一种基于低秩矩阵约束的点云质量评估方法

摘要: 本发明涉及三维点云去噪,尤其涉及一种基于低秩矩阵约束的点云质量评估方法。背景技术:1、随着三维激光雷达探测技术与计算机视觉的不断发展,三维点云数据已被广泛应用于...
一种基于低秩矩阵约束的点云质量评估方法

本发明涉及三维点云去噪,尤其涉及一种基于低秩矩阵约束的点云质量评估方法。

背景技术:

1、随着三维激光雷达探测技术与计算机视觉的不断发展,三维点云数据已被广泛应用于自动驾驶、机器人导航、数字城市及文物保护等诸多邻域。利用点云数据可快速获取被测目标的三维空间结构与深度信息。然而,在实际采集过程中,受测量设备精度限制、复杂测量环境干扰以及被测物体表面特性的影响,生成的点云数据不可避免地会引入大量噪声,严重影响了后续的点云配准、三维重建及语义分割等点云处理任务的准确性。

2、为了消除噪声,现有的基于模型特性的点云去噪算法由于其不依赖海量训练数据、不需要高昂的计算资源构建训练模型,在实际工业场景中得到了广泛应用。但是,这类去噪算法的效果在很大程度上依赖于关键超参数的调整。当测量环境或被测物体的几何形貌发生改变时,若仍按照算法的默认超参数进行去噪,其算法性能和去噪效果往往会显着下降。在实际应用中,通常需要经验丰富的工程师进行繁琐的人工手动调参,这极大地限制了算法的自动化程度,导致效率低下。

3、因此,如何实现点云去噪算法超参数的自动调优,是本邻域亟需解决的关键技术问题。而要实现超参数的自动迭代与调优,其核心在于构建一个高精度的点云质量评估模型,用于对应用不同超参数后的去噪结果进行实时的量化评估,并以此作为反馈信号指导参数优化。然而,现有的点云质量评估模型多为全参考模型,这类模型严重依赖真实点云的标签信息才能给出评估结果。在实际的在线采集与实时处理场景中,根本无法获取到理想的无噪参考点云,这导致现有的全参考模型无法应用于去噪算法的超参数自动调优流程中,目前临床和工业界均极度缺乏实用且高精度的无参考点云质量评估模型。

技术实现思路

1、发明目的:本发明所要解决的技术问题是针对现有技术的不足,提供一种基于低秩矩阵约束的点云质量评估方法。包括以下步骤:

2、步骤1,对待评估点云进行体素网格稀疏采样获取特征锚点;

3、步骤2,利用k近邻算法获取待评估点云中每个点的局部邻域,以及每个特征锚点相对于其他特征锚点的局部邻域;

4、步骤3,基于每个特征锚点相对于待评估点云的局部邻域,获取每个特征锚点的局部平面度、结构熵和局部可达密度,组成每个特征锚点的特征描述符;

5、步骤4,基于每个特征锚点相对于其他特征锚点的局部邻域,组合特征描述符搭建特征矩阵;

6、步骤5,利用奇异值分解提取所述高维特征矩阵的低秩约束特征,计算代表整个点云噪声比例的最终量化评估分值。

7、步骤1包括:

8、设待评估点云,p的轴对齐包围盒对角线长度为:

9、,

10、其中表示待评估点云p中第i个点,为获取点云p的坐标最大值,为获取点云p的坐标最小值,n为待评估点云总点数;设体素网格尺寸为,利用体素网格下采样算法对点云p进行稀疏采样,得到包含o个特征锚点的集合,其中为特征锚点集合中第o个特征锚点。

11、步骤1中,所述体素网格下采样算法,包括:

12、对于点云中的任意一个点,利用体素尺寸计算所对应的三维体素网格坐标:

13、,

14、其中,表示向下取整,为点的三维坐标,为体素网格的三维坐标,为三维整数集;

15、对所有点的体素网格坐标进行唯一性映射与行归类,将位于同一个体素网格内的点划分至同一个点集分组中,划分出个非空体素网格,第个体素网格内的点集索引集合定义为:

16、,

17、其中,标识第个独立体素的网格坐标,且满足,且对于任意两个不同网格时,它们所包含的点集索引集合互不相交;、是两个不同网格,是所包含的点集索引集合,是所包含的点集索引集合;

18、对于每个独立的非空体素网格,计算体素内点集的几何重心:

19、,

20、其中,表示体素网格内的总点数,表示体素网格内的第j个点;

21、在当前体素点集中,计算所有点到几何重心的欧氏距离平方,并选取距离最小的点作为采样点,将所述采样点的全局索引存入初始采样集合中:

22、,

23、,

24、将采样点的最大数量约束为,对初始采样集合进行截断操作,得到最终的特征锚点索引集合:

25、,

26、特征锚点索引集合在待评估点云p中对应的特征锚点集合为。

27、步骤2包括:

28、对于待评估点云中的每一点,利用k近邻算法获取待评估点云p中的第i个点相对于自身的局部邻域;

29、对于特征锚点集合中的每一点,利用k近邻算法获取特征锚点集合中的第o个点相对于自身的局部邻域。

30、步骤2中,所述k近邻算法获取局部邻域,包括:

31、设定存在三维点集和;对于集合中的第a个点,利用k近邻算法获取相对于集合中第b个点的局部邻域,首先计算与集合中第a个点和第b个点的距离:

32、,

33、其中为与两点的欧氏距离,定义为:

34、,

35、对距离集合按距离从小到大排序,选取前个最小距离对应的点,构成点相对于集合的局部邻域,其中表示点局部邻域中的第j个点;计算集合中的每一点相对于集合的局部邻域,最终获取局部邻域。

36、步骤3包括:

37、对于特征锚点集合中的每一点,由于,基于索引与邻域集合获取特征锚点相对于待评估点云的局部邻域,其中表示点局部邻域中的第j个点;计算个邻域点的几何中心:

38、,

39、将邻域内的每个点进行中心化处理,消除位置平移的影响,获取点经过中心化处理后的相对坐标:

40、,

41、设矩阵,构建协方差矩阵:

42、,

43、其中t表示转置;

44、对进行特征值分解:

45、,

46、其中,表示协方差矩阵的第m个特征值,表示协方差矩阵的第m个特征向量,通过特征值分解得到3个特征值;

47、基于特征值获得特征锚点的局部平面度:

48、,

49、其中为极小值;

50、对3个特征值进行归一化,得到归一化后协方差矩阵的第m个特征值:

51、,

52、特征锚点的局部结构熵为:

53、,

54、对于特征描点的每个近邻点,计算特征描点和之间的可达距离:

55、,

56、其中,为点的第距离;为点与点之间的欧氏距离,为求最大值运算;

57、特征锚点的局部可达密度为:

58、,

59、对于每个特征描点,基于局部平面度、局部结构熵、局部可达密度获取特征描点的特征描述符。

60、步骤4包括:

61、对于每个特征描点,基于邻域获取特征描点的近邻点的特征描述符,组成特征矩阵,其中为特征描点在邻域中近邻点的特征描述符,。

62、步骤5包括:

63、对基于特征描点构建的高维特征矩阵进行奇异值分解:

64、,

65、其中,为矩阵的奇异值对角矩阵,为矩阵的第n个奇异值,且n为特征值数量上限,奇异值按降序排列,;表示特征矩阵的左奇异向量矩阵;表示特征矩阵的右奇异向量矩阵;表示用于提取矩阵对角线元素或构造对角矩阵的函数;

66、设为矩阵的第j个特征值,基于所有奇异值计算点的奇异值熵:

67、,

68、遍历所有o个特征锚点,计算全点云的平均奇异值熵,作为整个点云噪声比例的最终量化评估分值:

69、。

70、本发明还提供了一种电子设备,包括处理器和存储器,所述存储器存储有程序代码,当所述程序代码被所述处理器执行时,使得所述处理器执行所述的方法的步骤。

71、本发明还提供了一种存储介质,存储有计算机程序或指令,当所述计算机程序或指令在计算机上运行时,执行所述的方法的步骤。

72、有益效果:本发明方法对待评估点云进行体素网格稀疏采样获取特征锚点;利用k近邻算法获取每个特征锚点相对于待评估点云的局部邻域,以及相对于其他特征锚点的局部邻域;基于每个特征锚点相对于待评估点云的局部邻域,获取每个特征锚点的局部平面度、结构熵和局部可达密度,组成每个特征锚点的特征描述符;基于每个特征锚点相对于其他特征锚点的局部邻域,组合特征描述符搭建特征矩阵;利用奇异值分解提取所述高维特征矩阵的低秩约束特征,计算代表整个点云噪声比例的最终量化评估分值。可见,本发明无需依赖无噪原版参考点云,通过挖掘点云自身的局部特征以及低秩约束,实现了对点云去噪质量的多维度、高精度无参考量化评估。