[发明专利]基于多尺度融合的点云特征增强方法和装置

说明书

本发明提供一种基于多尺度融合的点云特征增强方法和装置。其中方法包括：基于目标对象的原始点云构建目标对象的至少一个不同尺度规模的子点云；其中不同尺度规模的子点云中点的数量小于原始点云中点的数量；基于预先设定的邻域点的数量分别确定至少一个不同尺度规模的子点云中每个点的邻域点；基于所确定的邻域点分别确定至少一个不同尺度规模的子点云中每个点的局部特征；基于至少一个不同尺度规模的子点云中每个子点云的所有点的局部特征，确定每个子点云的全局特征，基于所确定的至少一个不同尺度规模的子点云中每个子点云的全局特征，对原始点云中每个点的原始特征进行融合，得到更具有表现力的目标点云。本发明可以增强点云的特征描述能力。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于多尺度融合的点云特征增强方法和装置。

背景技术

随着扫描技术的进步，点云数据(Point Cloud)已日益成为自动驾驶领域以及无人机遥感测绘领域主要的数据形式。与传统的二维图像数据不同，点云数据是同一空间参考系下表达目标对象表面特征和xyz三个维度位置坐标空间分布的点的集合。由于可以提供精准的空间位置坐标信息，点云数据也被广泛应用于电力、建筑、工业、汽车、游戏、刑侦等诸多领域，具有重要的使用价值和研究意义。

然而，由于点云数据相对于二维图像数据，具有点的数目稀疏，存储格式无序性的问题，使得点云数据在使用过程中会出现特征描述能力不足，进而不利于应用于三维目标识别以及场景分割等方面。因此，针对点云特征描述增强的研究已经成为亟待解决的问题。

现有技术针对点云特征增强的处理方法主要包括：1.对点云数据进行旋转变换(主要是对点云中每个点的坐标进行旋转和平移操作)；2.对点云数据进行随机噪声扰动(主要是对点云中每个点的坐标在xyz三个维度上增加微小的高斯噪声增量)。但是，现有的对点云特征增强的处理方法，由于数据增强方式较为单一，仅对坐标进行简单的变换处理，并且只保留了增强处理后的数据，本质上并未扩增数据规模，因而对点云多样性表达的提升不足，无法描述不同点密度下的点云特征。

发明内容

本发明提供一种基于多尺度融合的点云特征增强方法和装置，用以解决现有技术点云数据增强方式单一，对点云多样性表达的提升不足，无法描述不同点密度下的点云特征的缺陷，可以通过将点云在不同尺度规模下多维度的全局特征与点云的原始特征进行融合，增强点云的特征描述能力。

第一方面，本发明提供一种基于多尺度融合的点云特征增强方法，包括：

基于目标对象的原始点云，构建所述目标对象的至少一个不同尺度规模的子点云；其中，所述不同尺度规模的子点云中点的数量小于所述原始点云中点的数量；

基于预先设定的邻域点的数量，分别确定所述至少一个不同尺度规模的子点云中每个点的邻域点；

基于所确定的邻域点，分别确定所述至少一个不同尺度规模的子点云中每个点的局部特征；

基于所述至少一个不同尺度规模的子点云中每个子点云的所有点的局部特征，确定每个所述子点云的全局特征，基于所确定的所述至少一个不同尺度规模的子点云中每个子点云的全局特征，对所述原始点云中每个点的原始特征进行融合，得到更具有表现力的目标点云。

根据本发明提供的基于多尺度融合的点云特征增强方法，所述基于目标对象的原始点云，构建所述目标对象的至少一个不同尺度规模的子点云，包括：

基于最远点采样，从所述原始点云中确定采样点构建采样点集合；

确定所述采样点集合中采样点的数量达到预先设定的子点云中点的数量，基于所述采样点集合构建所述子点云。

根据本发明提供的基于多尺度融合的点云特征增强方法，所述基于预先设定的邻域点的数量，分别确定所述至少一个不同尺度规模的子点云中每个点的邻域点，针对所述至少一个不同尺度规模的子点云中的每个点，包括：