发明内容
有鉴于此,本发明提出了一种基于变分辨率体素格网与稀疏卷积的点云滤波方法及装置,旨在解决现有技术无法通过变分辨率体素格网与稀疏卷积来提升点云滤波的滤波精度的技术问题。
本发明的技术方案是这样实现的:
一方面,本发明提供了一种基于变分辨率体素格网与稀疏卷积的点云滤波方法,所述基于变分辨率体素格网与稀疏卷积的点云滤波方法包括以下步骤:
S1,获取原始点云,将该原始点云分割成点云块;
S2,建立点云分辨率压缩算法,根据该点云分辨率压缩算法对该点云块进行环形压缩变换,获取压缩后的点云块,根据本地转化规则,将压缩后的点云块转化为变分辨率体素格网;
S3,通过子流型稀疏卷积搭建三维语义分割网络,利用该三维语义分割网络对该变分辨率体素格网进行特征抽取以及密集分类。
在以上技术方案的基础上,优选的,步骤S1中,获取原始点云,将该原始点云分割成点云块,还包括以下步骤,获取原始点云,建立一个变径为R1的圆形滑动窗口,然后通过该圆形滑动窗口对原始点云进行滑动切块,滑动步长为S。
在以上技术方案的基础上,优选的,步骤S2中,建立点云分辨率压缩算法,根据该点云分辨率压缩算法对该点云块进行环形压缩变换,获取压缩后的点云块,根据本地转化规则,将压缩后的点云块转化为变分辨率体素格网,还包括以下步骤,建立点云分辨率压缩算法,获取点云块的基本信息,所述基本信息包括:外部原始边界、内部不压缩边界以及取值区边界,根据该基本信息对点云块内部进行划分,其中,外部原始边界对应压缩区、内部不压缩边界对应不变区以及取值区边界对应取值区,根据该点云分辨率压缩算法对该点云块进行环形压缩变换,获取压缩后的点云块,根据本地转化规则,将压缩后的点云块转化为变分辨率体素格网。
在以上技术方案的基础上,优选的,步骤S2中,获取当前上课学生的上课信息,还包括以下步骤,所述上课信息包括:学生的基本信息以及对应的学习状态信息,其中,基本信息包括:学生班级信息、ID信息以及对应客户端机器的MAC地址信息;学习状态信息包括:课前预习数据、课后作业完成度数据、考勤数据以及课堂互动数据。
在以上技术方案的基础上,优选的,根据该点云分辨率压缩算法对该点云块进行环形压缩变换,获取压缩后的点云块,根据本地转化规则,将压缩后的点云块转化为变分辨率体素格网,还包括以下步骤,根据该点云分辨率压缩算法对该点云块进行坐标转换,保持压缩区内的点云的高程坐标不变,对压缩区内点云的平面坐标进行环形压缩,获取环形压缩后的点云块取值区内的数据,根据本地转化规则,将环形压缩后的点云块取值区内的数据转化为变分辨率体素格网。
在以上技术方案的基础上,优选的,所述点云分辨率压缩算法为:
Zi'=Zi;
其中,Xi,Yi,Zi为压缩区内某一原始点的三维坐标,Xi',Yi',Zi'为该点压缩后的三维坐标,R1为外部原始边界圆的半径,R2为外部压缩后边界圆的半径,R3为外部压缩后边界圆的半径,XC,YC,ZC为内部不压缩边界圆的中心点三维坐标。
在以上技术方案的基础上,优选的,步骤S3中,通过子流型稀疏卷积搭建三维语义分割网络,利用该三维语义分割网络对该变分辨率体素格网进行特征抽取以及密集分类,还包括以下步骤,通过子流型稀疏卷积搭建三维语义分割网络,根据变分辨率体素格网对该三维语义分割网络进行训练,获取训练好的三维语义分割网络模型,通过该训练好的三维语义分割网络模型对该变分辨率体素格网进行分类,获取分类结果,并将该分类结果映射会原始点云中,获取滤波结果。
更进一步优选的,所述基于变分辨率体素格网与稀疏卷积的点云滤波装置包括:
分割模块,用于获取原始点云,将该原始点云分割成点云块;
转化模块,用于建立点云分辨率压缩算法,根据该点云分辨率压缩算法对该点云块进行环形压缩变换,获取压缩后的点云块,根据本地转化规则,将压缩后的点云块转化为变分辨率体素格网;
滤波模块,用于通过子流型稀疏卷积搭建三维语义分割网络,利用该三维语义分割网络对该变分辨率体素格网进行特征抽取以及密集分类。
第二方面,所述基于变分辨率体素格网与稀疏卷积的点云滤波方法还包括一种设备,所述设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于变分辨率体素格网与稀疏卷积的点云滤波方法程序,所述基于变分辨率体素格网与稀疏卷积的点云滤波方法程序配置为实现如上文所述的基于变分辨率体素格网与稀疏卷积的点云滤波方法的步骤。
第三方面,所述基于变分辨率体素格网与稀疏卷积的点云滤波方法还包括一种介质,所述介质为计算机介质,所述计算机介质上存储有基于变分辨率体素格网与稀疏卷积的点云滤波方法程序,所述基于变分辨率体素格网与稀疏卷积的点云滤波方法程序被处理器执行时实现如上文所述的基于变分辨率体素格网与稀疏卷积的点云滤波方法的步骤。
本发明的一种基于变分辨率体素格网与稀疏卷积的点云滤波方法相对于现有技术具有以下有益效果:
(1)通过利用变分辨率体素格网能够在保证中心区具有较高分辨率的同时覆盖更多的空间上下文信息,增强了滤波模型处理复杂场景的鲁棒性。
(2)通过利用基于子流型稀疏卷积搭建了用于点云滤波的编码-解码结构的三维语义分割网络,能够处理更大尺寸的体素格网输入以及采用更大规模的基础网络,提升了滤波精度。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
如图1所示,该设备可以包括:处理器1001,例如中央处理器(Central ProcessingUnit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对设备的限定,在实际应用中设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于变分辨率体素格网与稀疏卷积的点云滤波方法程序。
在图1所示的设备中,网络接口1004主要用于建立设备与存储基于变分辨率体素格网与稀疏卷积的点云滤波方法系统中所需的所有数据的服务器的通信连接;用户接口1003主要用于与用户进行数据交互;本发明基于变分辨率体素格网与稀疏卷积的点云滤波方法设备中的处理器1001、存储器1005可以设置在基于变分辨率体素格网与稀疏卷积的点云滤波方法设备中,所述基于变分辨率体素格网与稀疏卷积的点云滤波方法设备通过处理器1001调用存储器1005中存储的基于变分辨率体素格网与稀疏卷积的点云滤波方法程序,并执行本发明实施提供的基于变分辨率体素格网与稀疏卷积的点云滤波方法。
结合图2,图2为本发明基于变分辨率体素格网与稀疏卷积的点云滤波方法第一实施例的流程示意图。
本实施例中,所述基于变分辨率体素格网与稀疏卷积的点云滤波方法包括以下步骤:
S10:获取原始点云,将该原始点云分割成点云块。
应当理解的是,本实施例中,在获取原始点云之后,会建立一个半径为R1=50米的圆形滑动窗口,从上到下、从左到右依次对原始点云进行滑动切块,滑动步长为S=25.6米。
应当理解的是,点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合,根据激光测量原理得到的点云,包括三维坐标和激光反射强度;根据摄影测量原理得到的点云,包括三维坐标和颜色信息;结合激光测量和摄影测量原理得到点云,包括三维坐标、激光反射强度和颜色信息。在获取物体表面每个采样点的空间坐标后,得到的是一个点的集合,称之为“点云”。
S20:建立点云分辨率压缩算法,根据该点云分辨率压缩算法对该点云块进行环形压缩变换,获取压缩后的点云块,根据本地转化规则,将压缩后的点云块转化为变分辨率体素格网。
应当理解的是,本实施例中,首先,根据外部原始边界、内部不压缩边界以及取值区边界将局部范围内的点云划分为压缩区、不变区以及取值区;其次,考虑到地面点与地物点的区分主要依赖高差,所以保持压缩区内的点云的高程坐标不变,只对压缩区内点云的平面坐标进行压缩,压缩的方向如图3中的箭头所示。最后,由于压缩区内点云的形态发生了变化,所以只选用取值区内的分类结果。
应当理解的是,之后,本实施例会建立大小为L×L×L的像素三维体素格网转化规则,根据该转化规则将环形压缩后的点云块取值区内的数据转化为大小为L×L×L的像素三维体素格网作为变分辨率体素格网。
应当理解的是,所述点云分辨率压缩算法为:
Zi'=Zi;
其中,Xi,Yi,Zi为压缩区内某一原始点的三维坐标,Xi',Yi',Zi'为该点压缩后的三维坐标,R1为外部原始边界圆的半径,R2为外部压缩后边界圆的半径,R3为外部压缩后边界圆的半径,XC,YC,ZC为内部不压缩边界圆的中心点三维坐标,如图4所示。
应当理解的是,提出的变分辨率体素格网能够在保证中心区具有较高分辨率的同时覆盖更多的空间上下文信息,增强了滤波模型处理复杂场景的鲁棒性。
S30:通过子流型稀疏卷积搭建三维语义分割网络,利用该三维语义分割网络对该变分辨率体素格网进行特征抽取以及密集分类。
应当理解的是,本实施例中,首先,基于训练集的点云块(内部点被标记为地面与非地面两种类别)的变分辨率体素格网训练基于子流型稀疏卷积搭建三维语义分割网络;然后,基于训练好的模型对复杂场景下的点云的所有点云切块的变分辨率体素格网进行分类;最后,将三维体素格网的分类结果映射回原始点云中,从而得到滤波结果。
需要说明的是,以上仅为举例说明,并不对本申请的技术方案构成任何限定。
通过上述描述不难发现,本实施例通过获取原始点云,将原始点云分割成点云块;建立点云分辨率压缩算法,根据点云分辨率压缩算法对该点云块进行环形压缩变换,获取压缩后的点云块,根据本地转化规则,将压缩后的点云块转化为变分辨率体素格网;通过子流型稀疏卷积搭建三维语义分割网络,利用三维语义分割网络对变分辨率体素格网进行特征抽取以及密集分类。本实施例通过利用变分辨率体素格网与稀疏卷积来实现点云滤波,能够保证中心区具有较高分辨率的同时覆盖更多的空间上下文信息,增强了滤波模型处理复杂场景的鲁棒性,同时能够处理更大尺寸的体素格网输入以及采用更大规模的基础网络,提升了滤波精度。
此外,本发明实施例还提出一种基于变分辨率体素格网与稀疏卷积的点云滤波装置。如图5所示,该基于变分辨率体素格网与稀疏卷积的点云滤波装置包括:分割模块10、转化模块20、滤波模块30。
分割模块10,用于获取原始点云,将该原始点云分割成点云块;
转化模块20,用于建立点云分辨率压缩算法,根据该点云分辨率压缩算法对该点云块进行环形压缩变换,获取压缩后的点云块,根据本地转化规则,将压缩后的点云块转化为变分辨率体素格网;
滤波模块30,用于通过子流型稀疏卷积搭建三维语义分割网络,利用该三维语义分割网络对该变分辨率体素格网进行特征抽取以及密集分类。
此外,需要说明的是,以上所描述的装置实施例仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的基于变分辨率体素格网与稀疏卷积的点云滤波方法,此处不再赘述。
此外,本发明实施例还提出一种介质,所述介质为计算机介质,所述计算机介质上存储有基于变分辨率体素格网与稀疏卷积的点云滤波方法程序,所述基于变分辨率体素格网与稀疏卷积的点云滤波方法程序被处理器执行时实现如下操作:
S1,获取原始点云,将该原始点云分割成点云块;
S2,建立点云分辨率压缩算法,根据该点云分辨率压缩算法对该点云块进行环形压缩变换,获取压缩后的点云块,根据本地转化规则,将压缩后的点云块转化为变分辨率体素格网;
S3,通过子流型稀疏卷积搭建三维语义分割网络,利用该三维语义分割网络对该变分辨率体素格网进行特征抽取以及密集分类。
进一步地,所述基于变分辨率体素格网与稀疏卷积的点云滤波方法程序被处理器执行时还实现如下操作:
获取原始点云,建立一个变径为R1的圆形滑动窗口,然后通过该圆形滑动窗口对原始点云进行滑动切块,滑动步长为S。
进一步地,所述基于变分辨率体素格网与稀疏卷积的点云滤波方法程序被处理器执行时还实现如下操作:
建立点云分辨率压缩算法,获取点云块的基本信息,所述基本信息包括:外部原始边界、内部不压缩边界以及取值区边界,根据该基本信息对点云块内部进行划分,其中,外部原始边界对应压缩区、内部不压缩边界对应不变区以及取值区边界对应取值区,根据该点云分辨率压缩算法对该点云块进行环形压缩变换,获取压缩后的点云块,根据本地转化规则,将压缩后的点云块转化为变分辨率体素格网。
进一步地,所述基于变分辨率体素格网与稀疏卷积的点云滤波方法程序被处理器执行时还实现如下操作:
根据该点云分辨率压缩算法对该点云块进行坐标转换,保持压缩区内的点云的高程坐标不变,对压缩区内点云的平面坐标进行环形压缩,获取环形压缩后的点云块取值区内的数据,根据本地转化规则,将环形压缩后的点云块取值区内的数据转化为变分辨率体素格网。
进一步地,所述基于变分辨率体素格网与稀疏卷积的点云滤波方法程序被处理器执行时还实现如下操作:
建立大小为L×L×L的像素三维体素格网转化规则,根据该转化规则将环形压缩后的点云块取值区内的数据转化为大小为L×L×L的像素三维体素格网作为变分辨率体素格网。
进一步地,所述基于变分辨率体素格网与稀疏卷积的点云滤波方法程序被处理器执行时还实现如下操作:
所述点云分辨率压缩算法为:
Zi'=Zi;
其中,Xi,Yi,Zi为压缩区内某一原始点的三维坐标,Xi',Yi',Zi'为该点压缩后的三维坐标,R1为外部原始边界圆的半径,R2为外部压缩后边界圆的半径,R3为外部压缩后边界圆的半径,XC,YC,ZC为内部不压缩边界圆的中心点三维坐标。
进一步地,所述基于变分辨率体素格网与稀疏卷积的点云滤波方法程序被处理器执行时还实现如下操作:
通过子流型稀疏卷积搭建三维语义分割网络,根据变分辨率体素格网对该三维语义分割网络进行训练,获取训练好的三维语义分割网络模型,通过该训练好的三维语义分割网络模型对该变分辨率体素格网进行分类,获取分类结果,并将该分类结果映射会原始点云中,获取滤波结果。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。