技术特征：
1.一种基于深度学习的自适应扰动点云上采样方法，其特征在于，包括将需要进行上采样的稀疏有噪音的点云文件输入至上采样模型，进行上采样操作，得到干净密集均匀的上采样点云；所述上采样模型通过以下学习过程得到：1)将原始稀疏点云n
×
3输入神经网络，其中，n为点云中点的数量，3为每个点的欧式空间坐标；2)对n
×
3的点云进行基于稠密卷积网络的简单密集连接的特征提取，得到输入点云特征值n
×
c
l
；3)将步骤2)得到的点云特征值n
×
c
l
输入自适应扰动层，得到n
×
2的二维自适应随机扰动值，根据点云上采样倍数的需求重复此步骤r次，得到rn
×
2的扰动值；4)将点云特征值n
×
c
l
复制r份，得到rn
×
c
l
，每份连接步骤3)的n
×
2扰动值，得到rn
×
(c
l
+2)的上采样点云隐式空间特征值，使用自注意机制单元对该特征值进行非局部特征增强后，再经过自适应残差层得到rn
×
3的自适应残差值；5)将rn
×
c
l
与rn
×
3的残差值进行连接，再使用一次自注意机制单元进行非局部特征增强后，进行3次卷积得到最终的上采样点云；6)将步骤5)得到的上采样点云和对应的正确标注点云进行对比，得到损失函数值后，对网络参数进行反向优化；7)重复步骤1)～6)，直到模型收敛，得到上采样模型。2.根据权利要求1所述的基于深度学习的自适应扰动点云上采样方法，其特征在于，步骤2)中，所述的基于稠密卷积网络的简单密集连接的特征提取过程包括：2-1)对n
×
3的点云进行一次卷积得到隐式空间中的特征值n
×
c，并将特征值送入稠密卷积网络进行细粒度的特征提取，得到特征值n
×
g；2-2)将步骤2-1)得到的特征值n
×
g与n
×
c进行特征维度的连接得到n
×
(g+c)；2-3)重复步骤2-1)和2-2)，得到点云特征值n
×
(g'+g+c)后，再进行一次卷积得到点云特征值n
×
c
l
。3.根据权利要求2所述的基于深度学习的自适应扰动点云上采样方法，其特征在于，步骤2-1)中，稠密卷积网络进行细粒度的特征提取的过程如下：2-1-1)已知输入特征n
×
c，对c维隐式空间中的n个点均进行k最近邻搜索，搜索距离为隐式空间中c维空间的欧氏距离，并得到每个点和其k个最近邻点的索引值；2-1-2)根据索引计算每个点和k个最近邻点的c维空间的欧氏距离c
relative
得到n
×
k
×
c
relative
，每个点的特征值复制k份得到n
×
k
×
c，连接得到基于每个点的点簇特征值n
×
k
×
(c+c
relative
)；2-1-3)对点簇特征值再进行一次卷积后和复制k份的n
×
c连接得到特征值n
×
k
×
(c'+c)，得到的n
×
k
×
(c'+c)进行一次卷积得到n
×
k
×
c”，并与特征值n
×
k
×
(c'+c)进行连接后，使用最大池化操作即得到输出特征值n
×
g。4.根据权利要求1所述的基于深度学习的自适应扰动点云上采样方法，其特征在于，步骤3)中，使用自适应扰动层得到二维自适应随机扰动值的过程如下：3-1)将点云特征值n
×
c
l
首先进行一次卷积，得到n
×
c
′
l
的点云扰动特征值；
3-2)对n
×
c
′
l
再进行一次卷积，通道数为第一次的一半，得到的点云扰动特征值；3-3)将的扰动特征值再进行一次卷积，通道数为2，进而得到n
×
2的二维自适应随机扰动；根据点云加密倍数的需求重复步骤3-1)到步骤3-3)r次，每次使用不同的卷积核，得到rn
×
2的扰动值。5.根据权利要求1所述的基于深度学习的自适应扰动点云上采样方法，其特征在于，步骤4)和步骤5)中，自注意机制单元进行非局部特征增强的过程如下：对已知输入rn
×
(c
l
+2)分别进行一次基于1
×
1卷积核的卷积，共三次，得到三个隐式空间的输出f，g，h，将f进行转置并和g相乘，通过归一化指数函数得到一个注意力特征图；将注意力特征图与h相乘，得到自适应的自注意特征图，之后和输入rn
×
(c
l
+2)相加即得到进行了非局部特征增强的特征值。6.根据权利要求1所述的基于深度学习的自适应扰动点云上采样方法，其特征在于，步骤4)中，所述的经过自适应残差层得到rn
×
3的自适应残差值的过程如下：4-1)对rn
×
(c
l
+2)的点云特征值首先进行一次卷积，得到rn
×
c
″
l
的自适应残差特征值；4-2)将rn
×
c
″
l
再进行一次卷积，通道数为第一次的一半，得到的残差特征值；4-3)将的残差特征值再进行一次卷积，通道数为3，进而得到rn
×
3的自适应残差值。7.根据权利要求1所述的基于深度学习的自适应扰动点云上采样方法，其特征在于，步骤6)中，所述损失函数表示如下：其中，n为上采样后的点云数，χ
r
、γ
r
分别表示上采样点云和对应正确标注点云，ψ分别表示两个相同维度空间的最近距离映射，即其中一个点集中某个点在另一个点集中对应的最近邻点；x
i
表示上采样点云的第i个点，y
k
表示正确标注点云的第k个点。