摘要： 基于深度学习的隧道点云超分辨率技术能够将稀疏点云进行上采样,获得更加真实、丰富的物体点云 信息,为高精度的三维重建、病害识别提供数据基础。基于“插值生成点云+深度学习位置优化”的思想,提出了一种 基于扫描线分布特征的地铁隧道移动扫描点云超分辨率模型和方法。应用扩张K 近邻采样原理,改善了生成的插值 点云空间分布。设计了融合扫描线空间分布特征的点云位置优化深度学习网络模型。在点距离特征提取过程中融 合了扫描线空间分布特征,增强了网络模型对点云扫描线分布特征的感知与利用能力,从而改善地铁隧道移动扫描 点云超分辨率处理效果。利用南京某地铁隧道实测点云数据制作点云超分辨率数据集,对所提模型进行了验证。结 果表明:测试数据集的超分辨率结果CD 值达到3. 72,HD 值达到50. 57,相比经典的Grad-PU 模型分别降低了 19. 31%和14. 22%,对于低分辨率点云中扫描线间隙较大、点云密度不均匀的区域,能够取得更加均匀且准确的超分 辨率处理结果。

关键词: 点云超分辨率　地铁隧道　移动激光扫描　Grad-PU