(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
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
本文档由 SC 于 2024-03-03 12:10:56上传分享