本发明专利技术涉及提供一种点云分级决策配准的方法、系统、设备及介质。方法包括：获取待配准的原点云数据和目标点云数据；将原点云数据和目标点云数据分别输入至编码器，获取原点云数据的下采样特征以及目标点云数据的下采样特征；根据原点云数据的下采样特征以及目标点云数据的下采样特征，基于几何注意力机制，获得原点云数据和目标点云数据匹配后的置信度矩阵；将原点云数据的下采样特征以及目标点云数据的下采样特征分别输入至解码器，获取原点云的上采样特征和目标点云的上采样特征；基于预设的多级一致性投票机制，按照所述置信度矩阵对所述原点云的上采样特征和目标点云的上采样特征进行投票，获取配准结果。提升了点云配准的准确度。准的准确度。准的准确度。
【技术实现步骤摘要】
点云分级决策配准方法、系统、设备及介质
[0001]本专利技术涉及点云配准领域，特别涉及一种点云分级决策配准的方法
、
系统
、
设备及介质
。
技术介绍
[0002]3‑
D
点云广泛应用于自动驾驶
、3
‑
D
地图构建
、
智慧城市
、
电力线巡检等方面，但考虑到点云数据的特殊性质，需要对其进行3‑
D
目标分类，3‑
D
目标检测和目标配准等，以有效地应用点云数据
。
其中，点云配准的应用较为广泛，点云配准的目的是恢复一对部分重叠的点云之间的转换，因此点云配准广泛应用在场景重建
、
自动驾驶
、
同时定位与地图构建
(SLAM)
等真实场景中
。
[0003]近年来，使用激光扫描获取点云数据越来越方便
、
高效，应用场景也越来越广泛
。
如何在不同的复杂场景下有效地进行点云配准，成为需要解决的重要问题
。
从早期的手工制作方法到最近出现的基于深度学习的方法，许多工作都有助于提高对应关系的可靠性
。
然而，由于点云的无序和不规则的属性，从它们中提取可靠的对应关系仍然是一个具有挑战性的任务和难以解决的问题
。
因此，需要提供一种点云分级决策配准的方法
、
系统
、
设备及介质
。
技术实现思路
[0004]本专利技术提供一种点云分级决策配准的方法和系统
。
以解决现有技术中，由于点云的无序和不规则的属性，导致难于提取点云特征，致使点云配准结果准确度不高的问题
。
[0005]本专利技术提供的一种点云分级决策配准的方法，包括：
[0006]获取待配准的原点云数据和目标点云数据；
[0007]将原点云数据和目标点云数据分别输入至编码器，获取原点云数据的下采样特征以及目标点云数据的下采样特征；
[0008]根据原点云数据的下采样特征以及目标点云数据的下采样特征，基于几何注意力机制，获得原点云数据和目标点云数据匹配后的置信度矩阵；
[0009]将原点云数据的下采样特征以及目标点云数据的下采样特征分别输入至解码器，获取原点云的上采样特征和目标点云的上采样特征；
[0010]基于预设的多级一致性投票机制，对所述原点云的上采样特征和目标点云的上采样特征进行投票，获取配准结果
。
[0011]于本专利技术一实施例中，所述将原点云数据输入至编码器，获取原点云数据的下采样特征：
[0012]将原点云数据输入至编码器，随机选择原点云数据中的一点作为中心点；
[0013]以选择的中心点为球心，基于球半径邻域法，对原点云数据进行降采样，从原点云数据中提取球形区域；
[0014]根据球形区域中预设的核函数，对球形区域内的原点云数据进行核点卷积，获取
球形区域内原点云数据的下采样特征；
[0015]选择原点云数据的另一点作为中心点，重复获取原点云数据的下采样特征的步骤，直至将原点云数据划分为多个不重复的球形区域
。
[0016]于本专利技术一实施例中，所述根据原点云数据的下采样特征，基于几何注意力机制，获得原点云数据和目标点云数据匹配后的置信度矩阵包括：
[0017]基于自注意力机制，对原点云数据的下采样特征进行处理，获取原点云数据的自注意力特征；
[0018]基于所述自注意力机制，对目标点云数据的下采样特征进行处理，获取目标点云数据的自注意力特征；
[0019]基于预设的交叉注意力机制，将原点云数据的自注意力特征与预设的交叉注意力权重系数进行加权计算，获取原点云数据的交叉注意力特征；其中，几何注意力机制包括自注意力机制和交叉注意力机制；
[0020]基于所述交叉注意力机制，将目标点云数据的自注意力特征与预设的交叉注意力权重系数进行加权计算，获取目标点云数据的交叉注意力特征；
[0021]将所述原点云数据的交叉注意力特征和所述目标点云数据的交叉注意力特征进行置信度计算，获取原点云数据和目标点云数据匹配后的稀疏置信度矩阵
。
[0022]于本专利技术一实施例中，所述基于预设的多级一致性投票机制，对所述原点云的上采样特征和目标点云的上采样特征进行投票，获取配准结果，包括：
[0023]基于所述原点云的上采样特征和目标点云的上采样特征，获取目标点云的上采样特征在不同维度的分数矩阵；其中，所述原点云的上采样特征与目标点云的上采样特征对应的维度相同；
[0024]使用双
Softmax
函数，对两个不同维度对应的分数矩阵进行缩放，获得稠密置信度矩阵；
[0025]将所述稀疏置信度矩阵和所述稠密置信度矩阵进行加权处理，得到加权后置信度矩阵；
[0026]从所述加权后置信度矩阵中，选择符合所述多级一致性投票机制的匹配点，获取原点云数据和目标点云数据的配准结果
。
[0027]于本专利技术一实施例中，所述将原点云数据的下采样特征输入至解码器，获取原点云的上采样特征，包括：将原点云的下采样特征输入至解码器，基于所述解码器内不同尺寸的核点卷积，对所述原点云的下采样特征进行上采样，得到原点云的上采样特征
。
[0028]于本专利技术一实施例中，所述解码器网络的结构为金字塔结构
。
[0029]于本专利技术一实施例中，所述编码器中，最后一层的核点卷积数量为3个
。
[0030]在本专利技术的另一方面，还提供了一种点云分级决策配准的系统，所述系统包括：
[0031]数据获取模块，用于获取待配准的原点云数据和目标点云数据；
[0032]编码模块，用于将原点云数据和目标点云数据分别输入至编码器，获取原点云数据的下采样特征以及目标点云数据的下采样特征；
[0033]注意力计算模块，用于根据原点云数据的下采样特征以及目标点云数据的下采样特征，基于几何注意力机制，获得原点云数据和目标点云数据匹配后的置信度矩阵；
[0034]解码模块，用于将原点云数据的下采样特征以及目标点云数据的下采样特征分别
输入至解码器，获取原点云的上采样特征和目标点云的上采样特征；
[0035]配准模块，用于基于预设的多级一致性投票机制，对所述原点云的上采样特征和目标点云的上采样特征进行投票，获取配准结果
。
[0036]在本专利技术的另一方面，还提供了一种计算机设备，包括存储器
、
处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器所述计算机程序时实现上述任一项所述方法的步骤
。
[0037]在本专利技术的另一方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器时实现上述任一项本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种点云分级决策配准的方法，其特征在于，所述方法包括：获取待配准的原点云数据和目标点云数据；将原点云数据和目标点云数据分别输入至编码器，获取原点云数据的下采样特征以及目标点云数据的下采样特征；根据原点云数据的下采样特征以及目标点云数据的下采样特征，基于几何注意力机制，获得原点云数据和目标点云数据匹配后的置信度矩阵；将原点云数据的下采样特征以及目标点云数据的下采样特征分别输入至解码器，获取原点云的上采样特征和目标点云的上采样特征；基于预设的多级一致性投票机制，按照所述置信度矩阵对所述原点云的上采样特征和目标点云的上采样特征进行投票，获取配准结果
。2.
根据权利要求1所述的点云分级决策配准的方法，其特征在于，所述将原点云数据输入至编码器，获取原点云数据的下采样特征：将原点云数据输入至编码器，随机选择原点云数据中的一点作为中心点；以选择的中心点为球心，基于球半径邻域法，对原点云数据进行降采样，从原点云数据中提取球形区域；根据球形区域中预设的核函数，对球形区域内的原点云数据进行核点卷积，获取球形区域内原点云数据的下采样特征；选择原点云数据的另一点作为中心点，重复获取原点云数据的下采样特征的步骤，直至将原点云数据划分为多个不重复的球形区域
。3.
根据权利要求1所述的点云分级决策配准的方法，其特征在于，所述根据原点云数据的下采样特征，基于几何注意力机制，获得原点云数据和目标点云数据匹配后的置信度矩阵包括：基于自注意力机制，对原点云数据的下采样特征进行处理，获取原点云数据的自注意力特征；基于所述自注意力机制，对目标点云数据的下采样特征进行处理，获取目标点云数据的自注意力特征；基于预设的交叉注意力机制，将原点云数据的自注意力特征与预设的交叉注意力权重系数进行加权计算，获取原点云数据的交叉注意力特征；其中，几何注意力机制包括自注意力机制和交叉注意力机制；基于所述交叉注意力机制，将目标点云数据的自注意力特征与预设的交叉注意力权重系数进行加权计算，获取目标点云数据的交叉注意力特征；将所述原点云数据的交叉注意力特征和所述目标点云数据的交叉注意力特征进行置信度计算，获取原点云数据和目标点云数据匹配后的稀疏置信度矩阵
。4.
根据权利要求3所述的点云分级决策配准的方法，其特征在于，所述基于预设的多级一致性投票机制，按照所述置信度矩阵对所述原点云的上采样特征和目标点云的上采样特征进行投票，获取配准...
【专利技术属性】
技术研发人员：金会庆，金磬，顾涛，徐宏翔，张强，单记礼，
申请(专利权)人：安徽三联交通应用技术股份有限公司，
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。