【技术实现步骤摘要】
本专利技术涉及计算机视觉和机器人定位领域，尤其涉及的是一种点云配准方法、装置、终端及计算机可读存储介质。
技术介绍
1、3d点云配准技术旨在将不同位置、不同视角、不同传感器获取的同一物体或者环境的两个点云数据进行坐标变换，以使它们对齐。这一技术在机器人、自动驾驶、3d重建等多个领域都具有广泛的应用。
2、目前，传统的3d点云配准方法分为基于几何结构的方法和基于深度学习的方法。其中，迭代最近点方法(icp)是最为广泛采用的基于几何结构的方法。迭代最近点方法(icp)通过寻找两个点云中最近的点，将它们建立为对应关系，然后应用奇异值变换等几何变换方法，逐步使两个点云相互靠近，从而减小它们之间的距离。然而，迭代最近点方法(icp)容易陷入局部最优值，无法保证点云配准的准确性。而大部分基于深度学习的配准方法对两个点云中非重叠点并未进一步处理，非重叠区域的负面影响会导致模型无法学习到有效的特征，同时现有的基于深度学习的配准方法也无法有效去除具有错误对应关系的点云，故无法保证点云配准的准确性。
3、因此，现有技术存在缺陷，有待改进与发展。
技术实现思路
1、本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种点云配准方法、装置、终端及计算机可读存储介质，旨在解决现有技术中无法保证点云配准的准确性的问题。
2、本专利技术解决技术问题所采用的技术方案如下：
3、第一方面，本专利技术实施例提供一种点云配准方法，所述方法包括：
4、
5、将所述源点云和所述目标点云输入已训练的点云配准模型，依次经过已训练的点云配准模型中的初始化模块、基于transformer的重叠分数模块、基于自注意力机制的不匹配点移除模块和奇异值分解模块的处理，得到所述源点云和所述目标点云之间的最终刚性变换矩阵；
6、利用所述最终刚性变换矩阵对所述源点云进行转换，得到最终源点云，以完成所述源点云和所述目标点云之间的最终配准；
7、其中，所述初始化模块用于生成中间源点云，以完成所述源点云和所述目标点云的初次配准；基于transformer的所述重叠分数模块用于计算所述中间源点云和所述目标点云中每个点的重叠分数，基于所述重叠分数去除所述中间源点云和所述目标点云之间非重叠区域的点；基于自注意力机制的所述不匹配点移除模块用于确定并移除所述重叠分数模块输出的点云中的不匹配点；所述奇异值分解模块用于对所述不匹配点移除模块输出的点云进行计算，以生成所述源点云和所述目标点云之间的最终刚性变换矩阵。
8、在一种实施方式中，所述初始化模块的具体处理步骤包括：
9、分别对所述源点云和所述目标点云进行特征提取，得到源点云全局特征和目标点云全局特征；
10、对所述源点云全局特征和所述目标点云全局特征进行处理，得到第一旋转矩阵和第一平移向量；
11、利用所述第一旋转矩阵和所述第一平移向量对所述源点云进行变换，生成中间源点云，以完成所述源点云和所述目标点云的初次配准。
12、在一种实施方式中，所述基于transformer的所述重叠分数模块的具体处理步骤包括：
13、按照预设特征维度对所述中间源点云和所述目标点云进行特征提取，分别得到中间源点云高维特征和目标点云高维特征；
14、将所述中间源点云高维特征和所述目标点云高维特征输入所述重叠分数模块的transformer网络中，基于自注意力机制得到所述中间源点云和所述目标点云之间的第一交互特征和第二交互特征；
15、利用最大池化函数分别对所述中间源点云高维特征进行最大池化计算，得到中间源点云全局特征；
16、对所述中间源点云高维特征、所述中间源点云全局特征、所述目标点云全局特征和所述第一交互特征进行处理，得到所述中间源点云中每个点的重叠分数，以及对所述目标点云高维特征、所述目标点云全局特征、所述第二交互特征进行处理，得到所述目标点云中每个点的重叠分数；
17、将所述中间源点云和所述目标点云中每个点对应的重叠分数与预设分数阈值进行比较，将低于预设分数阈值的点作为所述中间源点云和所述目标点云之间非重叠区域的点并进行去除，得到第二源点云。
18、在一种实施方式中，所述不匹配点移除模块包括动态图卷积神经网络模块；所述基于自注意力机制的所述不匹配点移除模块的具体处理步骤包括：
19、利用所述动态图卷积神经网络模块对所述第二源点云和所述目标点云进行处理，得到第二源点云局部特征和目标点云局部特征；
20、对所述第二源点云局部特征和所述目标点云局部特征进行处理，得到所述第二源点云和所述目标点云的相似度矩阵，所述相似度矩阵中的每个元素表示所述第二源点云和所述目标点云中每对点之间的匹配关系；
21、将所述相似度矩阵中每个元素与预设阈值进行比较，将低于所述预设阈值的元素所对应的点作为不匹配点；
22、移除所述不匹配点，以得到第三源点云，所述第三源点云中的任一点在所述目标点云中有且仅有一个匹配点。
23、在一种实施方式中，所述奇异值分解模块的具体处理步骤包括：
24、从所述第三源点云和所述目标点云中按照预设点数量进行筛选，得到待处理点云；
25、将所述待处理点云中每个点的重叠分数作为每个点的权重，利用所述待处理点云和所述待处理点云中每个点的权重构建待处理矩阵；
26、将所述待处理矩阵进行奇异值分解，得到第二旋转矩阵和第二平移向量；
27、基于所述第一旋转矩阵和所述第二旋转矩阵，得到最终旋转矩阵，基于所述第二旋转矩阵、所述第一平移向量和所述第二平移向量，得到最终平移向量，所述最终刚性变换矩阵包括所述最终旋转矩阵和所述最终平移向量。
28、在一种实施方式中，所述点云配准模型的训练步骤包括：
29、构建训练数据集，所述训练数据集中包含训练源点云和训练目标点云；
30、构建初始点云配准模型，所述初始点云配置模型包括初始化训练模块、精配准训练模块、奇异值变换训练模块；所述初始化训练模块用于生成中间训练源点云，以完成所述训练源点云和所述训练目标点云的粗配准；所述精配准训练模块包括一个基于transformer的重叠分数训练模块，和一个基于自注意力机制的不匹配点移除训练模块，所述重叠分数训练模块用于计算所述中间训练源点云和所述训练目标点云中每个点的训练重叠分数，基于所述训练重叠分数去除所述中间训练源点云和所述训练目标点云之间非重叠区域的点；所述不匹配点移除训练模块用于确定并移除所述重叠分数训练模块输出的点云中的不匹配点；所述奇异值变换训练模块用于对所述不匹配点移除训练模块输出的点云进行计算，以生成所述训练源点云和所述训练目标点云之间的最终刚性变换训练矩阵；
31、利用所述训练数据集对所述初始点云配准模型进行多轮次训练，直至损失函数达到预设目标，得到已训练的点云配准模型。
<本文档来自技高网...【技术保护点】
1.一种点云配准方法，其特征在于，所述方法包括：
2.根据权利要求1所述的点云配准方法，其特征在于，所述初始化模块的具体处理步骤包括：
3.根据权利要求2所述的点云配准方法，其特征在于，所述基于transformer的所述重叠分数模块的具体处理步骤包括：
4.根据权利要求3所述的点云配准方法，其特征在于，所述不匹配点移除模块包括动态图卷积神经网络模块；所述基于自注意力机制的所述不匹配点移除模块的具体处理步骤包括：
5.根据权利要求4所述的点云配准方法，其特征在于，所述奇异值分解模块的具体处理步骤包括：
6.根据权利要求1所述的点云配准方法，其特征在于，所述点云配准模型的训练步骤包括：
7.根据权利要求6所述的点云配准方法，其特征在于，所述构建训练数据集，包括：
8.一种点云配准装置，其特征在于，包括：
9.一种终端，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的点云配准程序，所述点云配准程序被所述处理器执行时实现如权利要求1～7任意一项所述的点云配准方法的
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序能够被执行以用于实现如权利要求1～7任意一项所述的点云配准方法的步骤。
...【技术特征摘要】
1.一种点云配准方法，其特征在于，所述方法包括：
2.根据权利要求1所述的点云配准方法，其特征在于，所述初始化模块的具体处理步骤包括：
3.根据权利要求2所述的点云配准方法，其特征在于，所述基于transformer的所述重叠分数模块的具体处理步骤包括：
4.根据权利要求3所述的点云配准方法，其特征在于，所述不匹配点移除模块包括动态图卷积神经网络模块；所述基于自注意力机制的所述不匹配点移除模块的具体处理步骤包括：
5.根据权利要求4所述的点云配准方法，其特征在于，所述奇异值分解模块的具体处理步骤包括：
6.根据权利要求1所述...
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。