基于体素化UNet-Transformer的非刚性三维点云配准方法、系统及终端技术方案

本发明专利技术涉及一种基于体素化UNet

【技术实现步骤摘要】
基于体素化UNet
‑
Transformer的非刚性三维点云配准方法、系统及终端


[0001]本专利技术涉及计算机视觉
，特别是涉及一种基于体素化UNet
‑
Transformer的非刚性三维点云配准方法、系统及终端。

技术介绍

[0002]三维点云配准是计算机视觉中经常出现的一个基本问题。刚性配准通常用一个旋转矩阵和一个平移向量表示，需要的变形参数较少，相对简单且已被广泛研究。非刚性物体总是随着时间和任意的运动而变形，非刚体变形有很大的参数空间，因此非刚性物体的三维点云配准变得相对困难。但由于非刚体配准在很多领域有着广泛的应用，其中包括：医疗诊断、三维重建、目标跟踪、工业检测等，所以在三维重建方面，目前已经有大量关于非刚体配准的算法被提出。
[0003]近些年来，有学者提出将传统点云转换为体素化(类似于二维领域中的像素，只是多了一维空间)格式的点云，再根据划分的每一块原始点云的小体素网格进行向量偏移计算出每一个点需要偏移的距离，最终配准到目标点云。因为体素化会将原始点云从无序序列变为有序序列，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于体素化UNet
‑
Transformer的非刚性三维点云配准方法，其特征在于，包括步骤：S1.对标准UNet
‑
Transformer网络进行改良得到用于执行非刚性三维点云配准任务的配准模型，所述配准模型的构建方法包括：S11.获取经典的UNet
‑
Transformer网络，所述UNet
‑
Transformer网络包括两组Self
‑
attention模块和一组Cross
‑
attention模块，以此构成所述配准模型的注意力机制并用于提取点云序列中的全局特征和局部特征；S12.将标准UNet
‑
Transformer网络中的MLP结构替换为深度可分离卷积模块；S13.采用多尺度融合模块对注意力机制所提取的特征进行融合，形成包含全局信息和局部信息的可学习特征；S2.分别对一组原始点云和一组目标点云进行网格化处理得到原始体素化网格和目标体素化网格，再将所述原始点云和所述目标点云分别填充进相应的体素化网格中，进而得到两组点云的序列化数据；S3.将所述原始体素化网格和所述目标体素化网格分别输入至所述配准模型的两组所述Self
‑
attention模块中，使两个网格在多种分辨率下学习自身的点云特征；S4.在获取到所述原始体素化网格和所述目标体素化网格的自身特征后，将两个网格输入至所述Cross
‑
attention模块中，使两个网格在多种分辨率下学习彼此的点云特征；S5.将步骤S3、S4中所有学习到的点云特征输入至所述深度可分离卷积模块进行迭代处理得到初步特征矩阵；S6.利用所述多尺度融合模块将所述初步特征矩阵内的不同尺度的特征融合至同一层面以得到最终特征；S7.将所述最终特征运用在所述原始体素化网格中，并在所述原始体素化网格中的每个网格中的点都施加一个向所述目标体素化网格方向的矢量，使得所述原始体素化网格向所述目标体素化网格靠拢，进而得到配准体素化网格；S8.判断当前的所述配准体素化网格是否完成预设轮次的训练周期；是则将所述配准体素化网格和所述目标体素化网格转变成点云状态以得到输出最终的结果；否则利用当前得到的所述配准体素化网格对S2中的原始体素化网格进行更新，直至循环完成所有的训练周期。2.根据权利要求1所述的基于体素化UNet
‑
Transformer的非刚性三维点云配准方法，其特征在于，S2中，在将所述原始点云和所述目标点云分别填充进相应的体素化网格中之后，还对填充有点云的体素化网格进行下采样操作以减少一定数量的点云。3.根据权利要求2所述的基于体素化UNet
‑
Transformer的非刚性三维点云配准方法，其特征在于，S6中，在得到所述最终特征之后，还对所述最终特征进行上采样的学习：结合之前学习到的不同尺度的特征进行跳跃连接，进而将下采样中学习到的特征和上采样的特征进行融合。4.根据权利要求3所述的基于体素化UNet
‑
Transformer的非刚性三维点云配准方法，其特征在于，所述上采样的学习之前，利用Softmax函数对所述最终特征进行归一化操作。5.根据权利要求1所述的基于体素化UNet
‑
Transformer的非刚性三维点云配准方法，其特征在于，所述配准模型还包括一个Linear全连接层模块；S6中，在得到所述最终特征之
前，还将所述初步特征矩阵...

【专利技术属性】
技术研发人员：刘禹，
申请(专利权)人：安徽大学，
类型：发明
国别省市：