论文部分内容阅读
随着无人驾驶、智能机器人、增强现实等应用需求的日益增加,以及三维感知设备和器件技术的发展,三维点云数据作为一种直观描述真实三维世界的数据类型,逐渐成为研究的热点,对于相关行业的技术进步和产业发展具有重要意义。工业上一般通过激光雷达和三维扫描仪完成点云的获取。然而,这种方法获得的点云往往是稀疏的、不规则的,甚至存在部分缺失,从而影响后续的语义分割、识别重建、场景检测等环节。因此,对于获取到点云的补全工作具有十分重要的研究价值,它可以有效的避免由于点云自身缺陷造成的不利影响,提高点云数据的可应用性。点云识别是三维感知领域的重要研究内容。传统的点云识别方法大多基于含有丰富标签信息的数据集,然而在实际应用场景中,由于缺乏足够的先验知识,点云数据除了因获取方法存在的自身缺陷外,还面临着数据难以人工标注和人工标注成本太高的问题。因此,找到一种高效的半监督或无监督点云识别方法对于三维点云数据真实场景下的落地应用具有重要的现实意义。本文以原始点云数据的处理方案及对后续识别应用的分析为主线,分别开展了以下几个方面的研究,并在以下几个方面取得了一些进展。（1）提出了基于深度学习胶囊网络（CapsuleNetwork,Caps Net）的三维点云补全算法。为了解决三维点云数据存在的缺失、不规则等问题,本文在调研了基于深度学习的经典点云补全算法基础上,论证了Caps Net算法的理论优势和实现可能,并在此基础上提出基于补丁的点云补全方法。本文参照生成对抗网络（Generative Adversarial Networks,GAN）的设计,实现了多层次胶囊GAN网络架构。网络由多层次胶囊编码器（MCE）作为特征提取器、特征金字塔解码器（FPD）输出补全结果,并通过WGAN-GP判别网络（WDN）联合倒角距离与判别器损失构建网络损失函数。实验结果显示相较于传统方法,本文方法在Shape Net数据集13类物体上的Pred→GT误差均值以及GT→Pred误差均值分别降低了35%及15%以上,具有良好的应用前景。（2）提出了基于深度学习CapsNet的三维点云识别算法。为了解决实际应用中点云数据存在的标签信息缺失问题,本文基于Caps Net结构,提出了多层次自注意Caps Net。网络由改进的多层次胶囊编码器（MSCE）作为特征提取器、网格解码器（MD）输出重建结果,并以倒角距离和推土机距离作为评价指标联合构建网络损失函数。为了使网络适应迁移学习下的半监督点云识别任务,本文先以Shape Net数据集训练多层次自注意Caps Net,再通过网络潜在特征,利用Model Net数据集训练一个多分类支持向量机（Support Vector Machine,SVM）实现点云的半监督识别并进行对比测试。实验结果显示相较于传统方法,本文方法在Model Net10及Model Net40数据集上的点云识别准确率分别提升了0.5%及0.8%;在有效标签的缺失率为5%和30%的情况下,本文方法在Model Net40数据集上的点云识别准确率分别提升了3.2%及5.9%。