1.基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法,其特征在于,包括以下步骤:
1)生成包含尖锐特征的锥角点云数据;
2)对步骤1)中所生成的锥形点云数据进行随机采样生成样本点;
3)利用主元分析对步骤2)中所生成样本点的邻域数据进行姿态调整,得到调整后的邻域数据;
4)将步骤3)中调整后的邻域数据通过Hough投影,生成基于局部法向量直方图统计的灰度图像,从而构造样本特征;
5)将法向量空间离散化,再将标准法向量投影至离散化后的法向量空间中,从而构造样本标签;
6)构建一种轻量化特征映射网络SharpNet;
7)用步骤4)中构造的样本特征和步骤5)中构造的样本标签训练步骤6)中构建的SharpNet网络;
8)将训练好的SharpNet网络输出的离散法向量类别计算成对应的初始法向量;
9)针对步骤8)中SharpNet输出的初始法向量存在量化误差的问题,通过阈值设置,对邻域点进行筛选,并使用筛选后的邻域点对初始法向量进行修正。
2.根据权利要求1所述的基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法,其特征在于:所述步骤1)中,生成的包含尖锐特征的锥角点云数据,每份数据包含的锥角点数为5000~10000个,锥角度数为80°~160°。
3.根据权利要求1所述的基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法,其特征在于,所述步骤2)中,对锥形点云数据进行随机采样生成样本点采用空间K近邻法,每次采样的邻域点数为100~500个。
4.根据权利要求1所述的基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法,其特征在于,所述步骤3)中,利用主元分析对样本点的邻域数据进行的两次姿态调整为:
31)第一次旋转在三维空间中进行,将邻域数据调整至最小主分量与Z轴平行的状态;
32)第二次旋转在XOY平面内进行,将邻域数据在投影平面内的最大主分量调整至与X轴平行的状态。
5.根据权利要求1所述的基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法,其特征在于,所述步骤4)包括以下步骤:
41)随机从调整后的邻域数据中选择三个点计算出平面的单位法向量;
42)将计算出的平面的单位法向量投影到一个分辨率为m×m的二维规则Hough累加器中,投影次数为100~300次;
对于单位法向量n=(nx,ny,nz),投影规则如下所示:其中 表示向下取整,ix,iy表示投影后的累加器网格索引;
43)经过多次投影后,将每个格子中落入的投影点数目线性映射为图像灰度值,即投影点落入越多的方格灰度值越大,反之落入越少的方格灰度值越小。
6.根据权利要求1所述的基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法,其特征在于,所述步骤5)中标准法向量投影规则为:其中,id为离散法向量映射类别,nx′,ny′为标准法向量的x,y分量, 表示向下取整,N×N为离散数量,离散分辨率N设置为11~21,其中N为奇数。
7.根据权利要求1所述的基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法,其特征在于,所述步骤6)中构建一种轻量化特征映射网络SharpNet,包括以下步骤:
61)去除原始网络中的一层卷积运算并且增加一层池化,同时调整卷积层与池化层的顺序关系,将最大池化层作为全连接层的输入;
62)去除原始网络中的第一个全连接层,使得经过卷积和池化之后的特征图只经过三层全连接层就输出。
8.根据权利要求1所述的基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法,其特征在于,所述步骤7)中训练SharpNet网络,具体包括:
71)随机选择样本特征的75%~80%用于参数优化,剩余的样本特征数据用于检验学习是否收敛及过拟合;
72)向选择出的样本特征中添加幅值为0~2倍于点云平均采样密度的高斯噪声以增强网络的训练效果和泛化能力。
9.根据权利要求1所述的基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法,其特征在于,所述步骤8)中,将训练好的SharpNet网络输出的离散法向量类别计算成对* * *
应的初始法向量(nx,ny,nz)的计算公式为:其中,id为离散法向量映射类别,//表示整除,%表示取余,N×N为法向量空间x,y分量离散数量,离散分辨率N设置为11~21,其中N为奇数。
10.根据权利要求1所述的基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法,其特征在于,所述步骤9)中,对初始法向量进行修正,包括以下步骤:
91)在离散分辨率为N的法向量空间中,网络输出的初始法向量与真实法向量之间存在量化误差,并且误差上限δ=2/N,在邻域搜索时将法向量夹角阈值取为2δ;
92)通过阈值设置,对邻域点进行筛选,并利用主元分析对筛选后的邻域点进行法向量修正,主元分析邻域搜索半径K设置为点云平均采样密度的1~2倍。