[发明专利]一种基于语义学习的整机点云数据的下采样方法

说明书

本发明公开了一种基于语义学习的整机点云数据的下采样方法，包括：步骤S1、根据点云语义学习原理构建基于特征学习的多输入编码器；所述多输入编码器分别将整机点云数据和特征点数据作为输入，进行数据特征融合，然后通过解码器进行解码；骤S2、构建并训练基于语义学习的点云特征权重计算网络，计算得到待测量每个点的特征权重；步骤S3、对步骤S2得到的权重结果进行空间加权采样，基于高斯分布的空间采样原理进行下采样。本发明通过加入关键特征点的信息来约束采样过程，既解决了整机点云数据过大无效信息较多需要采样处理的问题，又保证了关键特征点区域的点云信息不会因采样而缺失，保证了输出采样结果的有效可靠。

技术领域

本发明属于三维数据可视化技术领域，具体涉及一种基于语义学习的整机点云数据的下采样方法。

背景技术

随着激光雷达和三维扫描技术的发展和普及，激光雷达和三维扫描技术被广泛应用于测绘，电力线巡检，数字城市，古建筑保护，军工设备测量以及数字孪生等领域。三维扫描技术在使用过程中能快速地获取海量的三维点云数据，这些数据往往具有上亿量级的规模。尤其在整机测量领域，飞机由于尺寸大形状结构复杂，测量的整机点云规模十分巨大，这也导致了需要占用更多的资源空间，且存在大量冗余的信息，这对基于整机点云的检测工作增加了许多难度，所以对点云进行降采样工作具有十分重要的意义。如何实现大规模点云有效降采样，并且保证关键点云信息的完整性，是目前亟待解决的热门问题。

近年来，随着国内外对三维数据研究的不断深入，也提出了很多点云降采样的方法，传统的分块降采样方法通过对不同区域设置不同采样间隔，来达到不同密度的采样效果，但该方法需要进行繁琐复杂的操作，需要大量人工干预，操作方式十分不友好，不利于生产效率的提高。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于语义学习的整机点云数据的下采样方法，通过加入关键特征点的信息来约束采样过程，既解决了整机点云数据过大无效信息较多需要采样处理的问题，又保证了关键特征点区域的点云信息不会因采样而缺失，保证了输出采样结果的有效可靠。

为实现上述技术目的，本发明采取的技术方案为：

一种基于语义学习的整机点云数据的下采样方法，包括：

步骤S1、根据点云语义学习原理构建基于特征学习的多输入编码器；

所述多输入编码器分别将整机点云数据和特征点数据作为输入，进行数据特征融合，然后通过解码器进行解码；

步骤S2、构建并训练基于语义学习的点云特征权重计算网络，计算得到待测量每个点的特征权重；

步骤S3、对步骤S2得到的权重结果进行空间加权采样，基于高斯分布的空间采样原理进行下采样。

为优化上述技术方案，采取的具体措施还包括：

上述的步骤S1包括：

步骤S101、根据整机点云和关键特征点进行同步输入的需求，设计多输入编码器，通过编码器的特征升维后融合，实现数据结构的统一，完成多输入特征数据的融合；

步骤S102、对S101得到的多输入特征融合后的数据，进行解码器操作。

上述的解码器有4个卷积层构成，经过解码器解码的编码器数据与融合前的数据在结构上维度统一，保证编码信息的完整性。

上述的步骤S2包括：

步骤S201、设计基于语义学习的点云特征值计算网络；

步骤S202、根据整机点云和特征点的标准数据集进行训练，训练若干次得到一个标准值的训练权重，将其设置为网络的基本参数；

再输入待测量的整机点云和特征点，完成数据各个点的特征权重值预测。