[发明专利]一种基于运动特征的动态点云显著性检测方法

说明书

本发明涉及一种基于运动特征的动态点云显著性检测方法。本发明针对动态点云序列，提供了一种基于运动特征的运动显著性检测方法。通过在0‑1范围内的计算所得值反映每个点的显著性，越接近于1越显著。本发明主要包括以下步骤：时空聚类；逐帧运动特征的提取和运动显著性的计算。本发明通过提取运动特征计算多帧点云的运动显著性；使用场景流将簇在时间上一致对应起来，使簇可以作为时间上一致对应的单元对点云序列的运动变化情况进行追踪；运动衰减机制使所得运动显著性并不是静止不变的，更好地符合人眼对区域长时间关注后产生的疲惫视觉感知效果。

技术领域

本发明属于计算机视觉领域，具体涉及一种基于运动特征的动态点云显著性检测方法。

背景技术

显著性检测在计算机视觉和图形学领域中至关重要，目前在2D图像和视频中应用广泛。显著性的结果可以比较直观地反映在模型中不同区域对视觉系统的吸引程度，因此可以将此结果视为每个区域的重要性，在数据处理(如压缩、重构和分类等等)时有所侧重地对这些区域进行计算，从而提高整体的效率。随着三维数据获取方式变得越来越便捷，它也慢慢被应用于三维数据的处理。

传统的3D显著性检测较多关注于模型的局部差异，比如颜色、法向量和曲率等等，然后通过线性组合的方式融合不同的特征得到显著性值。也有方法引入全局罕见度，考虑分布相似性对显著性的影响，这样可以弥补局部差异可能重复率过高导致显著性检测不准确的缺陷。但这样的方法仅考虑了单帧模型的静态显著性，对于动态序列来说，单帧的特征无法描述视觉系统在整个时间域上的注意力分布。另一些研究者们已经在动画网格序列中引入了动态显著性，他们考虑一些运动特征来计算显著性，比如速度和加速度。但在点云序列中，受采样的影响，每一帧点的个数是并不相同的，也没有办法找到相邻两帧点与点之间的对应性，因此网格的方法并不能直接拓展到点云序列上。

近年来，也有一些人通过搭建神经网络的方式模拟视觉系统的感知情况，有的使用网络对显著性的特征进行提取并计算，有的则通过网络计算每个点对特定任务的作用效果，并将其作为重要性。但这样的方法常常需要建立在数据具有真实标注的显著性值的基础上，这对没有标注的数据集来说是完全不适用的。

总体而言，目前点云显著性相关的方法都只针对单帧考虑静态显著性，且很少有人考虑过动态点云序列方面的显著性检测方法。

发明内容

本发明针对动态点云序列，提供了一种基于运动特征的运动显著性检测方法。通过在0-1范围内的计算所得值反映每个点的显著性，越接近于1越显著。

本发明主要包括以下步骤：

1)时空聚类；

2)逐帧运动特征的提取；

3)运动显著性的计算；

步骤1)在空间聚类的基础上，将得到的簇在整个时间序列上一致对应，使聚类的结果可以在时间上追踪点的变化情况。具体的步骤包括：

1.1)对于给定动态点云序列，通过场景流估算从第一帧到倒数第二帧中所有点的运动向量。

1.2)对第一帧进行空间聚类处理，得到第一帧k个簇。然后将每个簇中离整个簇的几何中心最近的点指定为簇头，用簇头来代表整个簇，也就是将簇视为一个处理单元。

1.3)将第一帧的簇头都加上它们的运动向量，得到第二帧所有簇的初始聚类中心。

1.4)将运动特征加入到空间聚类的距离度量中，调整第二帧的所有簇和簇头并更新簇和簇头，使得每个簇尽量不包含运动边界。

1.5)对之后的每一帧重复步骤1.3)和1.4)，得到时间序列上一致对应的簇。