。