在計算機圖形學(xué)和三維機器視覺中,離散點云數(shù)據(jù)由于其數(shù)據(jù)獲取方便、數(shù)據(jù)結(jié)構(gòu)簡單而得到了廣泛應(yīng)用。然而,利用深度相機獲取點云數(shù)據(jù)時,通常由于受到場景中物體的遮擋、深度相機的傳感器距離限制等原因會產(chǎn)生缺失的離散點云數(shù)據(jù),亟需進行點云數(shù)據(jù)修復(fù)補全。傳統(tǒng)的點云修復(fù)方法多用于對小型孔洞的修復(fù),無法對點云模型的形狀結(jié)構(gòu)缺失進行修復(fù)。為了對形狀結(jié)構(gòu)缺失的點云進行補全,本文利用深度學(xué)習(xí)框架,對于兩類點云的應(yīng)用對象構(gòu)建了直接輸入點云數(shù)據(jù)的深度神經(jīng)補全網(wǎng)絡(luò)。其一是基于生成對抗網(wǎng)絡(luò)的單個點云模型的保結(jié)構(gòu)補全,側(cè)重于修復(fù)單個點云物體的形狀結(jié)構(gòu)缺失,能夠?qū)δＰ图毠?jié)精確預(yù)測。其二是基于“類別-實例”分割的室內(nèi)場景修復(fù),側(cè)重于修復(fù)位于室內(nèi)場景中缺失的家具形狀,產(chǎn)生較為完整的室內(nèi)場景點云。本文的主要工作以及取得的研究成果如下:1)針對三維點云形狀修復(fù)補全中難以保持形狀精細結(jié)構(gòu)信息的難點,借助于生成對抗網(wǎng)絡(luò)框架,本文提出了一種自動修復(fù)補全三維點云形狀的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。該網(wǎng)絡(luò)由生成器和判別器構(gòu)成。神經(jīng)網(wǎng)絡(luò)的生成器采用自編碼器結(jié)構(gòu),以缺失的三維點云形狀作為輸入,首先通過輸入變換和特征變換對齊輸入點云數(shù)據(jù)的采樣點位置與特征信息;...

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１．１總體框架圖??１．４論文組織關(guān)系??

數(shù)據(jù)的場景補全框架，首先通過”類別－實例”分割模塊分割出待補全的缺失家具點云，??然后通過自編碼器結(jié)構(gòu)的深度祌經(jīng)網(wǎng)絡(luò)框架對分割出的家具點云進行補全，最后將補全完??成的家具點云融合入缺失場景中，從而完成場景補全。??研究內(nèi)容?（?點云模型補全技術(shù)??輸入對象?缺失的點云物體?缺失....

圖２．?１?Ｍ－Ｐ模型??－

浙江理工大學(xué)碩士學(xué)位論文?基于點云數(shù)據(jù)輸入的三維魯棒修復(fù)技術(shù)??第二章相關(guān)技術(shù)概述??本章主要介紹了深度學(xué)習(xí)的發(fā)展歷史、深度學(xué)習(xí)中常用于處理三維模型的深度神經(jīng)網(wǎng)??絡(luò)結(jié)構(gòu)以及深度學(xué)習(xí)運用的軟件環(huán)境。??２．１深度學(xué)習(xí)發(fā)展概述??１９４３年，邏輯學(xué)家Ｗａｌｔｅｒ?Ｐｉｔｔｓ和神經(jīng)生....

圖２．?２自編碼器結(jié)構(gòu)??

蓋了生活的方方??面面，手機淘寶的拍照找同款商品功能、火車站安檢的刷臉通過功能、自動駕駛中的目標(biāo)??檢測等等都離不開深度學(xué)習(xí)。大數(shù)據(jù)也是近年來的熱門領(lǐng)域，深度學(xué)習(xí)功不可沒。例如人??們可以通過海量的商品數(shù)據(jù)為顧客進行產(chǎn)品推薦、通過用戶行為習(xí)慣生成個性化服務(wù)內(nèi)容、??評估借貸人的信....

圖２．?３深度自編碼網(wǎng)絡(luò)結(jié)構(gòu)??經(jīng)過數(shù)十年的發(fā)展，人們對于自編碼器也提出了許多的變種

浙江理工大學(xué)碩士學(xué)位論文?基于點云數(shù)據(jù)輸入的三維魯棒修復(fù)技術(shù)??＿??圖２．?３深度自編碼網(wǎng)絡(luò)結(jié)構(gòu)??經(jīng)過數(shù)十年的發(fā)展，人們對于自編碼器也提出了許多的變種。稀疏自編碼器一般用來??學(xué)習(xí)特征，用于分類的任務(wù)。不同于傳統(tǒng)自編碼器，稀疏自編碼器在訓(xùn)練時結(jié)合了編碼層??的稀疏懲罰項，這使....

本文編號：3979721