点云处理是计算机视觉的基本问题之一,也是当下自动驾驶、数字博物馆等热门领域的关键技术。一方面,传统的基于非深度学习的点云处理方法大都存在需要手工设计特征、易受噪声数据干扰等问题。另一方面,基于深度学习的PointNet网络在点云分割、分类等应用上展现了其具有能适用多变的数据集、抗噪能力强等优点,但无法直接用于求解点云的曲率估计或是数据简化问题。针对上述情况,本文提出了基于改进PointNet的点云曲率估计和数据简化方法。首先,提出一种由采样层、特征提取层和回归预测层构成的基于改进PointNet的点云曲率估计网络。采样层通过KD-Tree搜索进行局部点云采样;以PointNet为主体的特征提取层对采样层获得的各局部点云集进行特征提取以获得局部特征,其中,通过使用四元数代替PointNet中的3×3仿射变换矩阵,将点云变换限制在旋转上,解决了PointNet中由尺度变化而导致曲率估计不稳定的问题;回归预测层利用多层感知机对特征提取层的输出进行回归预测,输出各点的曲率估计值。同时,设计了一种加权RMSE损失函数,通过使用高曲率样本的相对误差和低曲率样本的绝对误差从而使不同曲率样本的误差值在损失函数计算中具有相似的权值。采用The Stanford 3D Scanning Repository库中的Bunny等三维点云模型数据验证效果,以平均曲率的MAE为评价标准,实验结果表明,对于含噪点云,本文方法效果优于伪逆二次拟合、Taubin二次拟合方法,MAE可下降60%。其次,提出一种以点云曲率估计网络为基础的点云简化方法。首先,在曲率估计网络中,将特征提取层提取的点云曲率特征向量利用一维最大池化映射得到原始点云数据;然后根据被映射次数对这些点云数据赋权以得到加权点云数据;最后根据权值大小对点云数据进行简化。对于N×3的输入点云,可直接输出简化后的三维点云模型数据。采用Bunny等三维点云模型数据进行实验验证,结果表明,本文方法能有效处理曲率变化大、形状复杂的三维点云,不仅能够保留原始点云的几何特征和轮廓,且简化误差较低,与聚类简化、快速重采样等3种方法相比,在50%简化率下,平均简化误差可下降6%。通过分别对点云曲率估计网络和点云简化方法进行实验,验证了本文提出的基于改进PointNet的点云曲率估计和数据简化方法的可行性和有效性。