申请/专利权人：宁波大学科学技术学院

申请日：2023-04-17

公开（公告）日：2024-04-26

公开（公告）号：CN116137059B

主分类号：G06T17/20

分类号：G06T17/20;G06F17/18;G06V10/77;G06V10/82;G06N3/08;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2023.06.06#实质审查的生效;2023.05.19#公开

摘要：本发明公开了基于多层次特征提取网络模型的三维点云质量评价方法，对点云数据进行手工特征提取，获取灰度值、平均曲率以及簇中的点相对于中心点的欧几里得距离；构建多层次特征提取网络模型，基于所述灰度值、平均曲率以及簇中的点相对于中心点的欧几里得距离对所述网络模型进行训练，获取局部质量分数；基于所述局部质量分数，通过平均池化策略获取点云全局质量分数，基于所述点云全局质量分数对三维点云质量进行评价。本发明采用多层次特征提取回归结构，并结合通道间注意力机制搭建质量评价网络，有效全面获取能描述失真点云特性的信息。

主权项：1.基于多层次特征提取网络模型的三维点云质量评价方法，其特征在于，包括：对点云数据进行手工特征提取，获取灰度值、平均曲率以及簇中的点相对于中心点的欧几里得距离；采用自适应的方式提取所述点云数据的手工特征，所述手工特征提取包括中心点的选取、簇的构成和各个簇的特征提取；对所述点云数据进行手工特征提取包括：确定采样簇的个数，基于最远点采样方法选取所述点云数据中各个簇的中心点，结合KNN方法获取各个中心点的k个最邻近点，构成若干点云簇，其中，每个所述点云簇中包含k+1个点；基于所述点云簇的划分，获取所述灰度值、平均曲率以及簇中的点相对于中心点的欧几里得距离；所述点云簇中任意点相对于所述中心点的欧几里得距离为： 其中，为簇中心点的空间坐标，为第i个邻近点的空间坐标，为簇中任意点，为簇中心点；计算所述点云簇中各个点的灰度值的方法为： 其中，分别为点云的红绿蓝颜色三通道，L为灰度值；为了捕捉点云的局部结构信息，通过提取点云簇中每个点的平均曲率，描述失真点云簇表面结构的变化情况，其中，簇中每个点的平均曲率由二次曲面的局部最小二乘拟合计算，首先，使用主成分分析对点Pc估计一个近似切平面，获取一个正交坐标系，使得uz与表面的近似法线对齐，并取点Pc作为坐标系的原点，之后，寻求二次曲面Q（x，y）=ax2+by2+cxy+dx+ey+f最小化： 然后，计算Q的导数估计平均曲率，表示为： 其中，为点Pc的平均曲率，是二次曲面的拟合系数；构建多层次特征提取网络模型，基于所述灰度值、平均曲率以及簇中的点相对于中心点的欧几里得距离对所述网络模型进行训练，获取局部质量分数；基于所述局部质量分数，通过平均池化策略获取点云全局质量分数，基于所述点云全局质量分数对三维点云质量进行评价；所述多层次特征提取网络模型包括：深度特征提取模块：用于提取出所述点云中由浅到深的特征；第一卷积层：用于获取不同感受野下的点云特征，其中包括7*7与3*3大小的卷积层；残差模块：用于减少卷积核导致的感受野减小的弊端，避免梯度消失，更好地学习深层特征；特征回归模块：用于建立不同层级特征之间的联系；所述残差模块的输出为： 其中，为残差单元的输出，x为残差单元的输入，为残差单元学习到的残差映射，为通道间注意力融合操作；通过Fusionblock学习不同特征之间的通道关系，即获取代表每个特征通道重要性的通道权重，然后通过乘法将权重逐通道加权到特征上，完成在通道维度上的原始特征重标定；所述特征回归模块的操作为： 其中，为各个局部点云簇的预测分数，表示concatenation操作；DIR表示将特征按指定方向拼接；C表示通道方向；H表示高度方向；表示全连接层的分数回归函数；表示全连接层的参数；，和分别表示对进行的平均、最小值与最大值池化以及各自对应的特征提取操作；、分别为f1-f5在通道和高度方向上拼接后得到的融合特征，f1-f5分别为由浅到深的层级特征。

全文数据：

权利要求：

百度查询： 宁波大学科学技术学院 基于多层次特征提取网络模型的三维点云质量评价方法

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