本发明专利技术涉及点云数据预处理技术领域，解决了现有技术无法同时感知不同尺度下点的局部特征缺陷的技术问题，尤其涉及一种基于Transformer的点云逐点去噪方法，包括以下过程：S1、创建点云多尺度数据集，点云多尺度数据集包括不同尺度的点云面片及面片中心点的真值；S2、构建基于多尺度信息的点云去噪网络模型；S3、采用点云多尺度数据集对点云去噪网络模型进行训练；S4、将含有噪声点的点云数据输入至点云去噪网络模型中完成点云去噪。本发明专利技术利用Transformer模型结构和多尺度信息全局感知解决了现有技术无法同时感知不同尺度下点的局部特征的缺陷，提升了点云去噪效果，以实现对点云数据的高质量去噪。现对点云数据的高质量去噪。现对点云数据的高质量去噪。
【技术实现步骤摘要】
一种基于Transformer的点云逐点去噪方法
[0001]本专利技术涉及点云数据预处理
，尤其涉及一种基于Transformer的点云逐点去噪方法。
技术介绍
[0002]近年来，计算机图形学技术飞快发展，三维数据的高精度表示逐渐成为虚拟现实、增强现实等新兴技术最为迫切的需求，尤其是在工业领域，对三维数据的精度有着更高的要求标准。
[0003]点云是某个坐标系下的点的数据集。点云可以包含丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等。三维点云作为一种长期应用的三维对象表示方式，在近些年来取得了长足发展，在工业测量、智能驾驶、虚拟现实等领域的发展中发挥了重要作用。一般的点云数据是由激光扫描仪，激光雷达等设备获取的，由于光学仪器采集数据的过程较为复杂，因此获取过程中容易受到干扰，数据中通常存在大量的噪声点，需要在使用之前进行预处理，才能被应用于实际工程中，然而目前所采用的噪声点去除方法存在无法同时感知不同尺度下点的局部特征的缺陷，从而严重影响对于点云数据中噪声点的去噪效果，加强了点云去噪误差。
技术实现思路
[0004]针对现有技术的不足，本专利技术提供了一种基于Transformer的点云逐点去噪方法，解决了现有技术无法同时感知不同尺度下点的局部特征缺陷的技术问题，本专利技术提升了点云去噪效果，降低了点云去噪误差，以实现对点云数据的高质量去噪。
[0005]为解决上述技术问题，本专利技术提供了如下技术方案：一种基于Transformer的点云逐点去噪方法，包括以下过程：S1、创建点云多尺度数据集，点云多尺度数据集包括不同尺度的点云面片及面片中心点的真值；S2、构建基于多尺度信息的点云去噪网络模型；S3、采用点云多尺度数据集对点云去噪网络模型进行训练；S4、将含有噪声点的点云数据输入至点云去噪网络模型中完成点云去噪。
[0006]进一步地，在步骤S1中，创建点云多尺度数据集的具体过程包括以下步骤：S11、获取若干三维点云模型的点云数据及其对应的真值；S12、根据三维点云模型的点云数据进行采样得到点云中每一个点对应的五个不同尺度的邻域面片点集；S13、将五个不同尺度的邻域面片点集的数量大小统一为N得到五个矩阵构成点云多尺度数据集，对于点集的数量少于N的邻域面片，则根据步骤S12进行重采样至数量为N，对于点集的数量多于N的邻域面片，则进行下采样至点数为N。
[0007]进一步地，在步骤S12中，根据三维点云模型的点云数据进行采样得到点云中每一
个点对应的五个不同尺度的邻域面片点集的具体过程包括以下步骤：S121、采用K邻近法对点云数据中的每一个点分别获取点数为的五种不同尺度大小的邻域面片定义为K值；S122、采用格点采样法在每个邻域面片的点云数据中选取S个采样点定义为S值；S123、根据S值得到五个不同尺度的邻域面片K值构成邻域面片点集，五个不同尺度的邻域面片K值分别为S值的1%、1.5%、2%、2.5%、3%。
[0008]进一步地，在步骤S2中，构建基于多尺度信息的点云去噪网络模型的具体过程包括以下步骤： S21、组建多尺度信息编码器，输出5个不同尺度的[1,128]的特征矩阵；S22、组建多尺度信息Transformer Encoder Block，多尺度信息Transformer Encoder Block由3个Encoder结构组成，3个Encoder结构依次连接；S23、将步骤S21中输出的5个不同尺度的[1,128]特征矩阵输入到多尺度信息Transformer Encoder Block中，3个Encoder结构输出的向量进行拼接，得到5个尺度下的[1,384]的多层次编码聚合特征向量；S24、组建多尺度信息Transformer Decoder Block，多尺度信息Transformer Decoder Block由3个Decoder结构组成，3个Decoder结构依次连接；多尺度信息Transformer Decoder Block的输入由两部分构成，分别为预测输入部分和训练输入部分；进行预测时，从预测输入部分输入S23中得到的5个尺度下的[1,384]的多层次编码聚合特征向量；进行训练时，从训练输入部分额外输入三维点云数据的真值作为Target数据；将3个Decoder结构输出的向量进行拼接，输出5个尺度下的[1,1152]的多层次解码聚合特征向量；S25、组建多尺度信息全局感知模块，多尺度信息全局感知模块由[1024,512,64,3]的全连接层组成；S26、将步骤S24中的5个尺度下的[1,1152]的多层次解码聚合特征向量相加得到[1,1152]的全局特征感知向量；S27、将全局特征感知向量输入到多尺度信息全局感知模块中输出[1,3]的位置偏移矩阵，得到点的位置偏移量；S28、将点的位置偏移量添加到原始点中得到滤波后的点三维坐标。
[0009]进一步地，多尺度信息编码器由5个子编码器组成，5个子编码器之间不共享权重，每个子编码器负责一个尺度邻域面片的特征信息提取；子编码器由一个[64,64,128]的多层感知器和一个最大池化层组成。
[0010]进一步地，每个Encoder结构由Multi
‑
Head Attention结构和全连接神经网络Feed Forward Network组成，每个Encoder结构后添加残差模块及归一化处理模块。
[0011]进一步地，每个Decoder由Masked Multi
‑
Head Attention、Multi
‑
Head Attention、全连接神经网络Feed Forward Network组成，每个Decoder结构后添加残差模块及归一化处理模块。
[0012]进一步地，在步骤S3中，采用点云多尺度数据集对点云去噪网络模型进行训练的
具体过程包括以下步骤：S31、定义多尺度信息的点云中各尺度偏移损失的度量函数；S32、将点云多尺度数据集按8:2的比例划分为训练集和测试集；S33、将训练集输入至点云去噪网络模型中进行训练得到训练后的点云去噪网络模型；S34、采用测试集对训练后的点云去噪网络模型进行测试。
[0013]借由上述技术方案，本专利技术提供了一种基于Transformer的点云逐点去噪方法，至少具备以下有益效果：本专利技术通过构建基于多尺度信息的点云去噪网络模型，利用Transformer模型结构和多尺度信息全局感知解决了现有技术无法同时感知不同尺度下点的局部特征的缺陷，提升了点云去噪效果，降低了点云去噪误差，以实现对点云数据的高质量去噪。
附图说明
[0014]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1为本专利技术点云逐点去噪方法的流程图；图2为本专利技术构建的点云去噪网络模型的原理框架图；图3为本专利技术点云去噪网络模型中Encoder与Decoder的原理框架图；图4为本专利技术去噪前后的点云本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于Transformer的点云逐点去噪方法，其特征在于，该去噪方法包括以下步骤：S1、创建点云多尺度数据集，点云多尺度数据集包括不同尺度的点云面片及面片中心点的真值；S2、构建基于多尺度信息的点云去噪网络模型；S3、采用点云多尺度数据集对点云去噪网络模型进行训练；S4、将含有噪声点的点云数据输入至点云去噪网络模型中完成点云去噪。2.根据权利要求1所述的点云逐点去噪方法，其特征在于：在步骤S1中，创建点云多尺度数据集的具体过程包括以下步骤：S11、获取若干三维点云模型的点云数据及其对应的真值；S12、根据三维点云模型的点云数据进行采样得到点云中每一个点对应的五个不同尺度的邻域面片点集；S13、将五个不同尺度的邻域面片点集的数量大小统一为N得到五个矩阵构成点云多尺度数据集，对于点集的数量少于N的邻域面片，则根据步骤S12进行重采样至数量为N，对于点集的数量多于N的邻域面片，则进行下采样至点数为N。3.根据权利要求2所述的点云逐点去噪方法，其特征在于：在步骤S12中，根据三维点云模型的点云数据进行采样得到点云中每一个点对应的五个不同尺度的邻域面片点集的具体过程包括以下步骤：S121、采用K邻近法对点云数据中的每一个点分别获取点数为的五种不同尺度大小的邻域面片定义为K值；S122、采用格点采样法在每个邻域面片的点云数据中选取S个采样点定义为S值；S123、根据S值得到五个不同尺度的邻域面片K值构成邻域面片点集。4.根据权利要求1所述的点云逐点去噪方法，其特征在于：在步骤S2中，构建基于多尺度信息的点云去噪网络模型的具体过程包括以下步骤：S21、组建多尺度信息编码器，输出5个不同尺度的[1,128]的特征矩阵；S22、组建多尺度信息Transformer Encoder Block，多尺度信息Transformer Encoder Block由3个Encoder结构组成，3个Encoder结构依次连接；S23、将步骤S21中输出的5个不同尺度的[1,128]特征矩阵输入到多尺度信息Transformer Encoder Block中，3个Encoder结构输出的向量进行拼接，得到5个尺度下的[1,384]的多层次编码聚合特征向量；S24、组建多尺度信息Transformer Decoder Block，多尺度信息Transformer Decoder Block由3个Decoder结构组成，3个De...
【专利技术属性】
技术研发人员：汪俊，杨建铧，黄安义，李子宽，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。