[发明专利]一种基于深度学习的树木点云补全方法

说明书

本发明公开了一种基于深度学习的树木点云补全方法，本方法为缺失点云预测和补全结果优化两个阶段。在预测阶段我们使用端到端的神经网络，通过给定残缺树木点云预测缺失的部分。在此阶段仅预测缺失部分的点云，保持输入点云不变。但预测结果存在与输入点云融合不好的现象。为此，我们采用点云优化网络对预测结果和原始输入做进一步的处理，以优化总体分布。我们的结果表明，针对残缺树木点云补全，预测网络和优化网络的组合取得了较好的效果。具有补全效率高、形态真实、适用范围广的特点。本发明为避免由于体素化带来的的高存储成本和几何信息的丢失，在原始点云上构建并运行网络，能够对残缺的树木点云有效修补。

技术领域

本发明涉及点云数据补全领域，特别涉及一种基于深度学习的树木点云补全方法。

背景技术

树木天然地具有复杂的几何结构，是日常生活中十分常见的物体。现实世界中的点云数据通常通过使用激光扫描仪、立体相机或低成本RGB-D深度相机等方式来捕获。在获取树木点云时，由于遮挡，光反射，视角等原因的限制，导致获取的点云不完整。

三维点云作为计算机图形学和计算机视觉重要的数据来源与研究对象，由于其数据量小、能够有效表示复杂三维形状、无需维护拓扑连接关系等优点，被广泛应用于三维建模，测绘，文物保护等领域。残缺的树木点云不仅影响模型显示效果，而且基于完整点云的许多工作无法开展。对残缺的树木点云进行补全是一项非常有意义的工作，也是目前亟待解决的问题。

传统的点云补全方法如基于几何的方法、基于对称的方法和基于对齐的方法通常无法修复较大的缺失区域。虽然可以借助专业CAD软件手工补全三维形状,然而由于待修复模型的复杂性，存在修复效率低且时间成本高等弊端。现有的基于学习的点云补全方法所研究的对象大多都是简单的、规则的。尚未发现针对树木点云补全的网络。自然界中的树木天然具有复杂的结构。现有的基于学习的方法不适用于缺失树木点云补全，存在补全结果过于平滑、缺少几何细节、完整度较低等现象。

发明内容

本发明的目的是克服上述现有技术中存在的问题，提供一种基于深度学习的树木点云补全方法，为避免由于体素化带来的的高存储成本和几何信息的丢失，在原始点云上构建并运行网络，能够对残缺的树木点云有效修补。

为此，本发明提供一种基于深度学习的树木点云补全方法，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。

进一步，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；