基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法

摘要

本发明提出了基于深度特征分类与邻域优化的点云尖锐特征法向量估算方法，包括：生成锥形点云数据；对锥形点云数据进行随机采样生成样本点；对样本点的邻域数据进行姿态调整；对调整后的邻域数据进行Hough投影生成灰度图像从而构造样本特征；将连续的标准法向量离散化后映射成类别从而构造样本标签；构建轻量化特征映射网络SharpNet；用得到的样本特征和类别标签训练SharpNet；根据网络输出的离散类别计算出初始法向量；通过阈值设置，筛选邻域点，并使用筛选后的邻域点对初始法向量进行修正。本发明能够实现尖锐特征法向量的准确估算，且对噪声和离群点具有很强的鲁棒性，与已有的深度学习方法相比具有明显的效率优势。