一种用于无人机自主导航的低重叠率点云配准方法技术

本发明专利技术涉及一种用于无人机自主导航的低重叠率点云配准方法，包括：将点云特征分数矩阵作为代价矩阵，分数矩阵经过优化传输过程中的优化迭代，从而减少了特征之间的冗余交互，保证了特征的可区分性；通过对点云对中每个点先验地预测出重叠度分数和显著分数，将点的分数设置为优化传输的目标代价，从而实现先验分数引导下的可控注意力交互；通过基于代价矩阵中的初始匹配关系进行几何一致性筛选，有效地纠正代价矩阵中的高分错误匹配对。最后基于所提出的稀疏特征交互、先验分数引导、空间一致性正则化设计了一个由粗匹配到细匹配的点云配准网络，用于建立匹配点对以及估计出点云相对变换，可用于无人机导航、虚拟现实、三维重建等多个相关领域。等多个相关领域。等多个相关领域。

【技术实现步骤摘要】
一种用于无人机自主导航的低重叠率点云配准方法


[0001]本专利技术涉及计算机视觉
，尤其涉及一种用于无人机自主导航的低重叠率点云配准方法。

技术介绍

[0002]点云配准的目标是计算出同一场景下具有部分重叠的两个点云之间的位姿变换从而进行点云对齐。空间位置感知是无人机自主导航过程中的核心部分，是无人机能够根据周边环境及自身位置规划正确导航路径的基础。点云配准可以根据扫描的点云数据为无人机提供实时位姿。随着深度学习技术的发展和应用，越来越多的工作将深度学习方法引入到点云特征编码、匹配点建立以及位姿解算中来。这类方法利用深度学习的编码能力将几何结构信息编码到每个点的特征中或利用网络的拟合能力实现快速的位姿计算。利用注意力机制对点云特征进行融合也已经成为当今点云特征构建的基本范式。然而这些方法在特征构建时仍存在不足：1)现有的注意力机制实现的是源点云和目标点云所有特征的稠密连接，这会导致点云之间存在大量冗余的特征交互连接，这导致待匹配的特征在交互过程中逐渐模糊。过度平滑的特征在匹配阶段会产生大量的错误匹配，进而带来错误的位姿估计。2)现有的方法都使用点云特征直接进行增强处理，融合过程中外点特征会对内点特征造成干扰并影响最终特征的分布情况，因此经常出现成片错误匹配聚集的情况。3)现有的方法在面对无人机在高速飞行时扫描得到的低重叠率点云往往无法正常配准。

技术实现思路

[0003]本专利技术针对现有技术中存在的技术问题，提供一种用于无人机自主导航的低重叠率点云配准方法，提供一种低重叠率情况下仍然有效的点云配准方法，解决现有的特征构建方法容易出现特征模糊以及低重叠率点云难以配准的技术问题。
[0004]根据本专利技术的第一方面，提供了一种用于无人机自主导航的低重叠率点云配准方法，包括：
[0005]步骤1，利用基于核点卷积的多层下采样方法对输入的部分重叠的源点云X和目标点云Y进行下采样，通过三维卷积操作对每层不同尺度的点云进行结构化特征提取，得到最粗尺度下的源点云节点集XC和目标点云节点集YC及其对应的最粗尺度的节点特征和
[0006]步骤2，利用特征注意力融合与重叠度分数预测方法将所述节点特征和进行特征融合得到融合后的节点特征为并回归出每个节点的重叠度分数和所述重叠度分数和为每个节点位于点云重叠区域的概率；
[0007]步骤3，根据所述节点特征的可区分性，计算每个节点与邻域范围内的所有节点
特征的相似程度，通过占比计算得到每个节点的显著性分数和所述显著性分数和为每个节点特征在邻域范围内的独特性程度；
[0008]步骤4，基于自注意力
‑
交叉注意力机制对节点特征进行全局特征增强和跨点云特征融合；
[0009]步骤5，将所述步骤4的注意力矩阵的分数作为匹配分数，构造点云匹配对，利用匹配对的空间一致性对匹配对的分数进行动态调整，形成符合空间一致性的特征交互关系；
[0010]步骤6，基于融合过后的特征进行匹配关系的构建，对于点云块特征进行特征匹配并选择高分分数代表的节点对，形成粗尺度下的匹配关系；
[0011]步骤7，使用原始节点特征进行多层上采样操作，将下采样的点云恢复到原有尺度，并获得每个点的精细特征，在所述步骤6形成的粗尺度下的匹配关系的每个粗匹配所代表的块匹配中进行精细点特征的匹配，保存每个精细点对的置信度得分，整合所有精细匹配关系并置信度得分进行排名，选择排名靠前的细匹配作为最终的匹配点对；
[0012]步骤8，基于所述步骤7得到的匹配点对，使用RANSAC方法估计出两个点云之间的相对位姿变换。
[0013]在上述技术方案的基础上，本专利技术还可以作出如下改进。
[0014]可选的，所述步骤1中，输入的所述源点云所述目标点云
[0015]与分别为下采样过程最终得到最粗尺度下的源点云节点集和目标点云节点集，N
C
与M
C
分别表示该尺度下源点云和目标点云中点的数量，D
C
表示该尺度下点云特征的维度；
[0016]使用近邻搜索构造细尺度内的点云点与最终下采样点的近邻关系，为每个下采样点构造局部点云块；使用所述最粗尺度特征表征源点云和目标点云中的点云块特征。
[0017]可选的，所述步骤2包括：
[0018]步骤201，使用原始的特征注意力模块对节点特征进行自注意力和交叉注意力融合；
[0019]步骤202，采用的注意力层叠加方式为self
‑
cross
‑
self
‑
cross
‑
self的5层交叉结构，保证先验预测使用的特征具有全局范围内的感受野，得到的特征使用全连接网络进行重叠度分数回归；
[0020]步骤203，对采样前的点云与采样后的点云计算近邻关系，找到每个节点所对应的邻域原始点，利用真实的位姿变换矩阵计算得到每个节点在真实匹配下的空间位置，计算得到点云重叠区域并判断每个节点位于重叠区域中的原始点的比率，通过重叠区域部分占节点邻域面积的百分比确定出每个节点的重叠程度并作为最终的真实重叠度分数
[0021]步骤204，对于回归得到的重叠度分数进行规范化调整，通过截断操作，将预测重叠度分数低于设置的截断阈值的节点视为非重叠点，将重叠度分数修正为0；将预测重叠度
分数高于设置的截断阈值的节点视为重叠点，将重叠度分数修正为1。
[0022]可选的，所述步骤201中进行交叉注意力融合的过程包括：
[0023][0024]其中，Linear为线性映射，表示将节点特征映射为用以进行注意力机制操作的特征
[0025]使用softmax对相似度矩阵进行规范化得到代价矩阵w；
[0026]代价矩阵w与特征进行加权重构并与原始特征叠加，将叠加后的特征使用全连接网络MLP进行特征映射，并与原始节点特征一起构造为最终的融合特征
[0027]可选的，所述步骤3包括：
[0028]比较节点特征与邻域特征相似度并统计得出每个节点的显著性分数的公式为：
[0029][0030]其中，norm为特征归一化操作；为节点的邻域点，每个节点的邻域点包括该节点本身；s
thre
为设置的显著性阈值；i和j分别表示节点的序号数。
[0031]可选的，所述步骤4包括：
[0032]步骤401，将特征相似度得分矩阵作为优化传输的代价矩阵C，对所述代价矩阵C增加一行垃圾箱约束行与一列垃圾箱约束列，将所述代价矩阵加一行垃圾箱约束行与一列垃圾箱约束列，将所述代价矩阵增广为
[0033][0034]将增广过后的代价矩阵替换原本的代价矩阵C，通过Sinkhorn算法迭代后获得新的结果矩阵
[0035]步骤402，将所述重叠度分数和显著性分数联合作为代价矩阵的行约束μ
r
与列约束μ
c
。
[0036]步骤403，使用优化传输迭代方程对代价矩阵进行迭代更新：...

【技术保护点】

【技术特征摘要】
1.一种用于无人机自主导航的低重叠率点云配准方法，其特征在于，所述点云配准方法包括：步骤1，利用基于核点卷积的多层下采样方法对输入的部分重叠的源点云X和目标点云Y进行下采样，通过三维卷积操作对每层不同尺度的点云进行结构化特征提取，得到最粗尺度下的源点云节点集X
C
和目标点云节点集Y
C
及其对应的最粗尺度的节点特征和步骤2，利用特征注意力融合与重叠度分数预测方法将所述节点特征和进行特征融合得到融合后的节点特征为并回归出每个节点的重叠度分数和所述重叠度分数和为每个节点位于点云重叠区域的概率；步骤3，根据所述节点特征的可区分性，计算每个节点与邻域范围内的所有节点特征的相似程度，通过占比计算得到每个节点的显著性分数和所述显著性分数和为每个节点特征在邻域范围内的独特性程度；步骤4，基于自注意力
‑
交叉注意力机制对节点特征进行全局特征增强和跨点云特征融合；步骤5，将所述步骤4的注意力矩阵的分数作为匹配分数，构造点云匹配对，利用匹配对的空间一致性对匹配对的分数进行动态调整，形成符合空间一致性的特征交互关系；步骤6，基于融合过后的特征进行匹配关系的构建，对于点云块特征进行特征匹配并选择高分分数代表的节点对，形成粗尺度下的匹配关系；步骤7，使用原始节点特征进行多层上采样操作，将下采样的点云恢复到原有尺度，并获得每个点的精细特征，在所述步骤6形成的粗尺度下的匹配关系的每个粗匹配所代表的块匹配中进行精细点特征的匹配，保存每个精细点对的置信度得分，整合所有精细匹配关系并置信度得分进行排名，选择排名靠前的细匹配作为最终的匹配点对；步骤8，基于所述步骤7得到的匹配点对，使用RANSAC方法估计出两个点云之间的相对位姿变换。2.根据权利要求1所述的方法，其特征在于，所述步骤1中，输入的所述源点云所述目标点云所述目标点云与分别为下采样过程最终得到最粗尺度下的源点云节点集和目标点云节点集，N
C
与M
C
分别表示该尺度下源点云和目标点云中点的数量，D
C
表示该尺度下点云特征的维度；使用近邻搜索构造细尺度内的点云点与最终下采样点的近邻关系，为每个下采样点构造局部点云块；使用所述最粗尺度特征表征源点云和目标点云中的点云块特征。3.根据权利要求1所述的方法，其特征在于，所述步骤2包括：步骤201，使用原始的特征注意力模块对节点特征进行自注意力和交叉注意力融合；步骤202，采用的注意力层叠加方式为self
‑
cross
‑
self
‑
cross
‑
self的5层交叉结构，
保证先验预测使用的特征具有全局范围内的感受野，得到的特征使用全连接网络进行重叠度分数回归；步骤203，对采样前的点云与采样后的点云计算近邻关系，找到每个节点所对应的邻域原始点，利用真实的位姿变换矩阵计算得到每个节点在真实匹配下的空间位置，计算得到点云重叠区域并判断每个节点位于重叠区域中的原始点的比率，通过重叠区域部分占节点邻域面积的百分比确定出每个节点的重叠程度并作为最终的真实重叠度分数步骤204，对于回归得到的重叠度分数进行规范化调整，通过截断操作，将预测重叠度分数低于设置的截断阈值的节点视为非重叠点，将重叠度分数修正为0；将预测重叠度分数高于设置的截断阈值的节点视为重叠点，将重叠度分数修正为1。4.根据权利要求3所述的方法，其特征在于，所述步骤201中进行交叉注意力融合的过程包括：其中，Linear为...

【专利技术属性】
技术研发人员：陶文兵，郭琳，陈志，徐振宏，刘李漫，
申请(专利权)人：武汉图科智能科技有限公司，
类型：发明
国别省市：