CN114331883B 一种基于局部协方差优化的点云补全方法 （杭州电子科技大学）

本发明公开了一种基于局部协方差优化的整形状且更加精细的完整点云。在特征编码阶2所述的自动编码网络包括用于层级特征提取的编码器和生成细化的解所述编码器对输入大小为N×3的不完整点云进行特征编码，所述编所述两阶段损失函数中第一阶段损失函数的定义，来自于编码器的2分别表示为粗点云和真实点云；所述两阶段损失函数中第二阶段损失函数的定义，来自于编码器的细12分别表示可调节的两个损失所占的权重；34[0001]本发明涉及点云补全技术领域，具体指一种基于局部协方差优化的点云补全方一些以FlodingNet和PCN为主的点云补全方法也被相继提出，它们直接对不完整的点云进5λ2分别表示可调节的两个损失所占的权重。6基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对的含义是两个或两个以上。7和自注意力机制细化局部几何结构以生成大小为N×3的部特征嵌入模块和多层级的特征融合操作输出大小为102使用协方差分析提取局部形状特征pcov。最后在每个局部融合点特征和形状特征得到增强8的局部嵌入特征pf=p(p;op.n),其中φ是多层感知器(MLP)，为特征维度的拼接操[0059]p;=g(h(pf),…,h(p))为[0064]P,=g(P)+(g(P),g(P),g(P?))gggg其映射为大小为3M的向量，最后再将其变形为M×3，它表示只含有XYZ坐标的粗点云粗点云可以被看作是一个低分辨率的点云，它具有点云的完整形状。此布的点云。p={p〉9[0082]本发明的进一步设置，所述步骤S5中，包括在神经网络模型上持续训练200个周[0083]具体的，使用了公开的数据集ShapeNet中的16个常见对象，包含14473个点云模6.73/0.936.07/0.9560.73/0.3346.55/0.4245.44/0.4325.33/0.6722.17/0.7077.43/0.4056.64/0.4355.87/0.4521.56/0.7533.55/0.4931.46/0.5327.57/0.6321.50/0.7022.62/0.6868.99/0.4359.16/0.4447.03/0.4925.58/0.7425.36/0.756.99/0.945.11/0.975.35/0.962.49/0.998.89/0.916.76/0.947.26/0.942.95/0.982.90/0.9859.75/0.5245.40/0.5947.83/0.5724.24/0.8023.06/0.828.63/0.869.68/0.8630.32/0.5429.91/0.5525.09/0.6151.30/0.3047.43/0.3343.29/0.3324.57/0.589.44/0.889.92/0.909.95/0.894.72/0.953.92/0.977.70/0.928.43/0.9232.38/0.6226.35/0.6926.73/0.6834.05/0.6328.07/0.6626.58/0.68[0088]本发明使用实施例1-2直观地展示神经网络模型CovNet的补全结果以及该方法的点云在缺失比例为35％的情况下，将不完整点云的点数量从N＝2048减少到256。如图5所