(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111641439.9 (22)申请日 2021.12.2 9 (65)同一申请的已公布的文献号 申请公布号 CN 114359089 A (43)申请公布日 2022.04.15 (73)专利权人 江苏苏彩信息技 术有限公司 地址 210000 江苏省南京市 建邺区贤坤路1 号科创中心3楼346室 (72)发明人 王兴涛　朱君　范晓鹏　 (74)专利代理 机构 哈尔滨市阳光惠远知识产权 代理有限公司 2321 1 专利代理师 刘景祥 (51)Int.Cl. G06T 5/00(2006.01) G06T 3/40(2006.01)G06N 3/04(2006.01) G06V 10/774(2022.01) (56)对比文件 CN 111028327 A,2020.04.17 CN 112990010 A,2021.0 6.18 CN 112101278 A,2020.12.18 CN 111986115 A,2020.1 1.24 CN 110349094 A,2019.10.18 R.Qi Charles.Po intNet:Deep Learn ing on Point Sets for 3D Clas sfication and Segmentati on. 《IEEE》 .2017, 审查员 杨林郁 (54)发明名称 一种基于点云滤波网络的三维点云数据去 噪方法 (57)摘要 本发明公开了一种基于点云滤波网络的三 维点云数据去噪方法， 属于点云去噪技术领域。 所述方法通过结合滤波 方法和深度学习方法， 以 一种高度适用于点云去噪任务的形式利用深度 神经网络， 从而取得更精准的点云去噪结果。 区 别于以往的滤波器， 本发明利用深度神经网络自 适应地学习滤波器的参数； 区别于直接输出去噪 点云坐标的神经网络， 本发明利用深度神经网络 输出滤波器的系数， 然后利用该系数对 带噪点云 进行滤波以获得去噪后点的坐标。 从而解决了传 统滤波器需要人为定义 参数的弊端。 权利要求书2页 说明书7页 附图2页 CN 114359089 B 2022.09.27 CN 114359089 B 1.一种基于点云滤波网络的三维点云数据去噪方法， 其特征在于， 所述基于点云滤波 网络的三维点云数据去噪方法包括以下步骤： S100、 获取当前点的半径为r的邻域内的所有点， 并从邻域点中随机选取N个点， 所述N 个点的坐标表示 为N*3的矩阵； S200、 获取所述N个点中每个点的k近邻平均距离， 所述N个点的k近邻平均距离表示为 N*1的矩阵； S300、 将S100获取的坐标矩阵和S200获取的k近邻平均距离矩阵输入到深度神经网络 中， 获得与N个输入点相对应的滤波系数， 表示 为N*1的矩阵； S400、 使用S300生成的滤波系数对S100中所述N个点的坐标做滤波， 得到去噪后的点坐 标， 在S300中， 获得与所述 N个点相对应的滤波系数的过程， 具体包括以下步骤： S310、 将S100获取的邻域点坐标矩阵和S200获取的邻域点k近邻平均距离矩阵输入到 离群点识别网络， 获得一个概 率向量w1， 向量中每 个值对应N个输入点 为非离群点的概 率； S320、 将S100获取的邻 域点坐标矩阵与S310获取的概率向量w1输入到点云信息恢复网 络， 分别获得粗粒度恢复系数w2和细粒度恢复系数w3； S330、 将S310获取的离群点概率向量w1与S320获取的粗粒度恢复系数w2和细粒度恢复 系数w3相结合， 得到最终的滤波系数。 2.根据权利要求1所述的一种基于点云滤波网络的三维点云数据去噪方法， 其特征在 于， 在S100中， 获得邻域内N个点的过程具体为： 若邻域内存在超过N个点， 则随机采样N个 点； 若邻域中不足N个点， 则 邻域内的点可重复采样以凑足N个点。 3.根据权利要求1所述的一种基于点云滤波网络的三维点云数据去噪方法， 其特征在 于， 在S20 0中， 获得每 个点的k近邻平均距离的过程 为： S210、 对于所述 N个点中的每 个点， 查询点云中距其 最近的k个点； S220、 分别求当前点到k个最近点的距离； S230、 求S220中所得距离的均值， 即为 k近邻平均距离 。 4.根据权利要求1所述的一种基于点云滤波网络的三维点云数据去噪方法， 其特征在 于， S310所述的离群点识别网络和S320所述的点云信息恢复网络由卷积层、 池化层和拼接 层组成。 5.根据权利要求4所述的一种基于点云滤波网络的三维点云数据去噪方法， 其特征在 于， 所述S310获得概 率向量w1的过程为： S311、 将S100获取的邻域点坐标矩阵和S200获取的k近邻平均距离矩阵合并， 输入到两 层卷积层， 获取扩展后的逐点特 征； S312、 将S31 1获取的逐点特 征输入到最大池化层获得全局特 征； S313、 将S311获取的逐点特征和S312获取的全局特征进行拼接， 输入到两层卷积层获 得每个点为非离群点的概 率向量w1。 6.根据权利要求1所述的一种基于点云滤波网络的三维点云数据去噪方法， 其特征在 于， S330所述的最终的滤波系数的获取 方式为w＝w1×(w2+w3)。 7.根据权利要求1所述的一种基于点云滤波网络的三维点云数据去噪方法， 其特征在 于， 在S40 0中， 滤波以加权求和的形式进行。权　利　要　求　书 1/2 页 2 CN 114359089 B 28.根据权利要求1所述的一种基于点云滤波网络的三维点云数据去噪方法， 其特征在 于， 所述S320获得粗细粒度恢复系数w2， w3的过程为： S321、 将S10 0获取的邻域 点坐标矩阵输入到三层卷积网络获得扩展后的逐点特 征； S322、 将邻域中心点对应的特征记为中心特征， 将S321获取的逐点特征减去中心特征 获得相对特 征， 将S321 获取的特 征输入到最大池化层获得全局特 征； S323、 将S322获取的中心特征、 相对特征、 全局特征拼接在一起， 使用S310获取的概率 向量w1对拼接后的特 征进行加权； S324、 将S323获取的加权特 征输入到三层卷积层获取粗粒度恢复系数w2； S325、 将S323获取的加权特 征输入到三层卷积层获取细粒度恢复系数w3。权　利　要　求　书 2/2 页 3 CN 114359089 B 3