【技术实现步骤摘要】
本专利技术属于图像处理与计算机视觉，具体涉及一种基于结构补全和拓扑感知重建的点云补全方法。
技术介绍
1、随着信息技术、存储技术和通信技术的逐渐成熟，人工智能得到进一步的发展，深度学习技术也得到了越来越多的关注。无人驾驶汽车、游戏和虚拟现实等这些伴随着人工智能技术而火热起来的产业也在无时不刻地改变着人们的生活方式与生产方式。与传统的二维图像数据相比，点云数据捕捉了三维世界中的物体形状和空间关系，它提供了立体视觉和环境感知。由三维传感器深度相机和激光雷达捕获的点云数据反映了几何和拓扑结构以及深度信息，因此点云在自动驾驶、环境感知、机器人操纵等领域得到了广泛的应用。然而，由于无法接收反射信息、遮挡或传感器分辨率有限，采集设备采集到的点云数据往往是稀疏和不完整的，这阻碍了各种下游感知任务的发展。因此，点云补全，旨在从稀疏且缺失的输入中恢复出完整的点云，能够大大提升如自动驾驶、同步定位与地图构建等系统的性能和可靠性。
2、目前，关于流行的点云补全的方法多为两阶段或多阶段的方法：基于两阶段的补全方法采用两阶段策略来细化粗点云。这类方法在第一阶段获得了粗点云后，在第二阶段定义一个细化单元，该单元依赖于粗点云来预测每个粗点的坐标偏移，从而对粗点云进行整体微调。这类方法仅限于对每个点的坐标进行轻微的调整。然而，准确地恢复局部形状，仍然具有挑战性。基于多阶段的方法通过使用多次上采样技术生成高分辨率点云。对于基于上采样的方法，不可靠的粗点云会导致错误的积累。同时，上述方法在第一阶段排除了点云数据各部分之间的远距离相关性。此外，这些方法在
技术实现思路
1、为解决上述技术问题，本专利技术提出一种基于结构补全和拓扑感知重建的点云补全方法，包括以下步骤：
2、s1：通过激光雷达采集完整的点云数据，在3d空间中随机选择一个或多个不同的视点坐标，随机裁切点云中距离该视点最近一部分点，将裁切后的点云数据通过最远点采样操作，下采样到具有特定点数的残缺的点云数据；
3、s2：构建点云补全模型，所述点云补全模型包括点序列转化头、结构补全子网络、拓扑感知重建模块、特征增强模块；
4、所述结构补全子网络为基于transformer编码器-解码器结构；
5、s3：通过点序列转化头将具有特定点数的残缺的点云数据转化为适合结构补全子网络处理的点序列；
6、s4：将点序列送入结构补全子网络的编码器中进行点序列编码，把点序列编码作为全局特征嵌入；
7、s5：使用一个查询生成器总结全局特征嵌入中的语义和位置信息，生成点云缺失区域的中心点和查询嵌入；
8、s6：利用结构补全子网络的解码器中的自注意力机制将查询嵌入转化为位置嵌入，进一步使用解码器中的交叉注意力机制预测缺失区域的点序列表示，之后使用一个全连接头将该点序列映射为缺失点云的全局表示，得到粗糙的点云；
9、s7：将粗点云与残缺的点云数据进行拼接后输入拓扑感知重建模块，该模块包括一条global-topology路径和一条local-topology路径，global-topology路径具有大的全局感受野，用以恢复粗糙点云的全局拓扑结构，local-topology路径通过学习点云中各点之间的连接性和邻域关系，获取更准确的局部拓扑细节，得到高分辨率的拓扑特征；
10、s8：特征增强模块根据高分辨率拓扑特征的高维特征提取一个特定维度的特征，然后将该特征与全局特征嵌入进行融合，最终通过多层感知机映射生成更精细和完整的点云数据。
11、本专利技术的有益效果：
12、本专利技术通过构建点的邻域，使生成的点云具有更好的形状重建和细节保留效果；
13、本专利技术通过特征增强的整合，在去除散点的同时可以再次利用第一阶段未被充分利用的结构特征，使得点云补全更精确，此外，拓扑感知重建模块可以作为一个即插即用的模块嵌入到现有的几乎所有的点云补全框架当中。
本文档来自技高网...【技术保护点】
1.一种基于结构补全和拓扑感知重建的点云补全方法，其特征在于，包括：
2.根据权利要求1所述的一种基于结构补全和拓扑感知重建的点云补全方法，其特征在于，通过点序列转化头将残缺的输入数据转化为适合结构补全子网络处理的点序列，包括：
3.根据权利要求1所述的一种基于结构补全和拓扑感知重建的点云补全方法，其特征在于，将点序列送入结构补全子网络的编码器中进行点序列编码，包括：
4.根据权利要求1所述的一种基于结构补全和拓扑感知重建的点云补全方法，其特征在于，使用一个查询生成器总结全局特征嵌入中的语义和位置信息，生成点云缺失区域的中心点和查询嵌入，包括：
5.根据权利要求1所述的一种基于结构补全和拓扑感知重建的点云补全方法，其特征在于，利用结构补全子网络的解码器中的自注意力机制将查询嵌入转化为位置嵌入，进一步使用解码器中的交叉注意力机制得到缺失区域的点序列表示，之后使用一个全连接头将该点序列映射为缺失点云的全局表示，得到粗糙的点云，包括：
6.根据权利要求5所述的一种基于结构补全和拓扑感知重建的点云补全方法，其特征在于，计算全局嵌
7.根据权利要求1所述的一种基于结构补全和拓扑感知重建的点云补全方法，其特征在于，将粗点云与残缺的点云数据进行拼接后输入拓扑感知重建模块，该模块包括一条global-topology路径和一条local-topology路径，global-topology路径具有大的全局感受野，用以恢复粗糙点云的全局拓扑结构，local-topology路径通过学习点云中各点之间的连接性和邻域关系，获取更准确的局部拓扑细节，得到高分辨率的拓扑特征，包括：
8.根据权利要求7所述的一种基于结构补全和拓扑感知重建的点云补全方法，其特征在于，使用三个不同的卷积对点特征进行键、查询和值转换，将其中两个转化后的特征进行拼接，再通过权共享多层感知器映射来学习一个拓扑注意力矩阵，将该矩阵与第三个转换后的特征使用元素积的形式相乘以捕获局部拓扑信息，获得一个特征向量，包括：
9.根据权利要求1所述的一种基于结构补全和拓扑感知重建的点云补全方法，其特征在于，特征增强模块根据高分辨率拓扑特征的高维特征提取一个特定维度的特征，然后将该特征与全局特征嵌入进行融合，最终通过多层感知机映射以生成更精细和完整的点云数据，包括：
10.根据权利要求9所述的一种基于结构补全和拓扑感知重建的点云补全方法，其特征在于，利用T-Net对全局特征嵌入进行变换，应用softmax函数初始化一组可训练的权重，记为x0和x1，将最终的拓扑特征图表示为全局特征和拓扑特征分别乘上权重的拼接，并进行线性映射即可获得精细的点云数据，包括：
...【技术特征摘要】
1.一种基于结构补全和拓扑感知重建的点云补全方法，其特征在于，包括：
2.根据权利要求1所述的一种基于结构补全和拓扑感知重建的点云补全方法，其特征在于，通过点序列转化头将残缺的输入数据转化为适合结构补全子网络处理的点序列，包括：
3.根据权利要求1所述的一种基于结构补全和拓扑感知重建的点云补全方法，其特征在于，将点序列送入结构补全子网络的编码器中进行点序列编码，包括：
4.根据权利要求1所述的一种基于结构补全和拓扑感知重建的点云补全方法，其特征在于，使用一个查询生成器总结全局特征嵌入中的语义和位置信息，生成点云缺失区域的中心点和查询嵌入，包括：
5.根据权利要求1所述的一种基于结构补全和拓扑感知重建的点云补全方法，其特征在于，利用结构补全子网络的解码器中的自注意力机制将查询嵌入转化为位置嵌入，进一步使用解码器中的交叉注意力机制得到缺失区域的点序列表示，之后使用一个全连接头将该点序列映射为缺失点云的全局表示，得到粗糙的点云，包括：
6.根据权利要求5所述的一种基于结构补全和拓扑感知重建的点云补全方法，其特征在于，计算全局嵌入与位置查询之间的交叉关注权值，并利用该权值与位置查询进行聚合，探索查询与编码器输出之间的关系，以获得缺失区域的点序列表示，包括：
7.根据权利要求1所述的一种基于结构补全和拓扑感知重建的点云补全方法，其特征在于，将粗点云与...
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。