[发明专利]一种基于深度学习和体素的三维点云补全方法

权利要求书

1.一种基于深度学习和体素的三维点云补全方法，其特征在于，包括以下步骤：

步骤1，采集不同类别的原始物体模型；

步骤2，对原始物体模型进行预处理，得到残缺点云和完整点云；

步骤3，用经过预处理后的残缺点云和完整点云训练体素深度神经网络模型；

步骤4，采集待补全的残缺点云并进行预处理；

步骤5，将步骤4得到的预处理后的点云输入步骤3得到的训练好的体素深度神经网络模型进行点云补全。

2.根据权利要求1所述的一种基于深度学习和体素的三维点云补全方法，其特征在于，所述步骤1中的原始物体模型为OBJ模型或者点云模型，所述OBJ模型包括原始物体的所有三角形面片位置和对应三角形顶点坐标，所述点云模型指原始物体模型是由一系列点组成的点云集合。

3.根据权利要求2所述的一种基于深度学习和体素的三维点云补全方法，其特征在于，所述步骤2包括以下步骤：

步骤2-1，若原始物体模型为OBJ模型，在所有三角形面片上进行均匀采样，获得原始物体模型的点云集合；

步骤2-2，对原始物体模型的点云集合进行归一化，将其坐标限定在[-1,1]区间内；

步骤2-3，对归一化后的原始物体模型的点云集合进行均匀采样，获取固定数量2048个点，作为完整点云；

步骤2-4，随机生成视点，以该视点观察归一化后的原始物体模型，渲染得到深度图像，将该深度图像中原始物体模型部分还原到三维空间获取固定数量2048个点，作为残缺点云。

4.根据权利要求3所述的一种基于深度学习和体素的三维点云补全方法，其特征在于，步骤3包括以下步骤：

步骤3-1，对步骤2-3获得的残缺点云进行体素化，获得16*16*16个在[-1,1]内的体素网格，并获得每个体素网格中心点坐标，统计每个体素网格中包含点的数量；

步骤3-2，构造体素深度网络模型，所述体素深度神经网络模型包括尺度预测模块、体素概率模块和点的生成模块；

步骤3-3，初始化体素深度网络模型；使用随机化生成参数的方式，或者使用已有训练模型的参数进行初始化；

步骤3-4，用步骤2中获得的残缺点云和完整点云对体素深度网络模型进行训练，并保存训练好的体素深度模型。

5.根据权利要求4所述的一种基于深度学习和体素的三维点云补全方法，其特征在于，步骤3-2中所述尺度预测模块用于预测残缺点云的实际尺寸，包括编码器和解码器，其中编码器包括4个全连接层、2个池化层和1个反池化层，输入大小为2048*3的点云，有3个输入节点输入3维坐标，第1层、第2层为全连接层，分别包含128和256个神经节点，并且2048个点共享对应全连接层的权重；第3层为池化层，采用的池化操作是最大池化，将2048个第2层输出的256维特征最大池化为1个256维特征；第4层为反池化层，将第3层输出的1个256维特征复制2048个，然后将其和第2层输出的2048个256维的特征拼接成2048个512维的特征输入第5层；第5层、第6层为全连接层，分别包含512和1024个神经节点，并且2048个512维特征共享对应全连接层的权重；第7层为池化层，采用的池化操作是最大池化，将2048个第6层输出的1024维特征最大池化为1个1024维特征；编码器最终的输出为1个1024维特征；解码器包含3个全连接层，输入编码器输出的1024维特征；第1层、第2层、第3层为全连接层，分别包含1024、1024、3个神经节点；解码器的最终输出为3个维度的尺度坐标。