[发明专利]一种基于多层次注意力感知的点云去噪方法

说明书

本发明公开了一种基于多层次注意力感知的点云去噪方法，包括步骤：构建点云去噪数据集；构建点云去噪神经网络，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，并利用点云去噪数据集完成网络模型的训练；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；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。本发明解决了现有技术无法同时感知点云的全局与层次邻域信息的缺陷，进一步提升了点云去噪效果，优化了点云数据质量。

技术领域

本发明属于点云数据预处理领域，具体涉及一种基于多层次注意力感知的点云去噪方法。

背景技术

近些年来计算机科学技术飞速发展，虚拟现实与计算机图形学等技术进一步推动了增强现实等技术的出现。这些新兴技术无一不对高质量的三维表示数据有着迫切的需求，特别是在工业领域中，由于存在高精度等指标需求，更是对三维数据质量有着严格的限制。

如今，三维点云作为一种长期被广泛应用的三维对象表示方式，由于其结构简单、且对于存储空间需求较小，在近些年来取得了长足发展，特别是在工业领域中，如工业机器人、工业测量等领域。但由于点云数据获取过程中容易受到干扰，使得原始点云数据通常携带大量噪声点，因而需要进行预处理，才能进一步被应用于实际工程中。

目前，通用的点云去噪方法大致可分为两类：1)有序点云去噪：点云数据在空间中的以有序结构组织，即是有序点云。目前常用的处理方法包括：滤波法、全局能量法、观察法、曲线检查法、弦高差法等。这些方法拥有各自的优势，但是如今设备收集的点云数据往往以无序点云居多。2)散乱点云去噪：目前为止，散乱点云的去噪方法大致可分为以下六种：基于信号处理去噪算法、基于统计学的去噪算法、基于投影的去噪算法、基于移动最小二乘去噪算法、非局部自相似性去噪算法以及数据驱动去噪算法。其中，数据驱动的去噪方法由于引入了神经网络技术，得到了众多研究者的关注。从大量训练样本中学习数据特征，从而优化点云数据，可以得到超越以往大部分方法的效果。但目前这些方法在神经网络中，没有考虑多层次的面片信息，导致去噪效果不佳。

发明内容

本发明针对现有技术中的不足，提供一种基于多层次注意力感知的点云去噪方法，以实现对无序点云数据的高质量去噪。本发明采用的技术方案如下：

一种基于多层次注意力感知的点云去噪方法，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；

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。

进一步地，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。

进一步地，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。