说明:收录25万 73个行业的国家标准 支持批量下载
(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210445999.5 (22)申请日 2022.04.26 (71)申请人 北京大学深圳研究生院 地址 518000 广东省深圳市南 山区西丽深 圳大学城北大园区H栋208室 (72)发明人 高伟 谢良 李革  (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 专利代理师 钟扬飞 (51)Int.Cl. G06T 9/00(2006.01) G06V 10/42(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种处理点云数据的方法和目标处理点云 数据模型 (57)摘要 本申请实施例提供一种处理点云数据的方 法和目标处理点云数据模型, 该方法包括: 获取 待压缩的点云数据, 其中, 所述待压缩的点云数 据是对目标场景或者目标对象进行点云数据采 集得到的; 将所述待压缩的点云数据输入压缩模 型, 通过所述压缩模型得到压缩后点云数据, 其 中, 所述压缩模型包括: 多层特征提取模块, 每一 层特征提取模块进一步包括局部特征提取模块 以及与所述局部特征提取模块连接的全局特征 提取模块, 所述全局特征提取模块至少包括自注 意力模块和前馈神经网络; 根据所述压缩后点云 数据进行图像处理。 通过本申请的一些实施例能 够实现对点 云数据的压缩, 同时能够获得点云数 据的全局特征, 进而能够提升后续图像处理的准 确率。 权利要求书2页 说明书18页 附图4页 CN 115170682 A 2022.10.11 CN 115170682 A 1.一种处 理点云数据的方法, 其特 征在于, 所述方法包括: 获取待压缩的点云数据, 其中, 所述待压缩的点云数据是对目标场景或者目标对象进 行点云数据采集得到的; 将所述待压缩的点云数据输入压缩模型, 通过所述压缩模型得到压缩后点云数据, 其 中, 所述压缩模型包括: 多层特征提取模块, 每一层特征提取模块进一步包括局部特征提取 模块以及与所述局部特征提取模块连接的全局特征提取模块, 所述全局特征提取模块至少 包括自注意力模块和前馈神经网络; 根据所述压缩后点云数据进行图像处 理。 2.根据权利要求1所述的方法, 其特征在于, 所述全局特征提取模块还包括: 第一归一 化模块和第二归一 化模块; 其中, 所述第一归一 化模块被 配置为: 将所述自注意力模块的输出、 下采样局部特征和所述点云数据的空间坐标输入所述第 一归一化模块; 通过所述第 一归一化模块对所述自注意力模块的输出、 下采样局部特征和所述点云数 据的空间坐标进行加 和操作, 获得第一加 和特征; 对所述第一加 和特征进行归一 化操作, 获得第一归一 化特征; 所述第二归一 化模块被 配置为: 将所述前馈神经网络的输出和所述第一归一 化特征输入到所述第二归一 化模块; 通过所述第 二归一化模块对所述前馈神经网络的输出和所述第 一归一化特征, 进行加 和操作获得第二加 和特征; 对所述第二加 和特征进行归一 化操作, 获得 下采样全局特 征。 3.根据权利要求2所述的方法, 其特征在于, 所述通过所述压缩模型得到压缩后 点云数 据, 包括: 将第i‑1全局特征提取模块的输出输入第i局部特征提取模块进行局部特征提取, 获得 第i下采样局部特 征; 将所述第i ‑1全局特征提取模块的输出和所述第 i下采样局部特征输入第i全局特征提 取模块, 获得第i下采样全局特 征; 其中, i为大于或等于2的整数, 第i下采样全局特征是对所述点云数据进行目标倍率压 缩后得到的数据, 所述目标倍 率是由第i全局特 征提取模块中的所有下采样卷积核确定的; 重复上述 步骤, 直至对所述 点云数据的压缩码率满足要求, 获得目标 下采样全局特 征; 将所述目标 下采样全局特 征输入到多层感知机中, 获得压缩后点云数据。 4.根据权利要求1 ‑3任一项所述的方法, 其特征在于, 在所述根据 所述压缩后点云数据 进行图像处 理之前, 所述方法还 包括: 将所述压缩后点云数据输入到超先验编码器中, 通过所述超先验编码器对所述压缩后 点云数据进行 上采样和下采样 操作, 获得超先验点云数据特 征; 根据所述超先验点云数据 特征, 获得高斯分布参数, 其中, 所述高斯分布参数包括均值 和方差; 基于所述高斯分布参数对所述压缩后 点云数据进行算数编码解码操作, 获得目标压缩 点云数据;权 利 要 求 书 1/2 页 2 CN 115170682 A 2所述根据所述压缩后点云数据进行图像处 理, 包括: 根据所述目标压缩点云数据进行图像处 理。 5.根据权利要求4所述的方法, 其特征在于, 所述通过所述超先验编码器对所述压缩后 点云数据进行 上采样和下采样 操作, 获得超先验点云数据特 征, 包括: 将所述压缩后点云数据进行 下采样操作, 获得超先验下采样全局特 征; 将所述超先验下采样全局特 征进行上采样操作, 获得超先验点云数据特 征。 6.根据权利要求5所述的方法, 其特征在于, 所述超先验编码器包括多层感知机和无位 置全局特 征提取模块; 所述将所述压缩后点云数据进行 下采样操作, 获得超先验下采样全局特 征, 包括: 将第i‑1无位置全局特 征提取模块的输出输入第i多层感知机, 获得第i感知特 征; 将所述第i感知特征和所述空间坐标输入第i无位置全局特征提取模块进行全局特征 提取, 获得第i超先验下采样全局特 征; 重复上述步骤, 直至所述点云数据的先验压缩码率满足要求, 获得所述超先验下采样 全局特征。 7.根据权利要求4所述的方法, 其特征在于, 所述根据所述目标压缩点云数据进行图像 处理, 包括: 根据所述目标压缩点云数据进行分类; 和/或 根据所述目标压缩点云数据重建所述目标场景或者所述目标对象。 8.根据权利要求6所述的方法, 其特征在于, 所述根据所述目标压缩点云数据重建所述 目标场景或者所述目标对象, 包括: 将所述目标压缩点云数据输入到解码模块中, 通过所述解码模块得到所述目标场景或 者目标对象, 其中, 所述解码模块包括: 多层点云解码模块, 每一层点云解码模块进一步包 括解码卷积层以及与所述 解码卷积层连接的无位置全局特 征提取模块。 9.根据权利要求1所述的方法, 其特征在于, 所述方法应用于目标处理点云数据模型, 所述目标处理点云数据模型包括: 压缩模型、 超先验编码器、 解码模块和识别模块, 所述目 标处理点云数据模型 是通过目标损失函数训练得到; 其中, 所述目标损 失函数是通过重建结果损 失值和识别结果损 失值共同表征的, 所述 重建结果损失值由所述压缩模型、 所述超先验编码器和所述解码模块决定, 所述识别结果 损失值由所述压缩 模型、 所述超先验编码器和所述识别模块决定 。 10.一种目标处 理点云数据模型, 其特 征在于, 所述模型包括: 重建模块, 用于对待压缩的点云数据进行压缩和重建, 获得重建图像, 其中, 所述重建 模块包括: 压缩模型, 用于将所述 点云数据进行 下采样编码, 获得压缩后点云数据; 超先验编码器, 用于根据所述压缩后点云数据, 获得高斯分布参数; 解码模块, 用于通过所述高斯分布参数, 将所述压缩后点云数据进行上采样解码, 获得 所述重建图像, 所述重建图像为目标场景图像或者目标对象图像; 识别模块, 用于通过对所述压缩后点云数据进行分类, 获得 所述点云数据的类型。权 利 要 求 书 2/2 页 3 CN 115170682 A 3

PDF文档 专利 一种处理点云数据的方法和目标处理点云数据模型

文档预览
中文文档 25 页 50 下载 1000 浏览 0 评论 0 收藏 3.0分
温馨提示:本文档共25页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
专利 一种处理点云数据的方法和目标处理点云数据模型 第 1 页 专利 一种处理点云数据的方法和目标处理点云数据模型 第 2 页 专利 一种处理点云数据的方法和目标处理点云数据模型 第 3 页
下载文档到电脑,方便使用
本文档由 SC 于 2024-03-03 12:10:56上传分享
站内资源均来自网友分享或网络收集整理,若无意中侵犯到您的权利,敬请联系我们微信(点击查看客服),我们将及时删除相关资源。