一种基于深度学习的端到端三维点云配准方法技术

本发明专利技术公开了一种基于深度学习的端到端三维点云配准方法，涉及点云SLAM算法技术领域，包括滤除对配准误差降低没有帮助地面点云，利用位置自适应点卷积网络获取三维点云的局部特征信息和全局特征信息，通过流嵌入式网络获取点云之间的相似性，最后使用mini

【技术实现步骤摘要】
一种基于深度学习的端到端三维点云配准方法


[0001]本专利技术涉及点云SLAM算法
，尤其是一种基于深度学习的端到端三维点云配准方法。

技术介绍

[0002]随着3D采集技术发展，三维点云广泛应用于自动驾驶、机器人、遥感和医疗等领域，而三维点云配准是其中的关键任务。涉及到以下两个概念，Pointnet：一种基于深度学习的点云特征提取算法，SLAM：即时定位与地图构建，或并发建图与定位。经典的点云配准算法中，Besl等人于1992年提出的最近点迭代算法(Iterative Closest Point,ICP)估计刚性转换，Biber等人提出的3D
‑
NDT算法借助优化技术计算出点云之间的最优配准状态。对此较多针对ICP算法和3D
‑
NDT算法进行优化，如借助平面特征的四参数表达法，构建最小二乘准则完成配准。随着深度学习技术的快速发展，针对三维点云的分类、分割、识别等网络被大量提出并且取得巨大的进步。2017年Qi等人首次提出PointNet算法将深度学习网络用于三维点云中。PointNet++等算法通过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的端到端三维点云配准方法，其特征在于：包括滤除对配准误差降低没有帮助地面点云，利用位置自适应点卷积网络获取三维点云的局部特征信息和全局特征信息，通过流嵌入式网络获取点云之间的相似性，利用位置自适应性点卷积网络获取全局特征和局部特征的融合特征，最后使用mini
‑
PointNet网络获取两帧点云之间的位姿关系，使用对偶四元数形式进行表达，达到端到端配准效果；本发明将共享的动态点卷积网络作为三维点云的特征提取模块，将得到的特征描述子输入到流嵌入模块，最后利用全连接层作为整体的输出层即获得不同时刻点云的相对位姿变换关系。2.根据权利要求1所述的一种基于深度学习的端到端三维点云配准方法，其特征在于：包括以下部分：1、地面滤除模块在该模块中，采用扇形分割的方式，对激光雷达点云进行分割，获取每个扇形的最低点，与阈值进行对比，粗略估计地面点云，通过相邻扇形区域的地面点云Z方向斜率对比，去除错误的地面点云估计，最后利用高斯平滑滤波，增加地面点云滤除的准确度；2、特征提取模块输入点云X，卷积层的输入特征F和输出特征G分别表示为针对点云中的每个点x
i
点卷积表示为其中表示中心点x
i
与其邻点x
j
的输出卷积权值的函数；N
i
表示所有邻域点，Λ(
…
)表示对张量进行最大化、求和、均值化等操作的聚合函数；为了能够克服三维点云具有的无序性、不规则性等特点，需要对卷积核函数进行设计优化；根据PAConv算法中的卷积核设计，首先设计权重矩阵集合其中M表示权重矩阵的个数；设计系数学习网络，获取系数向量S
ij
＝{s
ijm
|m＝1
…
M}用以关联权重矩阵，S
ij
为点x
i
和邻点x
j
的相对距离，该距离与点位置有着较大关联即位置自适应，再通过多层MLP学习到的权重系数，S
ij
表示为式(2)所示：S
ij
＝softmax(θ(x
i
,x
j
))
ꢀꢀꢀꢀꢀꢀ
(2)其中θ(
…
)表示MLP网络层；根据权重和相对应系数，最终的卷积权重函数表示为式(3)所示：特征提取模块在整个配准网络中起到重要作用，在该模块中需要对三维点云数据进行处理，尤其是多线激光雷达数据中，需要进行无效点去除；考虑到点云数据较多，需要进行一定的降采样处理；在本发明中，为了提高数据处理速度和整体系统的速度，在降采样处理前进行地面点云滤波处理，同时为了融合点云特征提取过程中的局部特征和全局特征，采
用多个动态卷积核和最远点采样联动的方法完成特征提取部分；3、流嵌入模块通过特征提取层，获得两帧点云的数据为X
′
＝{x
i
∈R
3+d
′
|i＝1
…
N
′
}、Y
′
＝{y
i
∈R
3+d
′
|i＝1
…
N
′
}，其中d
′
表示为经过特征提取模块之后的特征维度，N
′
表示为通过特征提取模块中最远点采样之后的点；d
′
和N
′
的具体参数将在数据处理与网络训练小节中体现；点云X
′
中的每个点x
i
在点云Y
′
中以半径r进行分组；计算点之间的相对距离和各自的特征输入到MLP网络中，获得输出的特征e
i
∈R
d
′
，如式(4)所示：其中g
(...)
表示为该模块的输入点云特征，其中h(
…
)表示为多层MLP结构，与PointNet子模块类似，MAX{
…
}表示为最大池化；4、输出模块在输出模块中，主要利用mini
‑
PointNet结构进行预测，最终的网络输出维度为8，利用对偶四元数，获得旋转矩阵和平移向量；5、损失函数部分对偶四元数的表达式为其中w、x、y、z均为对偶数，形如{a
dual
＝a0+εa
ε<...

【专利技术属性】
技术研发人员：朱奇光，程志原，陈卫东，
申请(专利权)人：燕山大学，
类型：发明
国别省市：