1.一种基于图卷积神经网络的三维点云质量预测方法,其特征在于,包括以下步骤:
步骤S1,针对至少一个三维物体,获取所述三维物体的数据集,所述数据集包括多个失真点云和各所述失真点云对应的主观质量评分,随后对每个所述失真点云进行双路径多视角投影并对投影图像进行预处理得到对应的预处理后投影图像;以及将各所述预处理后投影图像和各所述预处理后投影图像对应的所述主观质量评分划分为训练集和测试集;
步骤S2,利用深度学习框架搭建无参考点云质量评价网络,所述无参考点云质量评价网络包括主干模块、多层次注意力感知模块、多层次转换模块和质量预测模块,通过所述主干模块接收两条路径的投影图像组并输出特征图步骤S3,使用所述训练集对所述无参考点云质量评价网络进行训练得到所述训练集中每个所述失真点云对应的所述预测质量分数S;
步骤S4,按照所述步骤S3对所述无参考点云质量评价网络训练多轮次,得到无参考点云质量评价网络模型;
步骤S5,通过所述无参考点云质量评价网络模型对所述测试集中的每个所述失真点云进行测试,输出每个所述失真点云的所述预测质量分数S作为无参考点云质量的评价结果。
2.根据权利要求1所述的三维点云质量预测方法,其特征在于,所述步骤S1中,对所述数据集中的每个所述失真点云进行双路径多视角投影,每条投影路径上得到的投影图像的数量为N,随后对每幅所述投影图像进行尺寸调整、裁剪和归一化的预处理,得到图像尺寸为
3.根据权利要求2所述的三维点云质量预测方法,其特征在于,所述步骤S1中,对每幅所述投影图像进行预处理的过程包括:对每幅所述投影图像进行调整尺寸、裁剪,并将各所述投影图像的尺寸缩放为
4.根据权利要求1所述的三维点云质量预测方法,其特征在于,所述步骤S2中,所述主干模块为包含五层结构的ResNet101骨干网络,所述五层结构依次连接,第一层的输入端作为所述主干模块的输入端并同时接收两条路径的所述投影图像组,每个所述投影图像组包含N幅尺寸为
5.根据权利要求1所述的三维点云质量预测方法,其特征在于,所述步骤S2中,所述多层次注意力感知模块通过两条支路得到所述特征图以所述特征图
第二条支路的执行步骤包括:
以所述特征图
6.根据权利要求1所述的三维点云质量预测方法,其特征在于,所述步骤S2中,所述多层次转换模块包括多层次特征融合块和图构建块,通过所述多层次特征融合块对所述特征图
7.根据权利要求1所述的三维点云质量预测方法,其特征在于,所述步骤S2中,所述质量预测模块包括两个结构相同、不共享的图卷积网络和一个混合预测块,两个所述图卷积网络均包含四层结构且所述四层结构依次连接,通过第一个所述图卷积网络接收所述图结构
8.根据权利要求7所述的三维点云质量预测方法,其特征在于,所述步骤S2中,针对第一个所述图卷积网络,第一层的输入端作为第一个所述图卷积网络的输入端接收所述图结构
9.根据权利要求7所述的三维点云质量预测方法,其特征在于,所述步骤S2中,针对第二个所述图卷积网络,第一层的输入端作为第二个所述图卷积网络的输入端接收所述图结构
10.根据权利要求7所述的三维点云质量预测方法,其特征在于,所述步骤S2中,两个所述图卷积网络均包括依次连接的四个图卷积块,第一个所述图卷积块的输入端作为所述图卷积网络的输入端,第二个所述图卷积块的输入端接收第一个所述图卷积块的输出端输出的特征图,第三个所述图卷积块的输入端接收第二个所述图卷积块的输出端输出的特征图,第四个所述图卷积块的输入端接收第三个所述图卷积块的输出端输出的特征图,第一、二、三、四个所述图卷积块的输出端输出的特征图作为所述图卷积网络的输出端;其中,前三个所述图卷积块的结构相同,均包括依次连接的图卷积层、批归一化层和Softplus激活函数层,第四个所述图卷积块仅包含依次连接的所述图卷积层和所述Softplus激活函数层,所述图卷积层的输入端作为其所在的所述图卷积块的输入端,所述Softplus激活函数层的输出端作为其所在的所述卷积块的输出端;第一个所述图卷积块中的所述图卷积层的输入通道数为2304、输出通道数为512,第二个所述图卷积块中的所述图卷积层的输入通道数为512、输出通道数为128,第三个所述图卷积块中的所述图卷积层的输入通道数为128、输出通道数为32,第四个所述图卷积块中的所述图卷积层的输入通道数为32、输出通道数为1。