【技术实现步骤摘要】
一种基于深度特征进行鲁棒点云配准的无监督方法
[0001]本专利技术涉及物体三维重建和定位,具体是一种基于深度特征进行鲁棒点云配准的无监督方法。
技术介绍
[0002]点云配准是估计两个点云对齐的刚性变换的问题。它在自动驾驶、运动和姿态估计、三维重建、同时定位和映射(SLAM)以及增强现实等各个领域都有许多应用。
[0003]最近,一些基于深度学习(deep learning,简称DL)的方法被提出来处理大旋转角度。(Y.Wang and J.M.Solomon,“Deep closest point:Learning representations for point cloud registration,”in Proceedings of the IEEE International Conference on Computer Vision(ICCV),2019,pp.3523
–
3532.)(Y.Aoki,H.Goforth,R.A.Srivatsan,and S.Lucey,“Pointnetlk:Robust&efficient point cloud registration using pointnet,”in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition(CVPR),2019,pp.7163
–
7172)(V.Sarode,X.L ...
【技术保护点】
【技术特征摘要】
1.一种基于深度特征进行鲁棒点云配准的无监督方法,其特征在于,包括如下步骤:1)获取点云数据:获取待配准的点云数据,在点云表面均匀采样1024个点数据;2)转换:将得到的两幅点云的采样数据类型转换为张量,大小为1024
×
3,然后输入到深度学习框架中;3)特征提取:深度学习框架中编码器模块对输入的张量进行点云深度特征提取,最终输出表示点云深度特征的一维张量,具体过程如下:3
‑
1)对输入的张量1024
×
3经过EdgeConv模块,将每一点作为中心点来表征其与各个邻点的边特征,再将这些特征聚合从而获得该点的新表征,即通过构建每个顶点的领域获取点云的局部特征,具体步骤为:h
θ
(x
i
,x
j
)=h
θ
(x
i
,x
j
‑
x
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1),其中x
i
在顶点集合X={x1,...x
n
}∈R
F
中,F表示神经网络某一层输出的点的特征空间维度信息,接着再送入一个感知机得到边特征:e'
ijm
=RELU(θ
m
·
(x
j
‑
x
i
)+φ
m
·
x
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2),其中:Θ=(θ1,...,θ
M
,φ1...,φ
M
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3),Θ为可学习参数,接着聚合各邻边的特征:其中表示聚合操作,Ω表示以点x
i
为中心构成邻边的点对集合,具体聚合操作为:最后在EdgeConv模块输出张量的大小为6
×
1024
×
20并输入下一卷积层;3
‑
2)对得到局部特征的张量进行五次卷积,第一次卷积经过64个二维大小为1的卷积核的卷积层输出张量大小为64
×
1024
×
20;3
‑
3)受注意力机制对深度学习效果提升显著的特点启发,将第一层的输出结果接入CBAM注意力模块,对各通道以及空间的重要性进行加权,并同理依次经过64,128,256大小的卷积层;3
‑
4)将前四层的输出张量拼接且修改张量大小为512
×
1024
×
1,再进入512个二维大小为1的卷积核进行卷积并修改维度得到张量大小为512
×
1024,使用flatten函数将张量打平输出张量大小为512,由此得到包含了局部与全局描述符的深度特征;4)点云配准:对两幅点云进行配准,即求出一个刚性变换矩阵...
【专利技术属性】
技术研发人员:陈明,韦升喜,肖远辉,田旭,李祺峰,吴冬柳,
申请(专利权)人:广西师范大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。