基于稀疏点云的网格重建方法

本发明涉及点云数据处理和网格重建领域，特别涉及一种基于稀疏点云的网格重建方法。

背景技术：

1、随着3d传感器的广泛应用，点云数据的获取变得更加便捷。点云数据在环境感知、3d重建和场景渲染等任务中得到了广泛应用。然而，对于某些应用，如机器人操作、机器人领域的碰撞检测以及增强现实/虚拟现实领域的可视化和交互，网格数据更具有重要性。因此，通过点云数据实现高质量的网格重建一直是一个具有挑战性的研究课题。

2、目前已经提出了多种方法来解决点云数据进行网格重建的问题。传统的方法通常采用显式连接或隐式表示来生成网格。显式方法基于几何规则，通过连接点云中的点来生成网格。而隐式方法通过从点云数据中提取表面信息来生成网格。然而，这些传统方法在处理稀疏点云数据时性能通常会下降，并且在使用marching cubes算法进行表面提取时通常需要较大的计算开销。

3、近年来，数据驱动的深度神经网络在处理3d点云数据方面取得了显著的进展。这些方法通过学习隐式表示或显式几何特征来进行表面重建。然而，现有方法在处理稀疏点云数据或受限的计算资源情况下仍存在挑战。

4、因此，需要一种新的方法来解决点云数据进行网格重建的问题。

技术实现思路

1、本发明的目的是提供一种通过稀疏点云数据进行网格重建的方法，旨在解决现有方法在处理稀疏点云数据时准确性和效率方面存在的问题。为实现上述目的，本发明提供了一种创新的基于边预测的方法，即mergenet，用于从稀疏点云数据中进行高质量的网格重建。本发明通过引入神经网络和边缘特征提取，以及距离回归和过滤技术，实现了更精确和连续的网格重建。本发明的方法包括以下关键步骤：首先，从输入的稀疏点云中生成候选边缘，并提取候选边缘的特征。候选边缘的特征由与其相邻的局部邻域点的特征表示。接下来，通过距离回归，将候选边缘回归到物体表面的距离。这样可以过滤掉出来位于表面上的边缘。最后，通过对过滤后的边缘进行连接，能够生成一个准确且连续的三角网格表示。这种网格重建方法在计算机图形学、计算机辅助设计和虚拟现实等领域具有广泛应用的潜力。

2、与传统方法和现有方法不同，mergenet方法采用基于边预测的策略，将表面重建问题转化为局部连接预测问题，并通过学习提取候选边的特征并回归其与底层表面的距离来实现预测。预测的距离用于筛除位于表面上的边，并通过对这些边形成的三角网格进行细化来最终重建网格。这种基于边的预测方法能够有效地处理稀疏点云数据，并在重建过程中减少计算开销。实验结果表明，mergenet在合成和实际扫描的数据集上表现优于现有方法，具有更高的准确性和效率，实际应用中展现出高效性和优律的网格生成能力。

3、本发明的技术方案：

4、基于稀疏点云的网格重建方法，步骤如下：

5、步骤1、候选边生成：使用基于欧氏距离的k最近邻算法(k-nn)生成候选边。对于每个顶点，找到其邻域内与其最近的t个点，将它们与该顶点连接形成候选边。

6、步骤2、边嵌入：通过局部规范化的方式对生成的边进行嵌入。这种规范化策略可以将边的局部特征嵌入到固定的规范化空间中，以便后续的学习和预测。

7、步骤3、边到表面距离回归：将嵌入后的边作为输入，使用神经网络对边到表面的距离进行回归预测。神经网络学习提取候选边的特征，并预测其与物体表面的距离。

8、步骤4、边筛选和后处理：根据训练好的神经网络的输出结果，选择距离小于等于阈值的候选边，将它们分类为正确的候选边，并将其包含在最终的边集合中。距离大于阈值的候选边则被排除。最后，对选定的边进行后处理，生成最终的重建网格表面。

9、本发明的有益效果：针对稀疏点云数据，提供了一种创新的基于边预测的方法，实现了高质量的网格重建；通过学习候选边的特征并预测其与底层表面的距离，能够有效地处理稀疏点云数据，并在重建过程中减少计算开销。mergenet方法在合成数据集(shapenet数据集和shrec数据集)和实际扫描的数据集(kitti数据集)上进行了实验证明，表现重建精度优于传统方法和基于学习的显式重建方法，相较于基于学习的隐式重建方法具有更高的效率。

技术特征：

1.基于稀疏点云的网格重建方法，其特征在于，步骤如下：

技术总结
本发明涉及一种基于稀疏点云的网格重建方法，旨在通过预测边缘连接性和距离回归来实现准确的网格重建。本发明通过引入神经网络和边缘特征提取，以及距离回归和过滤技术，实现了更精确和连续的网格重建。本发明的方法包括以下关键步骤：首先，从输入的稀疏点云中生成候选边缘，并提取候选边缘的特征。候选边缘的特征由与其相邻的局部邻域点的特征表示。接下来，通过距离回归，将候选边缘回归到物体表面的距离。这样可以过滤掉出来位于表面上的边缘。最后，通过对过滤后的边缘进行连接，能够生成一个准确且连续的三角网格表示。这种网格重建方法在计算机图形学、计算机辅助设计和虚拟现实等领域具有广泛应用的潜力。

技术研发人员：王维民,邓英旭,刘宇
受保护的技术使用者：大连理工大学
技术研发日：
技术公布日：2024/5/8