欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023107827391
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于非局部的几何和颜色梯度聚合图的点云质量评估方法,其特征在于,该方法采用非局部的几何和颜色梯度聚合图模型对点云质量进行评估,所述非局部的几何和颜色梯度聚合图模型包括几何与颜色梯度提取模块、第一~四局部图聚合模块、第一、第二位置自适应的自注意力机制模块和任务学习模块;所述第一~四局部图聚合模块用于对输入的特征进行局部图聚合,提取输入特征的深层特征,所述第一、第二位置自适应的自注意力机制模块用于对输入特征的权重进行优化;

将点云输入至几何与颜色梯度提取模块,得到点云的几何梯度特征和颜色梯度特征;将几何梯度特征输入至第一局部图聚合模块,得到聚合后的几何梯度特征,将颜色梯度特征输入至第二局部图聚合模块,得到聚合后的颜色梯度特征;将聚合后的几何梯度特征和聚合后的颜色梯度特征级联,并将级联后的特征输入至第三局部图聚合模块,将第三局部图聚合模块输出的特征依次经过Relu激活函数和最大池化层后输入至第一位置自适应的自注意力机制模块,所述第一位置自适应的自注意力机制模块将权重优化后的特征输入至第四局部图聚合模块,将第四局部图聚合模块输出的特征经过Relu激活函数后输入至第二位置自适应的自注意力机制模块,将第二位置自适应的自注意力机制模块输出的特征经过全局最大池化层后得到质量感知特征,所述任务学习模块将质量感知特征映射到质量分数,得到点云的质量分数。

2.根据权利要求1所述的基于非局部的几何和颜色梯度聚合图的点云质量评估方法,其特征在于,所述几何与颜色梯度提取模块采用KNN算法构建点云中第c个点vc的空间图,并找到vc的m个近邻点,然后采用如下公式提取点vc的几何梯度特征N表示一个点云的任意一个块包含的点的总个数;

其中,i,j和k均表示单位向量,和分别表示点vc在x方向,y方向,z方向上的几何梯度;和的表达式如下所述:其中,表示点vc所有近邻点的x坐标,表示点vc所有近邻点的y坐标,表示点vc所有近邻点的z坐标;xc,yc和zc分别表示点vc在x方向,y方向和z方向上的坐标值;∈为常数项;其中Δx,Δy和Δz的表达式分别如下所示:其中,表示点vc所有近邻点中x坐标的最大值,表示点vc所有近邻点中x坐标的最小值,表示点vc所有近邻点中y坐标的最大值,表示点vc所有近邻点中y坐标的最小值,表示点vc所有近邻点中z坐标的最大值,表示点vc所有近邻点中z坐标的最小值;

几何与颜色梯度提取模块采用如下公式提取点vc的颜色梯度特征Gc:

d1=max{Rm{||dk,c||}}

其中,C(vc)表示点vc的颜色属性,C(vk)表示点vc的第k个近邻点vk的颜色属性,||dk,c||表示vk与vc之间的欧式距离,Rm{||dk,c||}表示m个近邻点与vc的欧氏距离集合,用于权衡不同距离对点vc颜色梯度的影响,dk,c表示点vc与近邻点vk的方向向量。

3.根据权利要求2所述的基于非局部的几何和颜色梯度聚合图的点云质量评估方法,其特征在于,所述第一~四局部图聚合模块对输入特征进行如下操作:ConvF=+maxcosθ

其中,<.>表示内积运算,ConvF为第一~四局部图聚合模块的输出,F(vc)为第一~四局部图聚合模块的输入特征,该特征为点vc对应的特征,w(vc)为F(vc)的权重,F(vk)为近邻点vk的特征,w(vk)为F(vk)的权重;第一局部图聚合模块中输入特征F(vc)为点vc的几何梯度特征,F(vk)为近邻点vk的几何梯度特征;第二局部图聚合模块中输入特征F(vc)为点vc的颜色梯度特征,F(vk)为近邻点vk的颜色梯度特征;第三局部图聚合模块中输入特征F(vc)为点vc聚合特征,所述聚合特征为颜色梯度特征和几何梯度特征聚合后的特征F(vk)为近邻点vk的聚合特征;第四局部图聚合模块的输入特征F(vc)为点vc权重优化后的聚合特征,F(vk)为点vk权重优化后的聚合特征;dk,c表示点vc与近邻点vk的方向向量,ks为初始化的方向向量,||ks||为初始化的方向向量与原点的欧式距离。

4.根据权利要求1所述的基于非局部的几何和颜色梯度聚合图的点云质量评估方法,其特征在于,所述第一、第二位置自适应的自注意力机制模块中引入多头自注意,多头自注意包括Nh个自注意块,每个自注意块结构相同,任意一个自注意块采用三个线性层生成对应的三个特征序列Q,K,V:Q=(F+PAE)WQ;K=(F+PAE)WK;V=(F+PAE)WV

其中,F为自注意块的输入特征,PAE为预设的位置自适应嵌入序列,WQ、WK和WV均表示变换矩阵;

自注意块输出的特征self-attention(Q,K,V)为:

其中d表示输入特征的维度,T为矩阵转置;

多头自注意的输出特征MHSA为:

其中,QH,KH和VH表示第H个自注意块生成的特征序列,Wo为输出投影矩阵。

5.根据权利要求1所述的基于非局部的几何和颜色梯度聚合图的点云质量评估方法,其特征在于,任务学习模块还包括对点云的失真类型进行分类,以及对点云的失真等级进行分类。