典型文献
基于特征融合的深度学习点云补全算法
文献摘要：
由于激光雷达等三维扫描设备分辨率限制、目标间的相互遮挡以及目标表面材质透明等问题,采集到的三维点云数据往往是不完整的.近年来,以数据驱动为主的深度学习方法逐渐被用于解决点云补全问题,然而,现有的点云补全算法致力于补全出原始目标点云的整体拓扑结构而忽略了对于目标点云局部细节位置的恢复.针对这一问题,提出了一种基于特征融合的深度学习点云补全算法,利用关系感知编码器提取得到的点云邻域分布特性和点云空间特征进行融合并把点云映射为128维的潜在特征向量,接着通过树状解码器将全局特征向量与局部特征向量进行特征融合并分形输出补全的点云预测.在开源数据集ShapeNet和KITTI上的仿真结果显示,提出的点云补全算法在补全精度和可视化效果上相比于现有主流的点云补全算法均有了提升.在相互倒角距离指标上,本文算法在飞机、汽车、椅子和桌子点云模型上分别减少了2.4％、2.5％、8.3％和6.2％;在单向豪斯多夫距离指标上,本文算法在飞机、汽车、椅子和桌子点云模型上分别减少了2.1％、0.4％、0.8％和0.3％.最后,利用镭神智能16线激光雷达实测点云数据进行点云补全实验验证了所提出的点云补全算法的有效性,说明了在ShapeNet数据集中训练的点云补全网络能够很好地适用于激光雷达测量得到的稀疏点云数据.
文献关键词：
三维点云;深度学习;补全算法;拓扑结构;特征融合
中图分类号：
作者姓名：
赵毅强;周意遥;胡彬;艾西丁;陈瑞
作者机构：
天津大学微电子学院,天津 300072
文献出处：
引用格式：
[1]赵毅强;周意遥;胡彬;艾西丁;陈瑞-.基于特征融合的深度学习点云补全算法)[J].天津大学学报（自然科学与工程技术版）,2022(05):535-542
A类：
B类：
特征融合,点云补全,补全算法,激光雷达,三维扫描设备,遮挡,三维点云数据,深度学习方法,标点,拓扑结构,节位,关系感知,感知编码,编码器,邻域,分布特性,空间特征,潜在特征,特征向量,树状,解码器,全局特征,局部特征,分形,开源数据集,ShapeNet,KITTI,倒角距离,椅子,桌子,点云模型,豪斯多夫距离,神智,线激光,行点,全网,稀疏点云
AB值：
0.272103
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
