申请/专利权人：南京航空航天大学

申请日：2021-05-10

公开（公告）日：2024-04-02

公开（公告）号：CN113205466B

主分类号：G06T5/77

分类号：G06T5/77;G06T7/73;G06T17/00;G06N3/0455;G06N3/0464;G06T5/60

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.08.20#实质审查的生效;2021.08.03#公开

摘要：本发明公开一种基于隐空间拓扑结构约束的残缺点云补全方法，属于计算机视觉技术领域。基于单视角残缺点云的三维形状补全技术，对深度图转换得到的单视角残缺点云进行补全，获得对象的完整三维点云形状，实现感知对象几何信息的快速重构。S1、采集目标对象的三维空间坐标；S2、对系统输入的原始残缺点云进行点云姿态规范化；S3、基于姿态规范化残缺点云预测其对应的完整关键点骨架；S4、基于预测的完整关键点骨架，恢复其对应的稠密完整点云；S5、基于完整三维点云进行机器人感知任务优化。本发明可以针对任意位姿的真实三维点云进行形状补全，具有更强的泛化性和鲁棒性，应用范围广、速度快且抗噪声能力强。

主权项：1.一种基于隐空间拓扑结构约束的残缺点云补全方法，其特征在于，按以下步骤进行处理：S1、通过便携式深度相机拍摄目标对象的单视角深度图像，并根据已知的相机内参数将单视角深度图转换为三维空间坐标，并进行位置规范化预处理，得到原始残缺点云数据；S2、对系统输入的原始残缺点云进行位姿估计，并根据所预测位姿进行点云姿态规范化，得到姿态规范化残缺点云；S3、基于姿态规范化残缺点云预测其对应的完整关键点骨架；S4、基于预测的完整关键点骨架，使用上采样网络恢复其对应的稠密完整点云，即完整三维点云；S5、基于完整三维点云进行机器人感知任务优化；步骤S3具体为：S3.1、利用已有完整点云数据训练关键点提取网络，即实现由稠密完整三维点云到稀疏关键点骨架的映射，Chamfer距离作为深度神经网络的损失函数来监督该训练过程，该指标衡量了两个无序点集之间的相似程度，具体计算方法如下： 其中，P1是输入完整稠密点云，P2是预测得到的关键点骨架点云；S3.2、构建残缺点云关键点补全网络，该网络主要由多层感知器C和全连接层网络D构成，将残缺三维点云输入网络，估计其对应潜在关键点骨架的点云坐标，其训练方法与步骤S3.1类似，使用预测关键点和真值关键点间的Chamfer距离作为网络训练约束；步骤S4具体为：S4.1、在S3.1构建的关键点提取网络后增加关键点上采样网络，将提取得到的关键点骨架进一步恢复得到其对应的稠密完整点云，该训练过程将预测点云与真值稠密点云之间的Chamfer距离作为训练约束；S4.2、基于步骤S4.1预训练好的上采样网络，将残缺点云预测到的关键点骨架进行上采样，恢复出其对应的潜在完整稠密点云；S4.3、为保证输入残缺点云中的细节结构信息不会在网络学习过程中丢失，最后采用最远点采样技术将输入的残缺点云和预测的完整点云进行混合采样，最终得到残缺点云的补全结果。

全文数据：

权利要求：

百度查询： 南京航空航天大学 一种基于隐空间拓扑结构约束的残缺点云补全方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD