CN111598803B - 一种基于变分辨率体素格网与稀疏卷积的点云滤波方法 - Google Patents
一种基于变分辨率体素格网与稀疏卷积的点云滤波方法 Download PDFInfo
- Publication number
- CN111598803B CN111598803B CN202010396259.8A CN202010396259A CN111598803B CN 111598803 B CN111598803 B CN 111598803B CN 202010396259 A CN202010396259 A CN 202010396259A CN 111598803 B CN111598803 B CN 111598803B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- voxel grid
- variable
- resolution
- compression
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000006835 compression Effects 0.000 claims abstract description 82
- 238000007906 compression Methods 0.000 claims abstract description 82
- 230000011218 segmentation Effects 0.000 claims abstract description 39
- 238000006243 chemical reaction Methods 0.000 claims abstract description 28
- 230000009466 transformation Effects 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
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。包括：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。本发明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。
Description
技术领域
本发明涉及激光扫描数据处理技术领域，尤其涉及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。
背景技术
从原始激光点云到高质量数字高程模型的生成涉及多个中间处理步骤，而点云滤波是其中的一个关键。然而，受室外场景地形多变、场景内地物多样且分布杂乱、地面点被植被点覆盖重叠等影响，从密集杂乱的原始地表点云中快速准确的提取出地面点极具挑战。针对这一问题，研究人员从不同的角度出发，提出了多种基于不同原理的滤波算法。这些传统的点云滤波方法主要依赖于人工设定的某一规则，在地形和地物形态分布较为规则的场景中可以获得较好的滤波结果。然而，在实际生产中，在采用这些基于规则的方法对原始点云进行自动化滤波之后，往往还需要大量的后期人工编辑才能提取出满足生产要求的地面点。
随着深度学习在图像处理领域的突破，Hu et al.首次提出了基于深度卷积神经网络的ALS点云滤波方法。相比之前方法，该方法在滤波的精度及稳定性上取得了较大提升。但由于该方法需要逐一的将每个激光点的周围邻域信息映射为特征图并传给卷积神经网络进行分类，导致方法的计算量很大、效率较低。虽然可以基于点云分割进行加速，但引入点云分割操作可能会带来新的错误。所以，亟需一种新的滤波方法，能够提升滤波精度。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
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。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例方案涉及的硬件运行环境的设备的结构示意图；
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；
图3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边界划分以及坐标压缩示意图；
图4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坐标示意图；
图5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功能模块示意图。
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。
Claims (6)
1.一种基于变分辨率体素格网与稀疏卷积的点云滤波方法，其特征在于：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；
其中，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；
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；
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，还包括以下步骤，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；
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。
2.如权利要求1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，其特征在于：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。
3.如权利要求2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，其特征在于：还包括以下步骤，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。
4.如权利要求2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，其特征在于：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。
5.一种设备，其特征在于，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权利要求1至4任一项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。
6.一种介质，其特征在于，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权利要求1至4任一项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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010396259.8A CN111598803B (zh) | 2020-05-12 | 2020-05-12 | 一种基于变分辨率体素格网与稀疏卷积的点云滤波方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010396259.8A CN111598803B (zh) | 2020-05-12 | 2020-05-12 | 一种基于变分辨率体素格网与稀疏卷积的点云滤波方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111598803A CN111598803A (zh) | 2020-08-28 |
| CN111598803B true CN111598803B (zh) | 2023-05-09 |
Family
ID=72191196
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010396259.8A Active CN111598803B (zh) | 2020-05-12 | 2020-05-12 | 一种基于变分辨率体素格网与稀疏卷积的点云滤波方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111598803B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220222824A1 (en) * | 2020-09-15 | 2022-07-14 | Sri International | Fully automated multimodal system architecture for semantic segmentation of large-scale 3d outdoor point cloud data |
| CN112633376A (zh) * | 2020-12-24 | 2021-04-09 | 南京信息工程大学 | 基于深度学习的点云数据地物分类方法、系统与存储介质 |
| CN113378756B (zh) * | 2021-06-24 | 2022-06-14 | 深圳市赛维网络科技有限公司 | 一种三维人体语义分割方法、终端设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106952297A (zh) * | 2017-03-22 | 2017-07-14 | 电子科技大学 | 一种三维激光扫描数据点云度压缩方法 |
| CN109949399A (zh) * | 2019-03-15 | 2019-06-28 | 西安因诺航空科技有限公司 | 一种基于无人机航拍图像的场景三维重建方法 |
| CN111325666A (zh) * | 2020-02-10 | 2020-06-23 | 武汉大学 | 基于变分辨率体素格网的机载激光点云处理方法及应用 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9734595B2 (en) * | 2014-09-24 | 2017-08-15 | University of Maribor | Method and apparatus for near-lossless compression and decompression of 3D meshes and point clouds |
| CN111615706A (zh) * | 2017-11-17 | 2020-09-01 | 脸谱公司 | 基于子流形稀疏卷积神经网络分析空间稀疏数据 |
-
2020
- 2020-05-12 CN CN202010396259.8A patent/CN111598803B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106952297A (zh) * | 2017-03-22 | 2017-07-14 | 电子科技大学 | 一种三维激光扫描数据点云度压缩方法 |
| CN109949399A (zh) * | 2019-03-15 | 2019-06-28 | 西安因诺航空科技有限公司 | 一种基于无人机航拍图像的场景三维重建方法 |
| CN111325666A (zh) * | 2020-02-10 | 2020-06-23 | 武汉大学 | 基于变分辨率体素格网的机载激光点云处理方法及应用 |
Non-Patent Citations (5)
| Title |
|---|
| Diogo C. Garcia等.Geometry Coding for Dynamic Voxelized Point Clouds Using Octrees and Multiple Contexts.IEEE Transactions on Image Processing.2019,第29卷313-322. * |
| Domen Mongus等.Geometry compression of scanned point-clouds.2010 2nd International Conference on Software Technology and Engineering.2010,V1-279~V1-282. * |
| Yan Huang等.A Generic Scheme for Progressive Point Cloud Coding.IEEE Transactions on Visualization and Computer Graphics.2008,第14卷(第2期),440-453. * |
| 吴杭彬等.三维激光扫描点云数据的空间压缩.遥感信息.2006,(第02期),全文. * |
| 姚顽强等.基于改进坐标增量的点云数据压缩算法.西安科技大学学报.2016,第36卷(第6期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111598803A (zh) | 2020-08-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111598803B (zh) | 一种基于变分辨率体素格网与稀疏卷积的点云滤波方法 | |
| CN110619282B (zh) | 一种无人机正射影像建筑物自动提取方法 | |
| US20210027532A1 (en) | Primitive-based 3d building modeling, sensor simulation, and estimation | |
| WO2022036867A1 (zh) | 变电站三维模型重构方法 | |
| WO2020165557A1 (en) | 3d face reconstruction system and method | |
| GB2559446A (en) | Generating a three-dimensional model from a scanned object | |
| CN112529015A (zh) | 一种基于几何解缠的三维点云处理方法、装置及设备 | |
| CN109753960A (zh) | 基于分形理论的孤立森林水下人工目标检测方法 | |
| CN113362359A (zh) | 融合高度和光谱信息的倾斜摄影数据建筑物自动提取方法 | |
| CN112613097A (zh) | 一种基于计算机视觉的bim快速化建模方法 | |
| CN111640116B (zh) | 基于深层卷积残差网络的航拍图建筑物分割方法及装置 | |
| CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
| CN109829924A (zh) | 一种基于主体特征分析的图像质量评价方法 | |
| CN114694038A (zh) | 基于深度学习的高分辨率遥感影像分类方法及系统 | |
| CN110598564A (zh) | 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 | |
| JP2019191874A (ja) | データ処理装置及びデータ処理方法 | |
| Van Nguyen et al. | Reconstruction of 3D digital heritage objects for VR and AR applications | |
| CN112215861A (zh) | 一种足球检测方法、装置、计算机可读存储介质及机器人 | |
| CN115937461A (zh) | 多源融合模型构建及纹理生成方法、装置、介质及设备 | |
| CN115861409A (zh) | 大豆叶面积测算方法、系统、计算机设备及存储介质 | |
| CN113240790A (zh) | 一种基于3d模型和点云处理的钢轨缺陷图像生成方法 | |
| CN115186347B (zh) | 户型平面图与倾斜模型相结合的建筑物CityGML建模方法 | |
| CN112700538B (zh) | Lod生成方法及系统 | |
| CN113313081B (zh) | 融合车载三维激光点云与影像的道路交通杆状物分类方法 | |
| Fernandes et al. | Extraction of building roof contours from the integration of high-resolution aerial imagery and laser data using Markov random fields |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230626 Address after: 430000, Room 01, 7th Floor, Building 4, Guannan Fuxing Pharmaceutical Park, No. 58 Guanggu Avenue, Donghu High tech Development Zone, Wuhan City, Hubei Province (Y) Patentee after: Wuhan Huidian cloud picture information technology Co.,Ltd. Patentee after: WUHAN University Address before: 430000, Room 01, 7th Floor, Building 4, Guannan Fuxing Pharmaceutical Park, No. 58 Guanggu Avenue, Donghu High tech Development Zone, Wuhan City, Hubei Province (Y) Patentee before: Wuhan Huidian cloud picture information technology Co.,Ltd. |