【技术实现步骤摘要】
本专利技术属于点云配准，具体涉及一种基于几何注意力机制的点云配准方法和装置。
技术介绍
1、无人车在投入实际应用前需要经历诸如封闭道路测试、开放道路测试等实车试验测试环节，而虚实融合试验可以在实车数量不足、试验场地和试验成本限制的条件下对无人车进行试验评估，加快了无人车的研制进程。在虚实融合试验中，不仅需要对实际测试场地进行高精度建模，创建与实际物理环境高度一致的虚拟环境，还需要创建与实车高度一致的数字孪生体。在虚拟环境中，实车的数字孪生体的虚拟激光雷达能够感知实际环境中不存在的虚拟目标，将虚拟目标的点云数据与实车捕获的环境点云数据融合，实现实车对虚拟目标的感知。虚实融合试验的置信度取决于能否高精度地配准实车相对数字孪生体的位姿，这是点云配准需要解决的问题。
2、近年来，大多数点云配准方法都采用数据驱动的方式，即基于深度学习来实现点云配准，基于深度学习的点云配准方法分为端到端的点云配准方法以及基于特征匹配的点云配准方法。
3、端到端的点云配准方法将源点云和目标点云作为神经网络的输入，直接输出两个点云之间的变换矩阵或者旋转四元数和平移向量，称为一阶段的配准方法。公开号为cn114332176a的专利文献公开了一种端到端三维点云配准方法，包括：第一步，准备训练数据；第二步，搭建用于点云配准的端到端深度神经网络；第三步，对网络进行训练，第四步，将训练好的网络应用于实际配准中。其中端到端深度神经网络主要包括局部特征提取器，图神经网络层，以及互相向一致性模块。但该专利技术采用的技术方案，对点云之间的特征提取和表达能
4、基于特征匹配的点云配准方法通常分为两个阶段，第一个阶段使用手工特征或者通过神经网络学习到的特征进行最近邻搜索得到匹配点对，第二个阶段使用奇异值分解(svd)或随机采样一致性(ransac)方法求解变换。然而，由于虚实融合试验系统中，真实环境需要涵盖城市、乡村等复杂场景，同时真实激光雷达捕获的点云数据相比存在噪声，因此，基于特征匹配的点云配准方法的精度取决于能否提取到具有高鉴别力、高泛化能力、鲁棒的点云特征。目前基于特征匹配的点云配准方法具有下列不足：如果为点云中的每个点计算特征描述符，这种稠密特征描述符不仅容易产生二义性，并且基本不具备泛化能力；基于面片的特征描述符考虑了局部几何信息，这种稀疏特征具有更优异的泛化能力，但是现有方法没有考虑上下文特征的关联，限制了点云配准算法的精度。
技术实现思路
1、本专利技术的目的是提供一种基于几何注意力机制的点云配准方法和装置，基于几何注意力机制为点云数据嵌入几何结构信息，并采用基于面片的局部特征提取网络，实现了高鉴别力、高泛化能力以及高鲁棒性的虚实融合试验系统中的点云配准。
2、为实现上述专利技术目的，本专利技术提供的技术方案如下：
3、第一方面，本专利技术实施例提供的一种基于几何注意力机制的点云配准方法，包括以下步骤：
4、步骤1：通过实车的真实激光雷达对真实环境进行捕获，得到目标点云数据，对实车进行建模得到数字孪生体，通过数字孪生体的虚拟激光雷达对虚拟环境中的预设虚拟目标进行捕获，得到源点云数据；
5、步骤2：对目标点云数据和源点云数据进行体素下采样，得到特征点集，分别包括目标特征点集和源特征点集，将特征点集输入预训练的局部特征提取网络中，提取得到局部特征描述符，分别包括目标局部特征描述符和源局部特征描述符；
6、步骤3：分别提取源特征点集和目标特征点集中的几何结构信息，与各自对应的局部特征描述符一起输入基于几何注意力机制的transformer网络，实现局部特征描述符的几何结构信息嵌入和跨点云特征的注意力转移，多次迭代后得到目标特征描述符和源特征描述符；
7、步骤4：基于目标特征描述符和源特征描述符，采用最近邻搜索得到匹配点对集合，通过随机采样一致性算法将匹配点对集合中的误匹配点剔除，对剔除误匹配点后的匹配点对集合求解最优欧式变换，实现点云配准。
8、本专利技术提出基于面片的局部特征提取网络，采集点云数据中的稀疏点云特征，作为点云数据的局部特征描述符，以解决稠密点云特征具有二义性和较低鉴别能力的问题；并采用基于几何注意力机制的transformer网络，网络中的自注意力机制将点云数据的几何结构信息嵌入到局部特征描述符中，用于保证特征提取时的高鉴别力和泛化能力，从而使得点云配准更加精确。
9、进一步的，所述预训练的局部特征提取网络，为基于面片的局部特征提取网络，提取到的局部特征描述符为稀疏点云数据，具体过程包括：
10、采用lrf规范化，将目标特征点集和源特征点集中的点变换到局部坐标系下，变换后的点分别构成目标面片集合和源面片集合；
11、将目标面片集合和源面片集合输入基于pointnet++的深度神经网络中，进行局部特征提取，得到局部特征描述符。
12、进一步的，所述几何结构信息，包括二元距离向量和三元角向量：
13、二元距离向量用公式表示为：
14、
15、其中，表示点xi和xj之间的二元距离向量，2k和2k+1表示二元距离向量的索引，d1表示二元距离向量的维度，di,j为点xi与xj的欧氏距离，σd表示可调节的距离参数，k表示0到d1/2-1的整数；
16、三元角向量用公式表示为：
17、
18、其中，表示点xi、xj、xk之间的三元角向量，2n和2n+1表示三元角向量的索引，d2表示三元角向量的维度，表示向量xkxi与向量xjxi的夹角，σa表示可调节的角度参数，n表示0到d2/2-1之间的整数；
19、将提取到的二元距离向量和三元角向量叠加，得到几何结构信息，用公式表示为：
20、
21、其中，ri,j为点xi与点xj的几何结构信息，x为xi的k最近邻集合中的一点，maxx(·)是最大池函数；wd,wa∈rd×d是可学习的参数，分别为二元距离向量和三元角向量的投影矩阵。
22、进一步的，所述实现局部特征描述符的几何结构信息嵌入，是指将几何结构信息和局部特征描述符输入基于几何注意力机制的transformer网络的自注意力模块中，通过计算自注意力分数，将几何结构信息嵌入局部特征描述符，用公式表示为：
23、
24、
25、其中，ei,j表示自注意力分数，zi表示将几何结构信息嵌入局部特征描述符后得到的特征集合zs∈rn×d中的特征向量，zs包括第一源特征集合和第一目标特征集合fi表示输入的局部特征描述符，i，j表示点的索引，ri,j为点xi与点xj的几何结构信息，d3表示局部特征描述符的维度，ai,j由自注意力分数经过softmax函数计算得出，wq,wk,wv,wr∈rd×d分别为查询矩阵q、键矩阵k、值矩阵v和几何结构信息对应的投影矩阵。
26、进一步的，将自注意力模块输出的第一源特征集合第一目标特本文档来自技高网...
【技术保护点】
1.一种基于几何注意力机制的点云配准方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于几何注意力机制的点云配准方法，其特征在于，所述预训练的局部特征提取网络，为基于面片的局部特征提取网络，提取到的局部特征描述符为稀疏点云数据，具体过程包括：
3.根据权利要求1所述的基于几何注意力机制的点云配准方法，其特征在于，所述几何结构信息，包括二元距离向量和三元角向量：
4.根据权利要求3所述的基于几何注意力机制的点云配准方法，其特征在于，所述实现局部特征描述符的几何结构信息嵌入，是指将几何结构信息和局部特征描述符输入基于几何注意力机制的Transformer网络的自注意力模块中，通过计算自注意力分数，将几何结构信息嵌入局部特征描述符，用公式表示为：
5.根据权利要求4所述的基于几何注意力机制的点云配准方法，其特征在于，将自注意力模块输出的第一源特征集合第一目标特征集合输入基于几何注意力机制的Transformer网络的交叉注意力模块中，基于交叉注意力机制，实现跨点云特征的注意力转移，并多次迭代得到目标特征描述符和源特征描述符，包括
6.根据权利要求5所述的基于几何注意力机制的点云配准方法，其特征在于，基于几何注意力机制的Transformer网络用于实际推理前，需要进行预训练，预训练采用对比损失函数，用公式表示为：
7.根据权利要求1所述的基于几何注意力机制的点云配准方法，其特征在于，所述对剔除误匹配点后的匹配点对集合求解最优欧式变换，包括：
8.一种基于几何注意力机制的点云配准装置，其特征在于，包括数据采集单元、局部特征提取单元、特征描述符提取单元、点云配准单元；
9.一种基于几何注意力机制的点云配准设备，包括存储器和处理器，所述存储器用于存储计算机程序，其特征在于，所述处理器用于当执行所述计算机程序时，实现权利要求1-7任一项所述的基于几何注意力机制的点云配准方法。
10.一种计算机可读的存储介质，所述存储介质上存储有计算机程序，其特征在于，所述计算机程序使用计算机时，实现权利要求1-7任一项所述的基于几何注意力机制的点云配准方法。
...【技术特征摘要】
1.一种基于几何注意力机制的点云配准方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于几何注意力机制的点云配准方法，其特征在于，所述预训练的局部特征提取网络，为基于面片的局部特征提取网络，提取到的局部特征描述符为稀疏点云数据，具体过程包括：
3.根据权利要求1所述的基于几何注意力机制的点云配准方法，其特征在于，所述几何结构信息，包括二元距离向量和三元角向量：
4.根据权利要求3所述的基于几何注意力机制的点云配准方法，其特征在于，所述实现局部特征描述符的几何结构信息嵌入，是指将几何结构信息和局部特征描述符输入基于几何注意力机制的transformer网络的自注意力模块中，通过计算自注意力分数，将几何结构信息嵌入局部特征描述符，用公式表示为：
5.根据权利要求4所述的基于几何注意力机制的点云配准方法，其特征在于，将自注意力模块输出的第一源特征集合第一目标特征集合输入基于几何注意力机制的transformer网络的交叉注意力模块中，基于交叉注意力机制，实现跨点云特征的注意力...
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。