一种基于重叠区域掩模预测的3D点云配准方法技术

本发明专利技术公开了一种基于重叠区域掩模预测的3D点云配准方法，使用迭代的卷积神经网络以从粗到精的方式学习点云刚体变换。3D刚体变换被表征为四元数和沿XYZ三个轴方向上的平移距离，四元数可以避免万向锁的情况出现。此外，我们在网络中学习带有注意力机制的掩模。该掩模不仅突出源点云和目标点云互相重叠的部分，而且还可以滤除其中非重叠区域以及噪声的干扰。在每一次迭代过程后，当次迭代预测的掩模会用于下一次迭代的点云特征提取过程中，以保证点云重叠区域的预测与3D刚体变换的回归是相互促进的过程。

【技术实现步骤摘要】
一种基于重叠区域掩模预测的3D点云配准方法
本专利技术涉及计算图形学、计算机视觉领域，具体涉及一种基于重叠区域掩模预测的3D点云配准方法。
技术介绍
3D点云配准是匹配和叠加在不同时间、不同视角以及不同传感器下获取的两个或多个点云的过程，此技术被广泛应用于三维场景重建(3DSceneReconstruction)、同步定位和地图绘制(SimultaneousLocalizationAndMapping)、增强现实(AugmentedReality)和自动驾驶(Autopilot)等应用和领域。在现有的各种点云配准方法中，基于最近邻迭代(IterativeClosestPoint)的算法由于其简单性和效率而得到了广泛的应用。该方法通过迭代的方式重复计算欧式空间中坐标的最近邻点来确定匹配点对，再利用奇异值分解(SingularValueDecomposition)的方式求解刚体变换矩阵，其求解精度高度依赖于源点云和目标点云初始位置的差异大小、噪声大小以及重叠程度。当在处理初始位置差异大、噪声干扰强以及重叠程度小的场景时，上述方法确定的匹配点对通常会出错，导致无法正常对此类场景进行配准。后续有研究人员提出了基于DNN的方法来学习鲁棒的深度特征，这些特征可以成功处理较大的初始位置差异和较强的噪声场景。但当源点云和目标点云重叠区域较小时，很容易导致对应点的误匹配。为了让算法针对部分重叠的点云拥有更强的配准能力，基于外点滤除的方法被提出，但由于其仍需要匹配对应点对，只能利用点云中稀疏的部分点的信息，导致其配准精度难以提高。
技术实现思路
针对现有技术中的上述不足，本专利技术提供了一种基于重叠区域掩模预测的3D点云配准方法。为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于重叠区域掩模预测的3D点云配准方法，包括如下步骤：包括如下步骤：S1、对源点云和目标点云进行特征提取，得到其中每个点的特征；S2、对步骤S1中得到的每个点的特征进行多层卷积运算，获取源点云和目标点云的相同纬度的全局特征，并计算源点云和目标点云相互重叠区域；S3、将步骤S1得到的每个点的特征以及步骤S2得到的全局特征进行组合，进行3D刚体变换参数计算并进行迭代。上述方案的有益效果是，可以利用到点云中全部点的信息，同时，可以利用点云重叠区域的分类结果来避免非重叠部分点的特征对点云全局特征的影响，进而促进刚体变换参数的回归更加精准。进一步的，所述步骤S1具体包括：S11、对源点云和目标点云中每个点进行特征提取；S12、利用迭代预测的掩模对步骤S11得到的特征进行加权；S13、将经过步骤S12加权之后点的特征进行最大池化操作，得到源点云和目标点云各自的全局特征；S13、将步骤S13得到的全局特征复制多份，分别与源点云和目标点云中各自点的中间层特征组合，得到源点云和目标点云的每个点的特征。上述方案的有益效果是，可以进行源点云和目标点云之间的信息交互，赋予后续的点云重叠区域分类网络辨别点是否位于重叠区域的能力，有利于后续点云重叠区域的精准分类。进一步的，所述步骤S2具体包括：所述步骤S2具体包括：S21、将步骤S1得到的每个点的特征经过多层卷积计算，得到降维之后的点云特征，并提取每次降维之后的中间层特征；S22、将降维之后的点云特征经过Softmax函数计算得到每个点属于重叠区域的概率，再通过argmax函数计算得到分类结果；S23、根据步骤S22的分类结果得到源点云和目标点云的重叠区域。进一步的，所述步骤S22中通过argmax函数计算得到分类结果的计算方式为：其中，y表示点云中第k个点的分类结果，z表示网络预测的置信度值，C表示有属于重叠区域和不属于重叠区域两个类别，N表示点云中坐标点的个数。上述方案的有益效果是，可以综合利用源点云和目标点云的整体特征和每个点特征，进而有利于对点云中的每个点是否属于重叠区域作出精准判断，最终避免非重叠部分点的特征对配准过程造成干扰。进一步的，所述步骤S3具体包括：所述步骤S3具体包括：S31、将步骤S1得到的源点云和目标点云中每个点的特征及步骤S21得到的中间层特征合并；S32、将步骤S31得到的合并之后的特征进行最大池化计算得到源点云和目标点云的整体特征；S33、将步骤S32得到的整体特征进行多层感知回归计算得到四元数和平移距离，并对四元数进行归一化处理，得到一次迭代之后的3D刚体变换；S34、将步骤S33得到3D刚体变换应用到源点云上并对变换后的源点云重复步骤S31-S33，得到配准之后的3D目标点云。进一步的，所述步骤S33中计算多层感知回归计算得到四元数和平移距离的方式为：{q，t}＝rθ(cat[fx，fY])其中，q表示四元数和t表示平移距离，rθ()表示多层感知回归网络，cat[]表示级联操作，fX和fY表示源点云和目标点云的全局特征。上述方案的有益效果是，融合点云特征提取时的中间层特征和全局特征有利于丰富用于配准的特征信息，迭代式的配准过程减小了整体配准网络的特征学习难度，同时有助于不同迭代中的网络关注不同分布的刚体变换信息，最终促进配准精度的提高。进一步的，所述步骤S2中计算源点云和目标点云相互重叠区域的损失函数表示为：其中，g和p分别表示点云重叠区域的标签以及网络预测的点云重叠区域概率，i表示第i次迭代过程，α表示源点云和目标点云互相重叠区域的比例，M表示重叠区域掩模。上述方案的有益效果是，使用比例系数加权的分类损失有助于平衡过程中的正负样本贡献，进而提高分类准确度。进一步的，所述步骤S33中刚体变换的回归损失表示为：其中，g表示真实标签，λ表示平衡两个损失项的系数。上述方案的有益效果是，直接对四元数进行约束可以避免出现万向锁情况的出现，同时加入比例系数来平衡两项损失，有助于网络对四元数和平移距离进行均匀地优化。附图说明图1为本专利技术基于重叠区域掩模预测的3D点云配准方法流程示意图。具体实施方式下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。一种基于重叠区域掩模预测的3D点云配准方法，包括如下步骤：S1、对源点云和目标点云进行特征提取，得到其中每个点的特征；具体而言S11、对源点云和目标点云中每个点进行特征提取，在实施例里，将点云对输入特征提取网络(FeatureExtractor)中，先对点云的每个点进行特征提取。S12、利用迭代预测的掩模对步骤S11得到的特征进行加权；S13、将经过步骤S1本文档来自技高网...

【技术保护点】
1.一种基于重叠区域掩模预测的3D点云配准方法，其特征在于，包括如下步骤：/nS1、对源点云和目标点云进行特征提取，得到其中每个点的特征；/nS2、对步骤S1中得到的每个点的特征进行多层卷积运算，获取源点云和目标点云的相同纬度的全局特征，并计算源点云和目标点云相互重叠区域；/nS3、将步骤S1得到的每个点的特征以及步骤S2得到的全局特征进行组合，进行3D刚体变换参数计算并进行迭代。/n

【技术特征摘要】
1.一种基于重叠区域掩模预测的3D点云配准方法，其特征在于，包括如下步骤：
S1、对源点云和目标点云进行特征提取，得到其中每个点的特征；
S2、对步骤S1中得到的每个点的特征进行多层卷积运算，获取源点云和目标点云的相同纬度的全局特征，并计算源点云和目标点云相互重叠区域；
S3、将步骤S1得到的每个点的特征以及步骤S2得到的全局特征进行组合，进行3D刚体变换参数计算并进行迭代。


2.根据权利要求1所述的基于重叠区域掩模预测的3D点云配准方法，其特征在于，所述步骤S1具体包括：
S11、对源点云和目标点云中每个点进行特征提取；
S12、利用迭代预测的掩模对步骤S11得到的特征进行加权；
S13、将经过步骤S12加权之后点的特征进行最大池化操作，得到源点云和目标点云各自的全局特征；
S13、将步骤S13得到的全局特征复制多份，分别与源点云和目标点云中各自点的中间层特征组合，得到源点云和目标点云的每个点的特征。


3.根据权利要求2所述的基于重叠区域掩模预测的3D点云配准方法，其特征在于，所述步骤S2具体包括：
S21、将步骤S1得到的每个点的特征经过多层卷积计算，得到降维之后的点云特征，并提取每次降维之后的中间层特征；
S22、将降维之后的点云特征经过Softmax函数计算得到每个点属于重叠区域的概率，再通过argmax函数计算得到分类结果；
S23、根据步骤S22的分类结果得到源点云和目标点云的重叠区域。


4.根据权利要求3所述的基于重叠区域掩模预测的3D点云配准方法，其特征在于，所述步骤S22中通过argmax函数计算得到分类结果的计算方式为：



其中，y表示点云中第k个点的分类结果，z表示网络预测的置信度值，...

【专利技术属性】
技术研发人员：刘帅成，徐浩，刘光辉，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51