(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211230767.4 (22)申请日 2022.10.10 (71)申请人 山东天大清源信息科技有限公司 地址 274009 山东省菏泽市牡丹区吴店镇 清源路7号(牡丹区机械电子新材料产 业园内) (72)发明人 陶丽桢　任建国　 (74)专利代理 机构 济南龙瑞知识产权代理有限 公司 37272 专利代理师 靳兵花 (51)Int.Cl. G06T 17/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 5/00(2006.01) (54)发明名称 一种深度卷积网络的三维重建方法及系统 (57)摘要 本发明涉及基于特定计算模型的计算机系 统技术领域， 具体是一种深度卷积网络的三维重 建方法及系统， 包括数据采集模块、 数据预处理 模块、 数据输入模块、 深度卷积网络构建模块、 深 度卷积网络训练模块、 数据融合模块。 该方法既 能减少错误匹配、 提高匹配精度， 又能降低成本 的方法来进行三维重建。 权利要求书1页 说明书4页 附图1页 CN 115294285 A 2022.11.04 CN 115294285 A 1.一种深度 卷积网络的三维重建方法， 其特征在于， 包括： S1:进行数据采集， 包括采集 物体的点云数据， 获取深度图像； S2:进行数据预 处理， 包括以下子步骤：  (1)对深度图像进 行去噪处理， 排除在实时数据采集中采 取到的噪声点， (2)将去噪之后的点云数据的坐标进 行归一化， 将点云数据变换到同一个坐标系下， (3)选用主成分分析法进行特征提取； S 3:进 行数据输入， 包括以下子步骤： (1)分别将先前预处理得到的特征矩阵存入到数据包中， (2) 将特征矩阵按几何信息和非几何信息划分为两个批次， 通过每次的迭代输入到深度卷积网 络中训练； S4:构建一个深度卷积网络， 用于点云数据的精细配准， 包括以下子步骤： (1)搭 建三层卷积层， 每两个卷积层之间依次设有批量归一化层和激活层， (2)卷积层后搭建全局 平均池化层， 用于对整个网络在结构上做正则化防止过拟合， (3)最后将损失层加入网络 中， 引入损失函数计算网络损失； S5:进行网络训练优化网络的性能， 包括以下子步骤： (1) 初始化好之前搭建好的深度卷积网络中各层的参数， (2)将前面预处理好的点云数据特征 矩阵分批次送入到网络中去， 并且每次迭代更新网络中的权重，  (3)重复进行反向传播训 练,S6:对点云数据进行融合， 获得三维重建结果图。 2.根据权利要求1所述的一种深度卷积网络的三维重建方法， 其特征在于： 所述激活层 使用sigmo id函数。 3.根据权利要求2所述的一种深度卷积网络的三维重建方法， 其特征在于： 所述对点云 数据进行融合采用截断符号距离场技 术进行数据融合。 4.一种深度卷积网络的三维重建系统， 其特征在于： 数据采集模块， 其被配置为： 采集 物体的点云数据， 获取深度图像； 数据预 处理模块， 其被配置为： 对深度图像进 行去噪处理， 排除在实时数据采集中采取到的噪声点； 将去 噪之后的点云数据的坐标进行归一化， 将点 云数据变换到同一个坐标系下； 选用主成分分析法进 行特征提取； 数据输入模块， 其被配置 为： 将先前预处理得到的特征矩阵存入到数据包中， 然后将特征矩阵按几何信息和非几何 信息划分为两个批次， 通过每次的迭代输入到深度卷积网络中； 深度卷积网络构建模块， 其 被配置为： 所述深度卷积网络包括三层卷积层， 每两个卷积层之间依 次设有批量归一化层 和激活层； 卷积层后搭建全局平均池化层， 用于对整个网络在结构上做正则化防止过拟合； 最后将损失层加入网络中， 引入损失函数计算网络损失； 深度卷积网络训练模块， 其被配置 为： 初始化好所述深度卷积网络中各层的参数； 将前面预处理好的点云数据特征矩阵分批 次送入到深度卷积网络中去， 并且每次迭代更新深度卷积网络中的权重； 重复进行反向传 播训练,数据融合模块， 其被配置为： 对点云数据进行融合， 获得更加精细的三维重建结果 图。权　利　要　求　书 1/1 页 2 CN 115294285 A 2一种深度卷积网 络的三维重建 方法及系统 技术领域 [0001]本发明涉及基于特定计算模型的计算机系统技术领域， 具体是一种深度卷积网络 的三维重建方法及系统。 背景技术 [0002]本部分的陈述仅仅是提供了与本发明相关的背景技术信息， 不必然构成在先技 术。 [0003]三维重建技术就是通过深度数据获取、 预处理、 点云配准与融合、 生成表面等过 程,把真实场景刻画成符合计算机逻辑表达的数学模型， 就是要在计算机中真实地重建出 物体表面的三维虚拟模型， 构建物体完整的三 维模型。 目前根据重 建方式的不同， 主要有以 下三维重建的方法： 双目立体视 觉方法及三目立体视 觉方法。 [0004]双目立体视觉中， 匹配的结果往往取决于被拍 摄物体表面纹理颜色信息的多寡。 在物体纹理信息较少时， 左右两幅图像像素匹配时容易产生错误匹配， 结果不可靠。 为减少 错误匹配、 提高双目视觉匹配精度， 三目立体视觉系统是一种解决方法。 多目立体视觉中的 匹配根据光学三角形理论， 采用多个重叠点多角度前面交汇 ”的方法， 因而可以有效使用冗 佘数据， 一定程度上解决误匹配 问题， 提高三维重建精度。 但是这种 方法较为繁琐， 同时使 用的硬件设备也更加复杂和昂贵。 因此， 亟待提出一种既能减少错误匹配、 提高匹配精度， 又能降低成本的方法来进行三维重建。 发明内容 [0005]本发明的目的在于提供一种深度卷积网络的三维重建方法及系统， 以解决上述背 景技术中提出的问题。 [0006]为实现上述目的， 本发明提供如下技 术方案： 本发明的第一个方面 提供一种深度卷积网络的三维重建方法， 该 方法包括： S1:进行数据采集， 包括采集物体的点云数据， 获取深度图像； S2:进行数据预处 理， 包括以下子步骤： (1)对深度图像进行去噪处理， 排除在实时数据采集中采取到的噪声点， (2)将去 噪之后的点云数据的坐标进行归一 化， 将点云数据变换到同一个坐标系下， (3)选用主成分 分析法进行 特征提取， S3:进行数据输入， 包括以下子步骤： (1)分别将先 前预处理得到的特 征矩阵存 入到数据包中， (2)将特征矩阵按几何信息： 点 的坐标、 曲面法线、 法向量、 切向量和非几何信息: 颜色、 温度、 光照强度划分为两个批次， 通过每次的迭代输入到深度卷积网络中训练； S4:构建一个深度卷积网络， 用于点云数据的精细配准， 包括以下子步骤： (1)搭建三层卷积层， 每两个卷积层之间依次设有批量归一 化层和激活层， (2)卷积层后搭建全局平均池化层， 用于对整个网络在结构上做正则化 防止过拟说　明　书 1/4 页 3 CN 115294285 A 3