一种基于深度特征一致性的点云配准方法及系统技术方案

本发明专利技术涉及一种基于深度特征一致性的点云配准方法及系统，方法包括：对源点云、目标点云进行匹配，获得对应点集合；利用多尺度图特征融合模块提取对应点集合的融合特征矩阵；将对应点集合的融合特征矩阵输入至对应点权重模块过滤离群点，获得候选内点集；确定候选内点集中各候选内点对应的内点子集，并基于深度特征匹配模块确定各内点子集对应的刚性变换估计矩阵；基于内点数量最大化条件从各所述内点子集对应的刚性变换估计矩阵中选取最优刚性变换估计矩阵。本发明专利技术将多尺度图特征融合模块、对应点权重模块和深度特征匹配模块相互结合，提高了在复杂的实际场景中点云配准的鲁棒性和成功率。性和成功率。性和成功率。

【技术实现步骤摘要】
一种基于深度特征一致性的点云配准方法及系统


[0001]本专利技术涉及计算机视觉
，特别是涉及一种基于深度特征一致性的点云配准方法及系统。

技术介绍

[0002]迭代就近点(Iterative Closet Point，简称ICP)是目前用于解决刚性配准问题最出名的算法，该算法交替地执行寻找对应点和最小二乘优化算法来更新配准状态。ICP算法的性能表现高度依赖于初始刚性变换估计的准确度，但是从计时器获得的初始估计值并不是那么可靠，这就导致ICP算法很容易陷入局部最优解。为了寻找一种最优变换方法，Yang等提出基于Branch and Bound(BnB)的Go
‑
ICP算法来确定全局最优位姿，点云配准在需提供要全局最优解决方案时，Go
‑
ICP方法优于ICP算法。其它算法有基于凸松弛、黎曼优化、混合整数规划等方法来确定全局最优位姿估计，这些方法计算成本比较大，不能很好地满足实际应用需求。
[0003]近年来，深度学习在点云配准姿态估计工作中的应用得到了长足的进步。如PointNetLK将基于Poi本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度特征一致性的点云配准方法，其特征在于，所述方法包括：步骤S1：对源点云、目标点云进行匹配，获得对应点集合；步骤S2：利用多尺度图特征融合模块提取对应点集合的融合特征矩阵；所述多尺度图特征融合模块包括图神经网络和多尺度特征融合单元；步骤S3：将对应点集合的融合特征矩阵输入至对应点权重模块过滤离群点，获得候选内点集；所述对应点权重模块包括多层感知机层和候选内点采样层；所述候选内点集包括多个候选内点；步骤S4：确定候选内点集中各候选内点对应的内点子集，并基于深度特征匹配模块确定各内点子集对应的刚性变换估计矩阵；步骤S5：基于内点数量最大化条件从各所述内点子集对应的刚性变换估计矩阵中选取最优刚性变换估计矩阵。2.根据权利要求1所述的基于深度特征一致性的点云配准方法，其特征在于，所述利用多尺度图特征融合模块提取对应点集合的融合特征矩阵，具体包括：步骤S21：将对应点集合输入所述图神经网络进行特征提取，得到对应点集合的图特征；步骤S22：将所述图特征输入所述多尺度特征融合单元进行多尺度特征融合，得到对应点集合的融合特征矩阵。3.根据权利要求1所述的基于深度特征一致性的点云配准方法，其特征在于，所述将对应点集合的融合特征矩阵输入至对应点权重模块过滤离群点，获得候选内点集，具体包括：步骤S31：将对应点集合的融合特征矩阵输入至所述多层感知机层进行置信度估计，获得各对应点的置信度；步骤S32：利用候选内点采样层选取前N
S
个置信度最高的对应点构成候选内点集。4.根据权利要求1所述的基于深度特征一致性的点云配准方法，其特征在于，所述确定候选内点集中各候选内点对应的内点子集，并基于深度特征匹配模块确定各内点子集对应的刚性变换估计矩阵，具体包括：步骤S41：采用k
‑
NN方法，在特征空间中按照对应点条件搜索，形成所述候选内点集中各候选内点对应的内点子集；步骤S42：构建各所述内点子集的特征一致性矩阵；步骤S43：采用主成分分析法计算各所述特征一致性矩阵对应的主成分权重；步骤S44：将各所述主成分权重以及各所述内点子集输入至加权奇异值分解单元进行刚性变换估计，获得各所述内点子集对应的刚性变换估计矩阵。5.根据权利要求1所述的基于深度特征一致性的点云配准方法，其特征在于，所述对源点云、目标点云进行匹配，获得对应点集合，具体包括：步骤S11：对源点云、目标点云分别进行下采样以及点特征提取，获得各点云对应的点以及各点对应的特征；步骤S12：采用随机采样方式从源点云对应的点中随机选取设定数量的点构成第一点阵，选取第一点阵中各点对应的特征构成第一特征矩阵；步骤S13：采用随机采样方式从目标点云对应的点中随机选取设定数量的点构...

【专利技术属性】
技术研发人员：柏正尧，许祝，
申请(专利权)人：云南大学，
类型：发明
国别省市：