【技术实现步骤摘要】
本专利技术涉及计算机视觉，具体涉及一种基于扩散模型的点云配准方法、系统、存储介质以及装置。
技术介绍
1、点云配准是指将两个或多个点云数据集在同一坐标系下对齐的过程。点云是由大量离散的三维点构成的数据集，通常是通过激光扫描、摄影测量或三维扫描等方式获取的目标表面的几何形状和位置信息。点云配准的目标是找到一个变换，将不同位置或角度下获取的点云数据集对齐，以便于进行后续的三维重建、目标识别或环境建模等应用。点云配准在计算机视觉、机器人感知、地图构建等领域具有重要应用价值。
2、在基于特征匹配的方法通常依赖于提取点云中的特征点，并寻找匹配的特征点对来进行配准。然而，当点云中的特征稀疏或者存在遮挡时，特征匹配的准确性会受到影响，导致配准结果不稳定。其次，基于优化的方法通常将点云配准问题转化为一个优化问题，并通过最小化配准误差来求解最优的配准变换参数。然而，这类方法往往需要花费大量的计算资源和时间，并且对初始参数的选择敏感，容易陷入局部最优解。
技术实现思路
1、为解决以上现有技术存在的问题，本专利技术提出了一种基于扩散模型的点云配准方法，该方法包括：点云配准模型训练阶段和点云配准阶段；其中点云配准模型包括点云特征提取模块、特征交互模块、点云生成模块以及变换矩阵预测模块；
2、点云配准模型训练阶段包括：获取训练样本，训练样本包括源点云a和目标点云b；采用点云特征提取模块分别对源点云a和目标点云b进行特征提取，得到特征feat1和feat2；采用特征交互模块对特征fea
3、点云配准阶段包括：将实际待测物体的源点云和目标点云输入至训练好的点云配准模型中，得到变换矩阵r和平移向量p；采用变换矩阵r和平移向量p对源点云进行配准。
4、一种基于扩散模型的点云配准系统，该系统包括：点云获取模块、点云特征提取模块、特征交互模块、点云生成模块以及变换矩阵预测模块；
5、所述点云获取模块用于获取待配准的点云和目标点云；
6、所述点云特征提取模块用于提取待配准的点云信息的特征图和目标点云特征图；
7、所述特征交互模块用于对待配准的点云信息的特征图和目标点云特征图进行进行特征交互融合，得到融合后的两个特征图；
8、所述点云生成模块根据融合后的两个特征图fusion1和fusion2生成对齐的两个点云；
9、所述变换矩阵预测模块根据对齐的点云预测变换矩阵和平移向量，并根据变换矩阵和平移向量对待测点云进行配准。
10、为实现上述目的，本专利技术还提供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执行时实现任一上述基于扩散模型的点云配准方法。
11、为实现上述目的，本专利技术还提供一种基于扩散模型的点云配准装置，包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述一种基于扩散模型的点云配准装置执行任一上述基于扩散模型的点云配准方法。
12、本专利技术的有益效果：
13、本专利技术的基于扩散模型的点云配准方法,将配准问题转换为生成问题；在点云特征提取模块，首先要对需要配准点云姿态差进行归一化处理，然后使用图神经网络提取点的局部特征，对得到的点的局部特征使用token-mixing mlp和channel-mixing mlp来得到点云特征能够在多个层次上保持全局和局部的结构信息，这种结构使得网络能够有效地处理点云数据，同时考虑到点云的空间分布和每个点的特征细节，有利于进行更加精确的点云分析和处理；本专利技术的点云生成模块使用扩散模型，将点云中的点视为热力学系统中与热浴接触的粒子，这些粒子从原始分布扩散到噪声分布，从而提高了生成的点云与原始点云的关系，提高了点云配准的准确度；本申请通过模拟热扩散过程来分析点云的几何结构，将配准问题转化为生成问题，能够在一定程度上抵抗噪声和离群点的影响，因而具有较好的鲁棒性，加快了点云配准的速度，提升了点云配准精度。
本文档来自技高网...【技术保护点】
1.一种基于扩散模型的点云配准方法，其特征在于，包括：点云配准模型训练阶段和点云配准阶段；其中点云配准模型包括点云特征提取模块、特征交互模块、点云生成模块以及变换矩阵预测模块；
2.根据权利要求1所述的一种基于扩散模型的点云配准方法，其特征在于，点云特征提取模块对点云特征进行提取包括：对待配准点云的姿态差进行归一化处理，采用图神经网络提取点云的局部特征；采用Token-mixing MLP网络和和Channel-mixing MLP对局部特征进行处理，得到全局和局部特的结构信息。
3.根据权利要求2所述的一种基于扩散模型的点云配准方法，其特征在于，采用图神经网络提取点云的局部特征包括：图神经网络为T-Net网络，通过T-Net网络提取两个输入点云的全局特征，通过全局特征学习6个自由参数；将6个自由参数转换为4×4的刚性变换矩阵，并对其中一个输入点云进行变换；根据变换后的特征获取点云中第i个点的k-NN点集，提取每个点及其邻居的特征，通过复制、扩展、拼接得到第i个点k-NN领域的特征，对第i个点k-NN领域的特征进行二维卷积和relu激活函数，得到每个点的局
4.根据权利要求1所述的一种基于扩散模型的点云配准方法，其特征在于，采用特征交互模块对特征Feat1和Feat2进行相互融合包括：对特征Feat1和Feat2进行最大池化操作得到全局特征G1和G2；计算Feat1和全局特征G1之间差异、计算Feat2和全局特征G2之间差异；将特征差异沿着每个批次和特征维度重复，并与特征Feat1和Feat2相拼接，得到融合特征Fusion1和Fusion2。
5.根据权利要求1所述的一种基于扩散模型的点云配准方法，其特征在于，得到融合特征Fusion1和Fusion2的公式为：
6.根据权利要求1所述的一种基于扩散模型的点云配准方法，其特征在于，点云生成模块为扩散模型，通过扩散模型将点云从原始分布扩散到噪声分布，即将点云的逆向扩散过程建模为一个基于潜变量的马尔可夫链。
7.根据权利要求1所述的一种基于扩散模型的点云配准方法，其特征在于，采用变换矩阵预测模块计算变换矩阵包括：对原始点云与生成点云中所有的点对应关系进行m次随机抽样，得到集池M＝(x1,x2,...,xm)，其中每个元素包含k个对应；根据得到的集池计算变换矩阵的投影误差，并选择具有最小投影误差TA，同理计算出原始点云B和生成点云Bg的最小投影误差TB；根据最小投影误差TA和TB计算最终变换矩阵。
8.一种基于扩散模型的点云配准系统，该系统用于执行权利要求1所述的一种基于扩散模型的点云配准方法，其特征在于，该系统包括：点云获取模块、点云特征提取模块、特征交互模块、点云生成模块以及变换矩阵预测模块；
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行，以实现权利要求1至7中任一项基于扩散模型的点云配准方法。
10.一种基于扩散模型的点云配准装置，其特征在于，包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述一种基于扩散模型的点云配准装置执行权利要求1至7中任一项基于扩散模型的点云配准方法。
...【技术特征摘要】
1.一种基于扩散模型的点云配准方法，其特征在于，包括：点云配准模型训练阶段和点云配准阶段；其中点云配准模型包括点云特征提取模块、特征交互模块、点云生成模块以及变换矩阵预测模块；
2.根据权利要求1所述的一种基于扩散模型的点云配准方法，其特征在于，点云特征提取模块对点云特征进行提取包括：对待配准点云的姿态差进行归一化处理，采用图神经网络提取点云的局部特征；采用token-mixing mlp网络和和channel-mixing mlp对局部特征进行处理，得到全局和局部特的结构信息。
3.根据权利要求2所述的一种基于扩散模型的点云配准方法，其特征在于，采用图神经网络提取点云的局部特征包括：图神经网络为t-net网络，通过t-net网络提取两个输入点云的全局特征，通过全局特征学习6个自由参数；将6个自由参数转换为4×4的刚性变换矩阵，并对其中一个输入点云进行变换；根据变换后的特征获取点云中第i个点的k-nn点集，提取每个点及其邻居的特征，通过复制、扩展、拼接得到第i个点k-nn领域的特征，对第i个点k-nn领域的特征进行二维卷积和relu激活函数，得到每个点的局部特征。
4.根据权利要求1所述的一种基于扩散模型的点云配准方法，其特征在于，采用特征交互模块对特征feat1和feat2进行相互融合包括：对特征feat1和feat2进行最大池化操作得到全局特征g1和g2；计算feat1和全局特征g1之间差异、计算feat2和全局特征g2之间差异；将特征差异沿着每个批次和特征维度重复，并与特征feat1和feat2相拼接，得到融合特征fusion1和fusi...
【专利技术属性】
技术研发人员：杨富平，靳向新，徐宗懿，马毅炜，
申请(专利权)人：重庆邮电大学，
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。