[发明专利]一种基于多层次注意力感知的点云去噪方法

权利要求书

1.一种基于多层次注意力感知的点云去噪方法，其特征在于，包括以下步骤：

步骤S1、获取若干个模型的点云数据，在每片点云数据中选取M个采样点，对于每个采样点，获取其不同尺度大小的点云面片邻域，将点云面片邻域中各数据点的坐标作为输入，采样点相对于其真实坐标的位置偏移量作为标签，构建点云去噪数据集；

步骤S2、构建点云去噪神经网络，并利用点云去噪数据集完成网络模型的训练；点云去噪神经网络包括面片特征编码器、全局层次感知模块、全局层次注意力模块和多重偏移解码器模块；所述面片特征编码器用于提取多尺度面片深度特征，并将其压缩为全局特征向量；所述全局层次感知模块用于将全局特征向量映射为全局层次感知向量，实现全局特征感知；所述全局层次注意力模块用于将所述全局特征向量映射为不同层次的注意力向量；所述多重偏移解码器模块将全局层次感知向量和不同层次的注意力向量作用于偏移计算，获取位置偏移量；

步骤S3、对于待去噪的点云数据，分别获取每个原始数据点的点云面片邻域，并将点云面片邻域中各数据点的坐标输入到训练完成的去噪神经网络中，获取每个原始数据点的位置偏移量；

步骤S4、根据获取的位置偏移量，分别调整待去噪的点云数据中每个对应的原始数据点的位置，从而完成点云去噪。

2.如权利要求1所述的一种基于多层次注意力感知的点云去噪方法，其特征在于，步骤S1中，以采样点为中心，分别获取半径为a、b、c的小尺度点云面片邻域、中尺度点云面片邻域和大尺度点云面片邻域，再从每个点云面片邻域中选取N个数据点，将其坐标作为输入，从而构建点云数据集；步骤S3中以同样的方法确定待去噪的点云数据中每个原始数据点对应的去噪神经网络输入。

3.如权利要求2所述的一种基于多层次注意力感知的点云去噪方法，其特征在于，若点云面片邻域中数据点个数大于N则随机采样N个数据点，若点云面片邻域中数据点个数小于N则重采样至N个数据点。

4.如权利要求1所述的一种基于多层次注意力感知的点云去噪方法，其特征在于，所述面片特征编码器包括与点云面片邻域对应的三个点云特征编码器，每个编码器是由四层AFA模块组成的PointWeb网络，分别用于提取对应尺度下的面片深度特征，然后通过最大池化操作将面片深度特征压缩为全局特征向量；

所述全局层次感知模块首先将全局特征向量拼接为一条特征向量，然后经过一个全连接层，再分别经过四个全连接层，其中三个全连接层的输出为全局层次注意力模块提供全局层次感知向量，另一个全连接层的输出经过Sigmoid函数激活后得到一条全局层次感知注意力特征向量；

所述全局层次注意力模块将全局特征向量分别与来自全局层次感知模块的对应的全局层次感知向量进行点乘，然后再将得到的特征向量分别与原来的全局特征向量相加，得到不同层次的注意力向量；

所述多重偏移解码器模块将来自全局层次注意力模块的不同层次的注意力向量分别经过AFA模块，然后与全局层次感知模块的全局层次感知注意力特征向量进行点乘，最后将得到的三个特征向量相加得到位置偏移量。

5.如权利要求4所述的一种基于多层次注意力感知的点云去噪方法，其特征在于，所述点云去噪神经网络的损失函数L_f为：

L_f＝α(L_min+L_mid+L_max)+L_total，

其中，α为权重参数，L_min、L_mid和L_max分别为小尺度偏移的损失、中尺度偏移的损失和大尺度偏移的损失，L_total为三个尺度偏移损失加权求和后的总体偏移损失；各尺度偏移损失的度量函数L均为：

其中，

η为权重参数，为面片邻域的中心点，p_j是真值中的对应面片中的邻域点，和分别为点p_j、的真实法线，diag为面片邻域外接矩形的对角线长度，m为面片邻域点数，σ_n为支持角度。

6.如权利要求2所述的一种基于多层次注意力感知的点云去噪方法，其特征在于，采用最远点采样法在每片点云数据中选取M＝10000个采样点；小尺度点云面片邻域、中尺度点云面片邻域和大尺度点云面片邻域的半径分别为采样点所在模型外接球半径的4％、5％和6％；从每个点云面片邻域中选取N＝512个数据点。