[發明專利]一種基于顯著錨點幾何嵌入的點云配準方法

在審

• 申請號: 202310043546.4
• 申請日: 2023-01-29
• 公開（公告）號: CN116228825A
• 公開（公告）日: 2023-06-06
• 發明（設計）人: 徐宗懿;高瑞;高鑫雨;高新波
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06T7/33
• 分類號: G06T7/33;G06V10/44;G06V10/75;G06F18/22
• 代理公司: 重慶輝騰律師事務所 50215
• 代理人: 盧勝斌

本發明屬于點云數據處理技術領域，具體涉及一種基于顯著錨點幾何嵌入的點云配準方法，包括：獲取獲取相同場景下不同視角的兩個點云；對兩個點云數據進行核點卷積，將卷積后的特征輸入到錨點模塊和特征模塊進行特征提取和優化，得到最優特征；計算最優特征的超點匹配，并查找全局對應點；計算各個區域的變換，根據全局對應點選擇最優變換；對最優點云進行轉換估計，得到估計結果；本發明將建立了錨點對應的點云間的聯系，以此為橋梁可以利用幾何交流模塊充分交流兩點云的信息；嵌入點與錨點的距離特征，能夠有效檢測區域在全局拓撲結構上的差異，從而減少低重疊率下非重疊相似區域的匹配，進而提高區域匹配的準確度。

技術領域

本發明屬于點云數據處理技術領域，具體涉及一種基于顯著錨點幾何嵌入的點云配準方法。

背景技術

點云配準在圖形學中扮演著重要的角色，它是許多任務的前提和基礎，它廣泛應用于場景重建、自動駕駛和同時定位與制圖等領域。他的主要目的是求解一個變換矩陣將兩個處于不同坐標系下的點云，對齊至同一個坐標系下。配準通常采取基于對應關系的點云配準和直接配準方法。基于對應關系的方法包括特征提取，關鍵點檢測，離群值去除和姿態估計。最先提出了用于3維分類和分割的點集的深度學習等工作的網絡以及度量空間中點集上的深度分層特征學習的網絡，雖然為點云的特征提取提供了參考，但是這兩項工作沒有考慮點云的幾何結構特征。后來又提出了三維點魯棒匹配的全局上下文感知局部特征，點對特征與最先提出的網絡相結合提高了特征對噪音的魯棒性。之后提出的點對特征-折疊網在此基礎上將折疊網整合進框架并利用無監督的方法獲取特征。后來又出現了3維特征網利用一個弱監督的深度網絡解決點云數據精確標注困難的問題，提高特征質量。接著又有人提出了三維平滑網，該網絡利用孿生網絡架構編碼平滑密度值。然后邊卷積操作橫空出世，并因此構建了動態圖形卷積神經網絡捕獲點之間的拓撲信息。后來出現的核點卷積來模擬二維卷積中的操作能夠更好的捕獲局部幾何信息。此后又有人提出的自旋網通過估計的參考軸限制Z軸自由度，利用球形體素化消除XY平面旋轉自由度提取高魯棒性的特征。直接配準方法采用二維圖像算法將點網得到的相對位姿和逆合成公式計算雅可比矩陣，最后用一個可微的盧卡斯和卡納德算法計算剛性變換。后又出現了在迭代過程中預測源點云和目標點云的重疊掩碼的網絡，通過多層感知機從兩者的全局特征中預測剛性變換。

綜上，傳統的點云配準方法包括提取點特征，然后在特征空間中尋找另一幀中的最近點作為對應點，接著過濾掉外點保留內點，最終利用一個魯棒性評估器計算變換矩陣。這類方法通常會引入均勻采樣或者關鍵點檢測這類稀疏性方法。相較于均勻采樣，關鍵點檢測在稀疏點云時會考慮點的幾何特征的顯著性，從而減少匹配的模糊性。然而，稀疏性會對采樣點的可重復性提出要求，當兩點云間的重疊區域較小時，這將會進一步加深匹配的錯誤率。綜上所述，現有的點云匹配算法存在匹配度低的問題。

發明內容

為解決以上現有技術存在的問題，本發明提出了一種基于顯著錨點幾何嵌入的點云配準方法，該方法包括：獲取獲取相同場景下不同視角的兩個點云；將兩個點云數據輸入到訓練好的點云配準模型中，得到點云配準結果；

對點云配準模型進行訓練的過程包括：

S1、獲取訓練數據集，該數據集中每個數據包括相同場景下不同視角的兩個點云；

S2、將訓練集中的兩個不同視角的點云進行核點卷積，得到兩個點云的超點特征；

S3、將超點特征輸入到錨點模塊中進行錨點對應查找，得到錨點對應點；將查找到的錨點對應點輸入到特征模塊中進行特征提取；采用迭代法對錨點對應點和提取的錨點對應點特征進行優化，得到最優特征；

S4、根據最優特征計算超點的匹配，通過超點匹配在對應區域中查找匹配的全局對應點；

S5、計算各個區域的變換，根據全局對應點選擇最優變換；

S6、對最優點云進行轉換估計，得到估計結果；