本发明专利技术提供的基于深度网络的点云模型修复方法、系统、装置及介质，方法包括以下步骤：获取原始点云，从原始点云中提取得到全局特征信息以及局部特征信息进行整合得到原始点云特征；并通过注意力机制学习得到用于表征形状特征的高维向量；通过球面谐波核函数对原始点云进行特异性编码得到旋转不变特征；通过低通图滤波器聚合原始点云的拓扑关系范围内的特征点得到图邻接矩阵；将高维向量以及旋转不变特征进级联输入至多重图卷积神经网络重建得到目标点云，方法能够保持修复后家具几何模型的旋转不变性、细节信息以及拓扑关系，同时由于引入了深度网络，修复过程耗时能达到接近实时级别，可广泛应用于计算机视觉技术领域。可广泛应用于计算机视觉技术领域。可广泛应用于计算机视觉技术领域。
【技术实现步骤摘要】
基于深度网络的点云模型修复方法、系统、装置及介质
[0001]本专利技术涉及计算机视觉
，尤其是基于深度网络的点云模型修复方法、系统、装置及介质。
技术介绍
[0002]相关技术方案提供了多种方式方法，可以根据修复任务构建有效的深度学习网络进行点云重建。通过补全重建，输入点云缺失部分得到了补全，稀疏部分的密度得到了提升，并通过损失函数确保没有或尽量减少噪声点的产生。虽然基于深度学习的点云修复技术取得了很大的成功，但是仍然面临很多的问题和挑战。
[0003]例如，相关技术方案中的深度学习模型的感受野不足以获取准确的高维点云特征表示，由于传统卷积模型的感受野受到卷积核大小的限制，无法整合全局的点与点之间的上下文联系关系。又例如，输入点云数据的旋转不变性得不到有效的保证，即同一点云和它任意旋转后的点云会提取到不同的形状特征，由此会导致对任意方向的推广效果很差。另外，对于修复或保持点云模型的细节信息，如边缘、角点等尖锐特征和空洞等仍存在不足。大多数技术修复点云的局部细节能力欠缺；并且，在点云修复的同时难以保持其拓扑关系。
技术实现思路
[0004]有鉴于此，为至少部分解决上述技术问题或者缺陷之一，本专利技术实施例的目的在于提供一种基于深度网络的点云模型修复方法，方法充分利用全局上下文交互信息旨在获取更为精确的深度值；本申请技术方案同时还提供了方法对应的系统、装置以及介质。
[0005]一方面，本申请技术方案提供了基于深度网络的点云模型修复方法，包括以下步骤：
[0006]获取原始点云，从所述原始点云中提取得到全局特征信息以及局部特征信息进行整合得到原始点云特征；
[0007]根据所述原始点云特征通过注意力机制学习得到用于表征形状特征的高维向量；
[0008]通过球面谐波核函数对原始点云进行特异性编码得到旋转不变特征；
[0009]通过低通图滤波器聚合所述原始点云的拓扑关系范围内的特征点得到图邻接矩阵；
[0010]将所述高维向量以及所述旋转不变特征进级联，将级联后的结果与所述图邻接矩阵确输入至多重图卷积神经网络重建得到目标点云。
[0011]在本申请方案的一种可行的实施例中，所述获取原始点云，从所述原始点云中提取得到全局特征信息以及局部特征信息进行整合得到原始点云特征，包括：
[0012]确定所述原始点云中候选点的权重分数；
[0013]确定所述权重分数低于预设分值，确定所述候选点为噪声点，剔除所述噪声点得到所述原始点云的特征点；所述特征点用于描述所述全局特征信息以及所述局部特征信息。
[0014]在本申请方案的一种可行的实施例中，所述根据所述原始点云特征通过注意力机制学习得到用于表征形状特征的高维向量这一步骤中，所述高维向量的计算公式为：
[0015]F
Encode
＝SA(F
in
)
[0016]其中，F
Encode
表征所述高维向量；F
in
表征所述原始点云特征，SA表征注意力机制的计算过程；所述注意力机制的计算过程中的注意力计算公式为：
[0017][0018]其中，ρ表征关系表示函数。
[0019]在本申请方案的一种可行的实施例中，所述通过球面谐波核函数对原始点云进行特异性编码得到旋转不变特征这一步骤中，所述旋转不变特征的编码过程为：
[0020]F
Rotlnv
＝P
·
B(n)
[0021]其中，F
RotInv
表征所述旋转不变特征，P表征所述原始点云的特征，B(n)表征所述球面谐波核函数的基，n表征特征点所在的表面法线；所述球面谐波核函数的基满足如下公式：
[0022][0023]在本申请方案的一种可行的实施例中，所述通过低通图滤波器聚合所述原始点云的拓扑关系范围内的特征点得到图邻接矩阵这一步骤中，所述低通图滤波器的滤波过程满足如下公式：
[0024][0025]其中，A表征所述图邻接矩阵，h
l
表征所述低通图滤波器的参数，L表征所述低通图滤波器的阶数，M表征所述图邻接矩阵的维度，l表征图卷积核阶数，R表征实数域。
[0026]在本申请方案的一种可行的实施例中，所述通过低通图滤波器聚合所述原始点云的拓扑关系范围内的特征点得到图邻接矩阵，包括：
[0027]根据所述特征点的临近点、规范二维晶格以及超参数衰减率确定所述图邻接矩阵的初始值；所述初始值满足如下公式：
[0028][0029]其中，表征所述图邻接矩阵的初始值，z
i
表征所述规范二维晶格中的第i个节点，N
i
表示z
i
的k
‑
近邻点，Z
i
为正则项，所述正则项满足如下公式：
[0030][0031]在本申请方案的一种可行的实施例中，所述将所述高维向量以及所述旋转不变特征进级联，将级联后的结果与所述图邻接矩阵确输入至多重图卷积神经网络重建得到目标点云，包括：
[0032]通过推土机距离误差函数与倒角距离误差函数构建约束条件，通过所述约束条件
对所述多重图卷积神经网络进行参数调整；
[0033]通过参数调整后的所述多重图卷积神经网络输出得到重建后的所述目标点云。
[0034]另一方面，本申请技术方案还提供了基于深度网络的点云模型修复系统，该系统包括：
[0035]特征提取单元，用于获取原始点云，从所述原始点云中提取得到全局特征信息以及局部特征信息进行整合得到原始点云特征；并根据所述原始点云特征通过注意力机制学习得到用于表征形状特征的高维向量；
[0036]特征编码单元，用于通过球面谐波核函数对原始点云进行特异性编码得到旋转不变特征；
[0037]特征滤波单元，用于通过低通图滤波器聚合所述原始点云的拓扑关系范围内的特征点得到图邻接矩阵；
[0038]修复输出单元，用于将所述高维向量以及所述旋转不变特征进级联，将级联后的结果与所述图邻接矩阵确输入至多重图卷积神经网络重建得到目标点云。
[0039]另一方面，本申请技术方案还提供基于深度网络的点云模型修复装置，该装置包括至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器运行如第一方面中所述的基于深度网络的点云模型修复方法。
[0040]另一方面，本申请技术方案还提供一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如第一方面中任一项所述的基于深度网络的点云模型修复方法。
[0041]本专利技术的优点和有益效果将在下面的描述中部分给出，其他部分可以通过本专利技术的具体实施方式了解得到：
[0042]本申请技术方案结合深度网络对缺失家具几何模型进行修复，在点云修复的过程中对编码特征进行解码的过程中，引入了球面谐波核函数与低通图滤波器，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于深度网络的点云模型修复方法，其特征在于，包括以下步骤：获取原始点云，从所述原始点云中提取得到全局特征信息以及局部特征信息进行整合得到原始点云特征；根据所述原始点云特征通过注意力机制学习得到用于表征形状特征的高维向量；通过球面谐波核函数对原始点云进行特异性编码得到旋转不变特征；通过低通图滤波器聚合所述原始点云的拓扑关系范围内的特征点得到图邻接矩阵；将所述高维向量以及所述旋转不变特征进级联，将级联后的结果与所述图邻接矩阵确输入至多重图卷积神经网络重建得到目标点云。2.根据权利要求1所述的基于深度网络的点云模型修复方法，其特征在于，所述获取原始点云，从所述原始点云中提取得到全局特征信息以及局部特征信息进行整合得到原始点云特征，包括：确定所述原始点云中候选点的权重分数；确定所述权重分数低于预设分值，确定所述候选点为噪声点，剔除所述噪声点得到所述原始点云的特征点；所述特征点用于描述所述全局特征信息以及所述局部特征信息。3.根据权利要求1所述的基于深度网络的点云模型修复方法，其特征在于，所述根据所述原始点云特征通过注意力机制学习得到用于表征形状特征的高维向量这一步骤中，所述高维向量的计算公式为：F
Encode
＝SA(F
in
)其中，F
Encode
表征所述高维向量；F
in
表征所述原始点云特征，SA表征注意力机制的计算过程；所述注意力机制的计算过程中的注意力计算公式为：其中，ρ表征关系表示函数。4.根据权利要求1所述的基于深度网络的点云模型修复方法，其特征在于，所述通过球面谐波核函数对原始点云进行特异性编码得到旋转不变特征这一步骤中，所述旋转不变特征的编码过程为：F
RotInv
＝P
·
B(n)其中，F
RotInv
表征所述旋转不变特征，P表征所述原始点云的特征，B(n)表征所述球面谐波核函数的基，n表征特征点所在的表面法线；所述球面谐波核函数的基满足如下公式：5.根据权利要求l所述的基于深度网络的点云模型修复方法，其特征在于，所述通过低通图滤波器聚合所述原始点云的拓扑关系范围内的特征点得到图邻接矩阵这一步骤中，所述低通图滤波器的滤波过程满足如下公式：其中，A表征所述图邻接矩阵，h
l
表征所述低通图滤波器的参数，L表征所述...
【专利技术属性】
技术研发人员：柯建生，王兵，陈学斌，戴振军，
申请(专利权)人：广州极点三维信息科技有限公司，
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。