一种基于深度学习的树木点云补全方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114491697A(43)申请公布日2022.05.13(21)申请号202210107549.5(22)申请日2022.01.28(71)申请人西北农林科技大学地址712100陕西省咸阳市西农路22号西北农林科技大学(72)发明人胡少军陆乐园李原浩(74)专利代理机构西安铭泽知识产权代理事务所(普通合伙)61223专利代理师张举(51)Int.Cl.G06F30/10(2020.01)G06T17/00(2006.01)权利要求书2页说明书6页附图2页(54)发明名称一种基于深度学习的树木点云补全方法(57)摘要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。CN114491697ACN114491697A权利要求书1/2页1.一种基于深度学习的树木点云补全方法，其特征在于，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。2.如权利要求1所述的一种基于深度学习的树木点云补全方法，其特征在于，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；三个独立的CMLP将对应的不同分辨率的残缺树木点云I映射为三个潜在向量，并将这三个潜在向量连接起来，并将其整合成最终特征向量F1；特征向量F1输入到解码器模块，经全连接、卷积函数以及变换操作，输出缺失部分预测点云，即是所述预测缺失部分M。3.如权利要求1所述的一种基于深度学习的树木点云补全方法，其特征在于，还包括，计算所述预测网络的损失，所述预测网络的损失为倒角距离误差LCD：根据输出点云S1与地面真点云S2计算其之间的倒角距离误差LCD；其中，LCD表示倒角距离误差计算公式，x是S1中的点，y是S2中的点，||||求解的是欧式距离，min表示选择最小值；其中，在该式子中，输出点云S1为所述M，地面真点云S2为所述M'。4.如权利要求3所述的一种基于深度学习的树木点云补全方法，其特征在于，还包括，计算所述点优化网络的损失，所述点优化网络的损失为搬土距离误差LEMD：根据输出点云S1与地面真点云S2计算其之间的搬土距离误差LEMD；2CN114491697A权利要求书2/2页其中，LEMD表示搬土距离误差计算公式，x是S1中的点，y是S2中的点，||||求解的是欧式距离，min表示选择最小值，φ是点集S1和S2间的一个双射函数；其中，在该式子中，输出点云S1为所述P，地面真点云S2为所述树木点云GT。5.如权利要求4所述的一种基于深度学习的树木点云补全方法，其特征在于，结合所述倒角距离误差LCD和所述搬土距离误差LEMD所述得到误差L；L＝μ·LCD(M',M)+LEMD(P,GT)其中，μ为系数，用来控制训练时预测网络的误差比重。3CN114491697A说明书1/6页一种基于深度学习的树木点云补全方法技术领域[0001]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[0002]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