[发明专利]基于多层次特征提取网络模型的三维点云质量评价方法

说明书

本发明公开了基于多层次特征提取网络模型的三维点云质量评价方法，对点云数据进行手工特征提取，获取灰度值、平均曲率以及簇中的点相对于中心点的欧几里得距离；构建多层次特征提取网络模型，基于所述灰度值、平均曲率以及簇中的点相对于中心点的欧几里得距离对所述网络模型进行训练，获取局部质量分数；基于所述局部质量分数，通过平均池化策略获取点云全局质量分数，基于所述点云全局质量分数对三维点云质量进行评价。本发明采用多层次特征提取回归结构，并结合通道间注意力机制搭建质量评价网络，有效全面获取能描述失真点云特性的信息。

技术领域

本发明涉及点云质量评价技术领域，尤其涉及基于多层次特征提取网络模型的三维点云质量评价方法。

背景技术

随着三维数据采集技术（如RGBD相机，3D激光扫描仪等）的发展，三维点云数据的获取难度逐渐减小，且数据精度也逐渐提高。作为一种重要的三维对象表示形式，点云由三维坐标系中众多点集合而成，包含着丰富的几何和属性信息。几何信息由点的3D空间坐标表示，属性信息通常包括点的颜色、曲率和法线向量等。由于一个高保真度的点云场景通常包含数百万甚至数十亿个点，庞大的数据量要求传输时必须对其进行高效的压缩，而基于几何的点云压缩G-PCC或基于视频的点云压缩V-PCCP必然会导致一定的压缩失真。此外，在点云采集以及处理过程中也会不可避免地出现失真，获取的原始点云总是包含几何、颜色等方面的噪声。如前所述的压缩失真以及多种噪声都会导致点云视觉质量下降。因此，合适的三维点云质量评价方法，对衡量相应的采集、压缩、传输和处理等方面的性能起着重要作用。

点云质量评价指标根据原始点云的参与程度可以分为全参考、半参考和无参考这三种类型。具体来说，全参考和半参考点云质量评价指标需要全部或者部分原始点云参与质量评价任务，而无参考质量评价指标仅需要失真点云就能得到质量评价结果。运动图像专家组（Moving Picture Experts Group）最先采用了p2point和p2plane的方式来量化点云的几何失真，并使用基于亮度和色度的峰值信噪比（PSNR）来量化点云的颜色失真。除此之外，还有一些评价指标，例如考虑局部曲率特征的PC-MSDM方法，基于几何和颜色特征的最佳加权线性组合的PCQM方法以及结合了几何与纹理投影图的TGP-PCQA方法等。尽管这些指标的出现缓解了点云质量评价的迫切需求，但它们都是基于全参考质量评价的方式。具体来说，它们通过计算原始点云与失真点云之间的差异来量化表示失真点云的质量。然而，在实际应用场景中，原始点云通常不可获得。因此，基于无参考方式的点云质量评价方法的提出和发展是目前迫切需要的。

发明内容

为解决上述技术问题，本发明提出了基于多层次特征提取网络模型的三维点云质量评价方法，采用多层次特征提取回归结构，并结合通道间注意力机制搭建质量评价网络，有效全面获取能描述失真点云特性的信息。

为实现上述目的，本发明提供了基于多层次特征提取网络模型的三维点云质量评价方法，包括：

对点云数据进行手工特征提取，获取灰度值、平均曲率以及簇中的点相对于中心点的欧几里得距离；

构建多层次特征提取网络模型，基于所述灰度值、平均曲率以及簇中的点相对于中心点的欧几里得距离对所述网络模型进行训练，获取局部质量分数；

基于所述局部质量分数，通过平均池化策略获取点云全局质量分数，基于所述点云全局质量分数对三维点云质量进行评价。

优选地，采用自适应的方式提取所述点云数据的手工特征，所述手工特征提取包括中心点的选取、簇的构成和各个簇的特征提取。

优选地，对所述点云数据进行手工特征提取包括：

确定采样簇的个数，基于最远点采样方法选取所述点云数据中各个簇的中心点，结合KNN方法获取各个中心点的 k个最邻近点，构成若干点云簇，其中，每个所述点云簇中包含 k+1个点；