一种基于迭代的高精度深度学习点云配准方法技术

本发明专利技术公开一种基于迭代的高精度深度学习点云配准方法，包括以下步骤：1)获得点云配准的数据集；2)提取网络提取源数据与待配准数据的深度特征；3)将步骤2)的深度特征输入到深度学习配准网络模型中，进行粗配准，得到粗配准的配准矩阵；4)对待配准数据与源数据进行粗配准，得到若干最近点云对，并利用最近点迭代算法对最近点云对进行精配准，得到精配准的配准矩阵；5)对待配准数据与源数据进行精配准，得到配准结果；6)对步骤5)的配准结果进行定量评估，若评估通过，则结束。本发明专利技术使用ICP算法与IPCR结合，针对ICP算法对初始随机配准矩阵敏感的特点，先使用IPCR进行粗配准作为ICP的输入，最终得到ICP输出的精配准矩阵。最终得到ICP输出的精配准矩阵。最终得到ICP输出的精配准矩阵。

【技术实现步骤摘要】
一种基于迭代的高精度深度学习点云配准方法


[0001]本专利技术涉及点云配准领域，具体是一种基于迭代的高精度深度学习点云配准方法。

技术介绍

[0002]随着LiDAR和Kinect等传感器的精度越来越高，三维世界的数据主要由点云来表示。但由于传感器扫描视角受限制，对于同一个场景，传感器捕获到的信息都是部分的，因此需要点云配准算法对部分的三维场景进行拼接。点云配准的实质是空间笛卡尔矩阵的估计。在许多计算机视觉应用中，点云配准算法都有着关键作用。对于三维重建来说，生成一个完整的三维场景是各种计算机视觉应用的基础和重要技术，包括自主驾驶中的高精度三维地图重建、机器人技术中的三维环境重建、地下采矿实时监控的三维重建。例如，一辆无人驾驶汽车估计它在地图上的位置(例如，<10厘米)以及它与道路边界线的距离。点云配准算法可以准确地将当前的实时三维视图与它所属的三维环境相匹配，从而提供高度精确的定位服务。这一应用表明，点云配准算法为与三维环境的交互提供了一个解决方案。由于点云配准在众多有价值的计算机视觉应用中起着关键作用，因此迫切需要对点云对齐本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迭代的高精度深度学习点云配准方法，其特征在于，包括以下步骤：1)获得点云配准的数据集，并将数据集分为源数据与待配准数据；2)利用点云深度特征提取网络提取源数据与待配准数据的深度特征；3)构建用于迭代的深度学习配准网络模型，并将步骤2)的深度特征输入到深度学习配准网络模型中，进行粗配准，得到粗配准的配准矩阵；4)根据粗配准的配准矩阵，对待配准数据与源数据进行粗配准，得到若干最近点云对，并利用最近点迭代算法对最近点云对进行精配准，得到精配准的配准矩阵；5)根据精配准的配准矩阵，对待配准数据与源数据进行精配准，得到配准结果；6)对步骤5)的配准结果进行定量评估，若评估通过，则结束，否则，返回步骤3)。2.根据权利要求1所述的一种基于迭代的高精度深度学习点云配准方法，其特征在于，所述点云深度特征提取网络包括若干多层感知器MLPs；其中，多层感知器MLPs的第k个隐藏神经元输出f
OC
(x)如下所示：式中，m为多层感知器MLPs的隐藏神经元个数；x为输入；ω
k
为权重；α
k
为常数；k表示隐藏神经元序号；其中，激活函数σ(x)如下所示：式中，α为常数。3.根据权利要求2所述的一种基于迭代的高精度深度学习点云配准方法，其特征在于，利用点云深度特征提取网络提取源数据与待配准数据的深度特征的步骤包括：1)分别将源数据与待配准数据作为输入，输入到多层感知器MLPs中，得到源数据与待配准数据的局部深度特征向量；2)利用平均池化函数分别对源数据与待配准数据的局部深度特征向量进行处理，得到源数据与待配准数据的全局深度特征向量。4.根据权利要求1所述的一种基于迭代的高精度深度学习点云配准方法，其特征在于，所述深度学习配准网络模型包括若干全连接层和一个输出层。5.根据权利要求1所述的一种基于迭代的高精度深度学习点云配准方法，其特征在于，所述深度学习配准网络模型的损失函数为地球移动距离损失函数EMDLoss(Ρ
S
，Ρ
T
)，即：式中，Ρ
T
和Ρ
S
分别表示待配准数据和源数据；P为待配准数据点云集；x表示待配准数据点云集中的元素；x
S
与x
T
分别表示源数据与待配准数据中的点；表示对待配准数据中的点进行配准变换。6.根据权利要求1所述的一种基于迭代的高精度深度学习点云配准方法，其特征在于...

【专利技术属性】
技术研发人员：陈天择，伍洲，
申请(专利权)人：重庆大学，
类型：发明
国别省市：