[发明专利]一种基于深度学习的树木点云补全方法

权利要求书

1.一种基于深度学习的树木点云补全方法，其特征在于，包括如下步骤：

一树木点云获取

真实树木点云的获取：获取林区树木点云并对获取到的林区树木点云进行单棵树木分割，筛选出具有完整树木结构的点云，去除地面噪点以及离群噪点，得到真实树木点云；

虚拟树木点云的获取：设计并生成树木模型，树木模型包含若干个单棵树木模型，使用虚拟相机从前、后、左、右四个方向扫描单棵树木模型，记录单次扫描相机参数并存储扫描得到的点云，得到虚拟树木点云；

二构建并训练点云预测网络

将真实树木点云和虚拟树木点云共同组成树木点云的数据集，并将数据集分为训练集、验证集以及测试集；

建立预测网络，将训练集中的每颗树木点云进行裁剪出得到M'，并将剩余部分I作为残缺树点云输入所述预测网络得到预测缺失部分M，将M'和M进行对照修正所述预测网络；

三点云优化

构建点优化网络，其输入是预测网络的输出M和不完整输入I组合，输出最终优化后的结果P；

所述点优化网络为残差网络，通过学习生成点云的残差值，从而得到所述P。

2.如权利要求1所述的一种基于深度学习的树木点云补全方法，其特征在于，所述预测网络使用PF-Net网络中的多分辨率编码器和联合多层感知CMLP机制；

将所述残缺树点云I通过多分辨率编码器进行转化；

通过最远点采样算法FPS对转化后的残缺树点云I进行减采样获得不同分辨率表示的残缺树木点云I；

三个独立的CMLP将对应的不同分辨率的残缺树木点云I映射为三个潜在向量，并将这三个潜在向量连接起来，并将其整合成最终特征向量F₁；

特征向量F₁输入到解码器模块，经全连接、卷积函数以及变换操作，输出缺失部分预测点云，即是所述预测缺失部分M。

3.如权利要求1所述的一种基于深度学习的树木点云补全方法，其特征在于，还包括，计算所述预测网络的损失，所述预测网络的损失为倒角距离误差L_CD：

根据输出点云S₁与地面真点云S₂计算其之间的倒角距离误差L_CD；

其中，L_CD表示倒角距离误差计算公式，x是S₁中的点，y是S₂中的点，||||求解的是欧式距离，min表示选择最小值；

其中，在该式子中，输出点云S₁为所述M，地面真点云S₂为所述M'。

4.如权利要求3所述的一种基于深度学习的树木点云补全方法，其特征在于，还包括，计算所述点优化网络的损失，所述点优化网络的损失为搬土距离误差L_EMD：

根据输出点云S₁与地面真点云S₂计算其之间的搬土距离误差L_EMD；

其中，L_EMD表示搬土距离误差计算公式，x是S₁中的点，y是S₂中的点，||||求解的是欧式距离，min表示选择最小值，φ是点集S₁和S₂间的一个双射函数；

其中，在该式子中，输出点云S₁为所述P，地面真点云S₂为所述树木点云GT。

5.如权利要求4所述的一种基于深度学习的树木点云补全方法，其特征在于，结合所述倒角距离误差L_CD和所述搬土距离误差L_EMD所述得到误差L；

L＝μ·L_CD(M',M)+L_EMD(P,GT)

其中，μ为系数，用来控制训练时预测网络的误差比重。