买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉山东科技大学申请的专利一种基于PCN模型的激光雷达点云数据补全系统及方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121616759B 。

龙图腾网通过国家知识产权局官网在2026-05-05发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202610131257.3，技术领域涉及：G06T17/00；该发明授权一种基于PCN模型的激光雷达点云数据补全系统及方法是由刘振;张恒;訾义龙;杨浩然;郭凌志;韩伊凡;宗钰成;成法志;周宇航;马昕;马跃设计研发完成，并于2026-01-30向国家知识产权局提交的专利申请。

本一种基于PCN模型的激光雷达点云数据补全系统及方法在说明书摘要公布了：本发明公开一种基于PCN模型的激光雷达点云数据补全系统及方法，涉及点云数据处理技术领域，用于对具有复杂遮挡的激光雷达点云数据进行数据补全，系统包括数据加载模块、数据处理模块、数据补全模块、模型训练与优化模块和数据可视化模块，方法包括获取原始点云数据文件，对多格式点云文件进行读取和数据预处理，构建数据集，基于PCN模型构建点云数据补全模型，基于数据集对模型进行训练和验证，获取权重文件，基于权重参数对具有复杂遮挡的点云数据进行数据补全，解决现有PCN模型数据格式兼容性差、点云数据坐标范围较大时数值溢出或训练不稳定、点云文件匹配和加载鲁棒性低等问题，提高稀疏点云数据补全的精度。

本发明授权一种基于PCN模型的激光雷达点云数据补全系统及方法在权利要求书中公布了：1.一种基于PCN模型的激光雷达点云数据补全系统，包括数据加载模块、数据处理模块、数据补全模块、模型训练与优化模块和数据可视化模块，其特征在于，数据加载模块对LAS、LAZ、TXT、PLY四种格式中的任一格式的点云数据文件进行读取和格式解析，基于文件名匹配机制对点云数据文件进行配对，获得残缺完整配对数据，构建并划分数据集； 数据处理模块对残缺完整配对数据进行数据预处理，获得标准化残缺完整配对数据，包括残缺点云数据和完整点云数据； 数据补全模块基于PCN模型构建点云数据补全模型，基于编码器和解码器对残缺点云数据进行数据补全，编码器与解码器通过特征映射连接，编码器的输入为残缺点云数据，输出为全局特征和点级特征，解码器的输入为全局特征和点级特征，输出为点云补全数据； 模型训练与优化模块对比分析点云补全数据与完整点云数据，基于损失函数对点云数据补全模型进行训练监督和超参数优化，获取权重文件； 可视化模块对点云补全数据进行可视化展示； 在数据加载模块设置点云数据文件的路径、类别和分割，定义数据加载逻辑，构建多源数据读取与融合接口，根据点云数据文件的类别，基于文件路径找到点云数据文件，采用统一接口对LAS、LAZ、TXT、PLY格式的点云数据文件进行读取和格式解析，获取点云数据中各数据点的三维坐标，构建的数据矩阵，表示点云数据中数据点的总数，表示点云数据的第个数据点； 对于LAS格式、LAZ格式的点云数据文件解析缩放因子和偏移参数； 对于TXT格式的点云数据文件进行分隔符识别和容错处理； 基于文件名匹配机制，采用三级匹配策略对点云数据文件中相对应的残缺点云文件和完整点云数据文件进行配对并输出匹配日志，获得残缺完整配对数据，构建并划分数据集，配对规则包括完全匹配、后缀剥离匹配和前缀替换匹配； 基于数据处理模块对残缺完整配对数据进数据预处理包括数据采样、数据去噪和数据归一化，获得标准化残缺完整配对数据； 数据采样包括在数据处理模块中定义固定点数，基于固定点数对残缺完整配对数据进行点云采样，对于数据点总数小于固定点数的点云数据采用重复采样，对于数据点总数等于固定点数的点云数据，保留点云数据中的所有数据点，对于数据点总数大于固定点数的点云数据采用最远点采样对点云数据进行下采样，确保每个点云数据中数据点的采样的数量为固定点数，获得采样配对数据； 数据去噪包括在数据处理模块中定义邻域半径和最低阈值，基于邻域密度统计对采样配对数据进行去噪处理，去除残缺点云数据中的孤立点和邻域稀疏的数据点，包括以数据点为中心，统计残缺点云数据中与中心数据点之间距离不超过邻域半径的剩余数据点的个数，获得中心数据点的统计值，删除统计值小于最低阈值的中心数据点，获得去噪配对数据； 数据归一化包括基于动态坐标平移消除地理坐标偏移、基于自适应归一化统一点云数据的尺度；基于动态坐标平移消除地理坐标偏移包括计算去噪配对数据中各点云数据的质心，将点云质心作为原点，构建坐标系；基于自适应归一化统一点云数据的尺度包括计算点云数据中各数据点与质心的距离，获取最大距离，基于最大距离对点云数据进行缩放，将点云数据缩放至单位球中，获得标准化残缺配对数据，包括残缺点云数据和完整点云数据； 数据补全模块包括编码器和解码器，编码器和解码器之间级联，通过特征映射实现连接，编码器的输入为残缺点云数据，基于KNN邻域聚合算法，使用KD树或球查询对残缺点云数据的每个数据点进行邻域搜索，找到与个与数据点距离最近的邻域数据点，构建数据点的邻域，计算邻域数据点相对于的偏移量，基于偏移量，通过共享多层感知机或一维卷积获得数据点的邻域特征，使用对称函数对邻域特征进行聚合，生成结构线索； 构建共享多层感知机，学习数据点的初始点特征并将原始点特征与结构线索进行拼接，获取结构特征； 引入分组向量注意力机制，将初始点特征分为组，计算每组初始点特征的注意力权重，基于注意力权重获得每个初始点特征对应的加权组特征，对加权组特征进行汇总，获得数据点的点级特征； 通过最大池化，对残缺点云数据中所有数据点的点级特征进行处理，得到全局特征； 解码器包括粗糙点云生成阶段和密集点云生成阶段； 粗糙点云生成阶段，解码器的输入为全局特征，通过多层感知机生成固定点数的粗糙点云数据，作为点云数据补全的骨架； 密集点云生成阶段的输入为全局特征、残缺点云数据中每个数据点的点级特征、粗糙点云数据，基于点级特征确定粗糙点云数据中各数据点的补全强度和细点预算，通过归一化函数为各数据点的补全强度动态分配补全权重，基于补全权重和细点预算在数据点周围生成细点。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人山东科技大学，其通讯地址为：266590 山东省青岛市黄岛区前湾港路579号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。