CN116630381B 基于深度学习与非对应点估计的点云配准方法 （河北工业大学）

基于深度学习与非对应点估计的点云配准本发明为基于深度学习与非对应点估计的对应关系时以局部特征和全局特征间的距离作2构建基于深度学习和非对应点估计的点云配准模型所述特征提取模块包括两条由相同卷积层数构成的特征提取支路，两卷积部分的输出记为点云的局部特征，第m卷积部分的输出经第二最大池化层的输出记为所述特征交互模块包括第一最大池化层和连接操作，将另一条支路上出的同一个点云的点云的局部特征f和点云的全局特征F进行欧式距离d计算，之后经softmax函数处理获得点云的非对应点概率w；将同一个点云的点云的局部特征f按照点云所述刚性变换计算模块用于对非对应点估计模块输出的目标点云和源点云的全局特将每次迭代中获得的刚性变换增量作用到设定的初始刚性变换矩阵T0上来获得源点云和所述基于深度学习和非对应点估计的点云配准模型的损失函数L由预测的刚性变换矩阵和刚性变换真值之间的均方误差以及最后一次迭代的非对应点估计模块输出的点云的全局35.一种基于深度学习和非对应点估计的点云步骤2：对源点云P和目标点云Q随机采样，根据样本的类别标签划分为训练集和测试所述基于深度学习和非对应点估计的点云配准模型包括特征提取模4ff在源点云特征提取支路上，目标点云特征提取支路上的f1a(将经过h2部分后得到的1024*128维的局部特征矩阵输入到第二个特征交互模块中，得其中，和ff(Q)分别表示fF(p)和经过第二个特征交互模n5将经过h3部分后得到的1024*512的局部特征通过h3部分后的最大池化层进行聚合处nnn其中，w(P)和w(Q)是1024*1维列向量，分别表示源点云P和目迭代时得到的源点云P和目标点云Q的全局特征，下6络的配准方法可分为基于对应关系和基于全局特征两[0004]基于全局特征的配准方法通过聚合点云全局信息来避免上述误匹配问题。[0005]针对上述基于全局特征的配准方法中的不足，本发明所够在保证效率的情况下实现高精度的部分点7块输出的同一个点云的点云的局部特征f和点云的全局特征F进行欧式距离d计算，之后经1_softmax函数处理获得点云的非对应点概率w；将同一个点云的点云的局部特征f按照点[0013]所述刚性变换计算模块用于对非对应点估计模块输出的目标点云和源点云的全[0015]所述基于深度学习和非对应点估计的点云配准模型的损失函数L由预测的刚性变换矩阵和刚性变换真值之间的均方误差以及最后一次迭代的非对应点估计模块输出的点8h1h19和f1a(Q)分别表示源点云P和目标点云Q经过h1部分后得到的局部特[0035]将两个点云经过h1部分后得到的1024*64维的局部特征输入到两个特征交互模块得到源点云特征提取支路上的特征交互模块输出的局部特征f1b(P)，f1b(Q)和f1b(P)为⃞(p)=h,(f"(p))(17)[0044]将经过h2部分后得到的1024*128维的局部特征矩阵输入到第二个特征交互模块[0047]其中，和分别表示f(p)和f(Q)经过第二个特征交互模块处理后得[0049]f,(p)=h;((p))(21)[0052]将经过h3部分后得到的1024*512的局部特征通过h3部分后的[0056]所述非对应点估计模块的流程是：将特征提取模块输出的第n次迭代时得到的源[0064](1)本发明构建了一个基于深度学习和非对应点估计的点云配准模型，利用神经[0065](2)本发明构建的基于深度学习和非对应点估计的点云配准模型，在估计对应关[0066]图1为本发明基于深度学习与非对应点估计的点云配准方法中基于深度学习和非[0069]图4为使用本发明方法与现有不同配准方法在无噪声时对数据集进行配准的结果[0070]图5为使用本发明方法与现有不同配准方法在有噪声时对数据集进行配准的结果[0088]本实施例使用ModelNet40数据集，从数据集读取点云数据，每个点云数据包含理后得到刚性变换矩阵的真实值Tgt；对初始位置不同但完全重叠的两片点云进行裁剪操[0090]对步骤1得到的源点云和目标点云包含进行随机采样得到1024个点；ModelNet40h1h1和f1a(Q)分别表示源点云P和目标点云Q经过h1部分后得到的局部特[0098]将两个点云经过h1部分后得到的1024*64维的局部特征输入到如图2所示的两个得到源点云特征提取支路上的特征交互模块输出的局部特征f1b(P)，f1b(Q)和f1b(P)为sym(f"(p)),(1024,1)(16)[0107]将经过h2部分后得到的1024*128维的局部特征矩阵输入到第二个特征交互模块[0108]f#(p)=f(p)B[0110]其中，f(p)和分别表示f(p)和f(Q)经过第二个特征交互模块处理后得f,(Q)=h;(#(Q))(22)[0115]将经过h3部分后得到的1024*512的局部特征通过h3部分后的n[0128]通过最小化非对应点估计模块输出的源点云和目标点云的全局特征的差异计算T得的刚性变换增量作用到设定的初始刚性变换矩阵T0(为初始给定值)上来获得源点云和[0141]所述步骤4中，点云配准模型的损失函数L由预测的刚性变换矩阵T和刚性变换真4表示4*4的单位矩阵。[0145]利用步骤2中划分的训练集训练点云配准模型，整个训练过程使用Adam优化器来[0146]利用训练完成后的点云配准模型，直接用于对步骤2中划分的测试集进行目标点统方法ICP(利用点之间的对应关系计算点云的刚性变换参数)和三种基于深度学习的配准方法与本发明进行比较，三种深度学习算法分别为DCP(利用深度神经网络计算软映射关程)以及PointNetLK(最小化两个点云之间的全局特征来求解刚性变