【技术实现步骤摘要】
一种面向低重叠率的点云配准方法
[0001]本专利技术涉及三维点云配准的
，更具体地，涉及一种面向低重叠率的点云配准方法。
技术介绍
[0002]三维点云(3D Point Cloud)是指三维空间坐标系下一系列空间点所构成的集合，能够反映三维物体的空间分布和表面特征。根据点云的采集设备不同，点云中还存在除位置信息以外的其他信息，如RGB和激光反射强度信息。
[0003]点云配准是指给定源点云P和目标点云Q，通过算法估计出一个转换矩阵,使得P能够通过该转换矩阵变换到Q所在的坐标系下。传统的经典点云配准方法有ICP和NDT两种。ICP方法是通过迭代来求出一个转换矩阵，使得点云P中的每个点p
i
，在经过变换后与点云q
i
的平均距离最小。这种方法虽然精度高，但是需要提供一个较好的粗配准初始值，而且容易陷入局部最优解，只适用于重叠率很高的点云配准。NDT方法是采用正态分布匹配进行点云配准，优势在于可以提前计算每个点云的分布，从而节约配准时间。但是其对点云自身密度敏感，且也无法用于重叠...
【技术保护点】
【技术特征摘要】
1.一种面向低重叠率的点云配准方法，其特征在于，所述方法包括以下步骤：S1.获取源点云数据和目标点云数据；S2.对源点云和目标点云下采样至同一密度后归一化点云，然后对点云进行空间卷积，实现特征提取，获得下采样后的点云及每个点云对应的特征；S3.对下采样后的点云在点云邻域范围内进行位置编码，将位置编码结果与特征相加后，输入注意力模块，输出源点云和目标点云对应的特征；S4.将S3得到的特征做内积，得到相似矩阵，相似矩阵的元素为源点云与目标点云对应点特征的内积，对相似矩阵进行扩充处理后，求解相似矩阵的最优传输，得到分数矩阵；S5.从分数矩阵中确定源点云与目标点云的同名点对集合，从同名点对集合中通过空间相容性进一步筛选出多个可信同名点对集合；S6.对于每个可信同名点对集合，通过分数阈值，确定可信点对集合中分数大于分数阈值的同名点对，然后基于此类同名点对，求得源点云到目标点云的转换矩阵，完成点云配准。2.根据权利要求1所述的面向低重叠率的点云配准方法，其特征在于，在步骤S2中，对源点云和目标点云下采样至同一密度后归一化点云，然后对点云进行空间卷积，实现特征提取，获得下采样后的点云及每个点云对应的特征的过程为：S21.将源点云与目标点云合于一个点云W上，记录点云W上的每个点分属于源点云还是目标点云；S22.对源点云和目标点云下采样至同一密度，然后归一化点云坐标，引入空间卷积网络，进行特征提取，输出下采样后的点云及每个点云对应的特征；S23.根据S21记录的每个点所属源点云还是目标点云，将S22输出的点云分开为下采样后的源点云P
x
及其对应的特征F
x
、下采样后的目标点云P
y
及其对应的特征F
y
，其中，x表示下采样前的源点云，y表示下采样前的目标点云，设源点云x经过下采样后还剩下N个点，则P
x
是一个N*3的矩阵结构，“3”表示三维的坐标，F
x
则是一个N*d的数据结构，d表示特征向量的长度，根据空间卷积网络的不同而不同。3.根据权利要求2所述的面向低重叠率的点云配准方法，其特征在于，空间卷积网络为公开的点云特征提取网络。4.根据权利要求2所述的面向低重叠率的点云配准方法，其特征在于，步骤S3所述对下采样后的点云在点云邻域范围内进行位置编码的方式为：采样后的点云在点云邻域范围内进行位置编码的方式为：采样后的点云在点云邻域范围内进行位置编码的方式为：其中，N
i
表示下采样后的点云中点p
i
邻域范围内的点所构成的集合，n表示每个点特征的长度；δ表示点p
i
邻域范围内的所有点到点p
i
的距离的二范数；位置编码与特征相加，得到F
’
x
,F
’
y
。5.根据权利要求4所述的面向低重叠率的点云配准方法，其特征在于，所述注意力模块包括依次连接的自注意力机制网络和交叉注意力机制网络，自注意力机制网络使每个点与
自身点云内所有点产生交互，交叉注意力机制网络寻找源点云与目标点云内结构相似的地方，使两个点云重叠区域的特征明显化，其中，自注意力机制的过程为：MHattn(Q,K,V)＝(head1,...,haed
n
)W
OO
其中，W
O
,表示网络中要学习的参数，(,
…
,)代表拼接操作，对于源点云，自注意力机制网络中的实现过程满足MHattn(F
′
x
,F
′
x
,F
′
x
)，交叉注意力机制网络中的实现过程满足MHattn(F
′
x
,F
′
y
,F
′
y
)；对于目标点云，自注意力机制网络中的实现过程满足MHattn(F
′
y
,F
′
...
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。