一种基于变分扩散模型的雷达点云轮廓重建方法与流程

摘要: 本发明涉及属于激光雷达感知与图像数据处理领域,尤其涉及一种基于变分扩散模型的雷达点云轮廓重建方法。背景技术:1、在消防应急救援等极端环境中,激光雷达的性能会受到...
一种基于变分扩散模型的雷达点云轮廓重建方法与流程

本发明涉及属于激光雷达感知与图像数据处理领域,尤其涉及一种基于变分扩散模型的雷达点云轮廓重建方法。

背景技术:

1、在消防应急救援等极端环境中,激光雷达的性能会受到严重影响。火场中的浓烟会造成激光信号的剧烈衰减和散射;高温热浪会引起光学湍流,导致回波信号畸变和空间漂移;昏暗与粉尘环境则会加剧多路径反射效应,产生干扰回波。这些因素共同导致雷达传感器只能获取到极端稀疏、强畸变、低信噪比的退化观测数据。然而,应急救援任务却高度依赖于稠密、连续且物理世界可信的三维环境轮廓信息,这构成了严峻的技术矛盾。

2、现有的点云轮廓重建技术主要面向常规或理想光学环境设计,直接应用于上述极端场景时存在明显缺陷。例如,基于几何先验的传统方法(如泊松表面重建)在点云极端稀疏和非均匀时,因无法稳定估计法向量而失效。基于深度学习的生成模型,如生成对抗网络(gan),在面对与训练数据分布差异巨大的退化输入时,容易产生脱离物理现实的“幻觉”结构。近年来,基于去噪扩散概率模型(ddpm)的方法在形状补全任务上表现优异,但其基本假设是数据缺失模式较为简单(如均匀随机采样),无法有效处理由复杂物理因素(如烟气浓度场)导致的空间异质性、非平稳的信号退化。更有一些方法尝试使用可信度信息来引导扩散模型的生成过程,但其可信度通常来源于对抽象的深度特征的分解,而非直接关联于传感器的原始物理测量过程,导致引导信号与真实的物理退化规律匹配度不高,在物理一致性约束上仍有不足。

3、综上所述,现有技术普遍缺乏对传感器在极端环境下物理测量可信度的有效感知和利用机制,导致重建结果的物理一致性差、可信度低,难以满足严肃应用场景的需求。

技术实现思路

1、本发明旨在解决现有基于扩散模型的点云重建方法因缺乏对传感器物理测量可信度的感知和约束,从而导致重建结果物理一致性差、可信度低的技术问题。

2、为解决上述技术问题,本发明提供了一种基于置信度引导的雷达点云轮廓重建方法,包括以下步骤:

3、s1、基于原始雷达回波数据生成初始点云,并为所述初始点云中的点生成反映其物理测量可信度的测量置信度信息,以构建一个空间分布的置信度图。

4、所述的s1中,原始雷达回波数据包括雷达时序直方图数据,其中为像素处的光子计数时序直方图,表示像素处的直方图是一个长度为 b的实数向量,为实数集合,为时间仓数;

5、经峰值检测得到的初始点云,其中为第个点的三维坐标,n为初始点云中点的总数。

6、所述的测量置信度信息是根据选自峰值信噪比特征、峰值锐度特征和邻近点一致性特征中的至少一种进行计算得出的,对于点云中的每个点,多维置信度特征:

7、(1)峰值信噪比特征:

8、

9、其中,为该点对应像素时序直方图的峰值幅值,为背景噪声的标准差估计;该特征反映信号与背景噪声的区分度;

10、(2)峰值锐度特征:

11、

12、其中,为以峰值位置为中心的邻域窗口;为该点对应像素时序直方图的峰值幅值;为时间仓b的计数值,该特征刻画回波脉冲的集中程度,反映测距精度;

13、(3)邻近点一致性特征:

14、

15、其中,为的近邻点集合;为第k个点的局部法向量估计,为第j个邻近点的局部法向量估计;为第k个点的三维坐标;为第j个邻近点的三维坐标;为距离带宽参数;为法向量一致性阈值,为示性函数,该特征通过评估邻域几何一致性来判别离群点和噪声点。

16、置信度图的构建方法为:

17、将多维置信度特征进行融合,得到综合置信度分数:

18、

19、其中,为 sigmoid 激活函数将输出映射到区间,为可学习的融合参数;

20、最终,形成置信度图,每个点对应一个区间的置信度分数,将置信度图插值为与目标点云空间分辨率一致的连续场,其中为目标点云的点数,最终生成置信度图,作为物理引导信号输入逆向扩散过程。

21、s2、构建基于point transformer 扩散网络架构的噪声预测网络,噪声预测网络包括正向扩散和逆向去噪,噪声预测网络通过训练数据集对模型进行训练,生成收敛的噪声预测网络及其参数,待重建的原始雷达点云使用所述已收敛的噪声预测网络逆向逐步去噪以生成稠密点云;

22、所述的正向扩散是在训练数据集点云每个点中加入高斯噪声,所述的逆向去噪是将包含噪声的所有点云去除噪声;

23、在所述的逆向去噪的至少一个步骤中,使用置信度图对所述噪声预测网络在该步骤的输出结果进行修正,以得到当前步骤的点云生成结果。

24、所述的s2中,修正步骤为:使用的噪声预测网络逆向去噪过程,将置信度图为物理引导条件,通过置信度图加权引导策略、引导强度自适应以及物理约束,修正每一步去噪方向,使生成的点云在低置信度区域保持保守,在高置信度区域忠实重建细节;使用梯度修正项调整原始点云,以得到当前步骤的点云生成结果。

25、具体方法为:

26、(1)正向扩散:噪声预测网络通过学习正向扩散过程来掌握去噪能力,正向扩散过程通过马尔可夫链逐步向训练数据集点云添加高斯噪声,其单步变换由以下公式定义:

27、

28、其中,为单步正向扩散的转移概率;和为隐变量;表示均值为、协方差为的多维高斯分布;为单位矩阵,表示各维度噪声独立且方差相同;为预定义的方差调度,任意时刻t的噪声样本表示为:

29、

30、其中,为任意时刻t的噪声样本;为累积信号保持系数,且,;为训练数据集中的训练数据集点云;为标准高斯噪声;噪声预测网络的训练目标是预测所添加的噪声,其损失函数为预测噪声与真实噪声的均方误差:

31、

32、其中,为扩散模型的训练损失;为期望;表示从扩散总步数t中均匀采样步数t;表示从训练数据分布中采样;表示从标准高斯分布中采样噪声;为参数为的噪声预测网络;为欧几里得范数;

33、(2)逆向去噪:从标准高斯噪声点云开始,进行t步迭代,在每一步t,通过置信度加权梯度引导策略修正去噪方向,本发明的引导式逆向采样步骤则由以下公式定义:

34、

35、其中,为t-1时刻的点云;为逆向采样均值;为第t步的噪声标准差;为随机噪声项;为第t步的引导强度系数;为置信度对数概率关于点云坐标的梯度,即梯度修正项;该引导强度根据自适应衰减策略进行调度:

36、

37、其中,为第t步的引导强度系数;为基础引导强度;为当前扩散步;为总扩散步数;为控制衰减速度的参数。

38、s3、对s2得到的点云进行平滑优化,并基于法向量空间梯度和局部密度的轮廓响应分数提取高分点作为最终的重建后的稠密点云轮廓。

39、对所述的s2中输出的点云进行平滑优化,并基于法向量空间梯度和局部密度的轮廓响应分数提取高分点作为最终的重建后的稠密点云轮廓,轮廓响应分数的计算公式为:

40、

41、其中,为轮廓响应分数;为法向量的空间梯度;为frobenius范数;为局部点密度。

42、本发明的有益效果在于:

43、1.显著提升物理一致性和可信度:通过基于原始雷达回波数据生成反映物理测量可信度的测量置信度信息,并利用该信息构建的置信度图在逆向采样过程中对噪声预测网络的输出进行修正,本发明将传感器的物理测量不确定性引入到生成模型中。这种方式能够有效抑制模型在传感器探测盲区或低信噪比区域产生偏离物理真实的“幻觉”结构,显著降低虚警率,使得重建结果在消防队伍应急救援等严肃场景下更加可靠。

44、2.增强对极端稀疏输入的重建保真度:通过置信度图引导生成过程,使得生成点倾向于在高置信度的种子点附近聚集和生长。即使在输入点云极端稀疏的情况下,该引导机制也能够强制模型恢复出更锐利的局部几何细节,从而提升最终重建轮廓的形状保真度。

45、3.提高对噪声和离群值的鲁棒性:由于测量置信度信息可以由峰值锐度、邻近点一致性等直接反映噪声水平的物理特征构成,因此生成的置信度图本身就包含了噪声分布的先验信息。这使得逆向去噪过程具备了自适应去噪的能力,对混合高斯噪声及离群值等多种噪声模态的鲁棒性显著增强。