本发明专利技术属于控制科学与工程领域，涉及一种基于多尺度特征投票的点云配准方法及系统；本方法针对点云特征描述符生成时卷积核感受野范围固定而导致的特征描述受无关几何信息干扰的问题，设计多尺度特征提取网络对输入点云进行逐点稠密多尺度特征提取，并在多个特征尺度空间下进行特征匹配，得到点对匹配关系；设计高维空间投票模块，将匹配点对坐标组织成高维向量表示，利用高维稀疏卷积网络对匹配点对进行置信度投票，根据置信度进行匹配关系选择，提升了匹配点对集合中正确匹配点对的占比，进而得到更为精确、稳定的点云配准结果；本发明专利技术能够完成且不限于低重合度场景下的点云配准任务。配准任务。配准任务。
【技术实现步骤摘要】
一种基于多尺度特征投票的点云配准方法及系统
[0001]本专利技术属于控制科学与工程领域，涉及一种基于多尺度特征投票的点云配准方法及系统，尤其涉及一种面向单光子雷达测量系统的基于多尺度特征投票的点云配准方法及系统。
技术介绍
[0002]单光子成像是一种采用脉冲激光光源，利用波分复用等非线性光学技术实现超高精度与强抗噪成像的新型技术。该技术在远距离、恶劣噪声干扰下相较于传统激光雷达具有显著优势，并在微弱信号探测、远距离成像、精密测量等领域具有巨大应用潜力。
[0003]在三维成像中，为了获取真实世界物体或场景的完整三维模型，通常使用激光雷达设备如单光子雷达系统对目标物体或场景的点云进行采集。单光子雷达系统在不同角度扫描目标物体或场景得到点云数据，进而通过点云配准技术，将采集得到的位于不同坐标系下的点云进行旋转平移变换至统一的全局坐标系下，生成完整的三维模型。
[0004]点云配准技术按照阶段可以分为粗配准与精配准两个阶段。目前，粗配准主要采用特征匹配式方法，核心步骤为：首先对两输入点云进行随机采样作为待匹配点，接着在待匹配点的欧式邻域内利用不同的特征生成方式产生相应的特征描述符进行局部几何描述，接着在特征空间上进行最近邻匹配以形成点对匹配关系，最后利用鲁棒误匹配对剔除方法如RANSAC进行位姿求取，解得配准所需的旋转、平移刚体变换。粗配准阶段求得的旋转平移钢体变换通常并不是最优刚体变换，因此在粗配准后往往会利用ICP算法进行精配准，对粗配准获得的结果进行进一步地优化微调，逐渐减小配准误差以获取最优刚体变换。
[0005]由上述可知，在特征匹配式的点云粗配准算法流程框架下，旋转平移矩阵的求取很大程度上取决于构造的点对匹配关系的准确程度，而点对匹配关系由两输入点云生成的点云特征描述符在特征空间上建立，因此如何生成具有充分局部几何描述能力的特征描述符是特征匹配式点云配准算法的关键步骤。
[0006]然而，目前常用的基于点云卷积式的特征描述符生成方式在对低重合度场景下的输入点云进行特征提取时，常常由于点云卷积核感受野大小范围固定而产生误匹配对，从而影响最终配准结果。即，当采样点选择在输入点云重叠区域时，采样点周围非重叠区域部分的信息将会作为噪声被局部感知，为采样点处特征的生成带来不必要的几何信息，进而在后续的特征匹配阶段产生错误的匹配点对，在最终的位姿求取阶段产生较大误差。
[0007]因此在点云配准问题中，如何针对不同采样点位置控制点云卷积感受野大小以得到准确的点云特征描述符的关键问题仍然没有得到比较好的解决。
技术实现思路
[0008]为解决单光子雷达测试系统场景下扫描得到的低重合度点云配准精度低、成像效果差等问题，本专利技术通过研究点云多尺度特征，设计了一种基于点云多尺度特征的高维投票机制，以动态选择合适的点云特征进行匹配。本专利技术的基于多尺度特征投票的点云配准
方法，面向单光子雷达探测系统场景，通过设计多尺度特征提取骨干网络对输入点云以不同的卷积核大小提取稠密多尺度特征，进行多尺度特征匹配，得到多尺度匹配点对关系，解决了配准低重叠度点云时点云特征感受野固定而导致的特征受到几何噪声干扰的问题，提升了不限于低重合度场景下点云匹配的特征匹配精确度以及配准召回率。
[0009]为实现上述目的，本专利技术提供了一种基于多尺度特征投票的点云配准方法，包括如下步骤：S1：对待配准的源点云与目标点云执行点云全卷积特征编码，分别提取源点云和目标点云的特征聚合点及其对应的特征向量；S2：利用注意力机制对源点云与目标点云的特征向量进行自、交叉注意力信息交互；S3：基于源点云与目标点云的经过注意力机制的特征向量以及点云全卷积特征编码阶段保存的临时特征，以并行方式提取生成对源点云和目标点云具有不同感受野尺度的点云逐点特征；S4：利用生成的点云逐点特征，在不同感受野尺度下进行特征匹配，得到不同感受野尺度下的点对匹配关系，组成初始点对匹配集合；S5：将初始点对匹配集合进行高维向量表示，并利用高维稀疏卷积网络进行初始点对匹配集合中的点对匹配关系的置信度预测，并根据预测到的置信度大小得到最终点对匹配集合；S6：基于得到的最终点对匹配集合中点对匹配对的点对匹配关系，求解得到旋转与平移的刚体变换；S7:将得到的刚体变换作用于源点云，使源点云和目标点云变换至统一的全局坐标系下，完成源点云与目标点云的配准，从而重建得到完整的三维模型。
[0010]进一步，步骤S1具体过程为：针对源点云和目标点云具有的空间稀疏特性，对待配准的源点云与目标点云利用点云全卷积网络进行连续下采样特征编码，并将每个下采样层得到的临时特征输出进行保存；经过全部下采样层后，得到源点云和目标点云的具有高维表征能力的特征聚合点及其对应的特征向量。
[0011]进一步，步骤S2中，采用Transformer模型对源点云与目标点云的特征向量进行显式的信息交互，使源点云与目标点云实现相互整体感知。
[0012]进一步，步骤S3具体过程为：设计具有三个并行输出通道的多尺度特征提取网络，分别以源点云的经过注意力机制的特征向量、目标点云的经过注意力机制的特征向量以及点云全卷积特征编码阶段保存的临时特征作为通道输入，分别对应高、中、低纬度的特征生成通道，以并行方式对源点云和目标点云进行逐点稠密多尺度特征提取，生成对源点云和目标点云具有不同感受野尺度的点云逐点特征。
[0013]进一步，步骤S4具体过程为：基于所设计的多尺度特征提取网络，利用生成的对源点云和目标点云具有不同感受野尺度的点云逐点特征的描述子，在不同感受野尺度下进行特征最近邻搜索，得到在不同感受野尺度下的点对匹配关系。
[0014]进一步，步骤S5具体过程为：将初始点对匹配集合中点对的三维坐标进行拼接，组织成高维的向量表示形式；然后使用高维稀疏卷积神经网络对初始点对匹配集合中的点对匹配对进行置信度分数预测，并将预测得到的置信度分数从高至低进行排序，选择高于设
定阈值的点对匹配对组成求取位姿变换时的最终点对匹配集合。
[0015]进一步，步骤S6中利用奇异值分解SVD求解得到旋转与平移的刚体变换。
[0016]本专利技术还提供了一种基于多尺度特征投票的点云配准系统，包括：点云特征编码模块，用于对待配准的源点云与目标点云执行点云全卷积特征编码，分别提取源点云和目标点云的特征聚合点及其对应的特征向量；注意力机制模块，用于对源点云与目标点云的特征向量进行自、交叉注意力信息交互；多尺度特征提取网络模块，用于基于源点云与目标点云的经过注意力机制的特征向量以及点云全卷积特征编码阶段保存的临时特征，以并行方式提取生成对源点云和目标点云具有不同感受野尺度的点云逐点特征；特征匹配模块，用于利用生成的点云逐点特征，在不同感受野尺度下进行特征匹配，得到不同感受野尺度下的点对匹配关系，组成初始点对匹配集合；高维空间投票模块，用于将初始点对匹配集合进行高维向量表示，并利用高维稀疏卷积网络进行初始点对匹配集合中的点对匹配关系的置信度预测，并根据预测到的置信度大小得到最终点对匹配集合；位姿变本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于多尺度特征投票的点云配准方法，其特征在于，包括如下步骤：步骤S1：对待配准的源点云与目标点云执行点云全卷积特征编码，分别提取源点云和目标点云的特征聚合点及其对应的特征向量；步骤S2：利用注意力机制对源点云与目标点云的特征向量进行自、交叉注意力信息交互；步骤S3：基于源点云与目标点云的经过注意力机制的特征向量以及点云全卷积特征编码阶段保存的临时特征，以并行方式提取生成对源点云和目标点云具有不同感受野尺度的点云逐点特征；步骤S4：利用生成的点云逐点特征，在不同感受野尺度下进行特征匹配，得到不同感受野尺度下的点对匹配关系，组成初始点对匹配集合；步骤S5：将初始点对匹配集合进行高维向量表示，并利用高维稀疏卷积网络进行初始点对匹配集合中的点对匹配关系的置信度预测，并根据预测到的置信度大小得到最终点对匹配集合；步骤S6：基于得到的最终点对匹配集合中点对匹配对的点对匹配关系，求解得到旋转与平移的刚体变换；步骤S7: 将得到的刚体变换作用于源点云，使源点云和目标点云变换至统一的全局坐标系下，完成源点云与目标点云的配准，从而重建得到完整的三维模型。2.根据权利要求1所述的一种基于多尺度特征投票的点云配准方法，其特征在于，步骤S1具体过程为：针对源点云和目标点云具有的空间稀疏特性，对待配准的源点云与目标点云利用点云全卷积网络进行连续下采样特征编码，并将每个下采样层得到的临时特征输出进行保存；经过全部下采样层后，得到源点云和目标点云的具有高维表征能力的特征聚合点及其对应的特征向量。3.根据权利要求1所述的一种基于多尺度特征投票的点云配准方法，其特征在于，步骤S2中，采用Transformer模型对源点云与目标点云的特征向量进行显式的信息交互，使源点云与目标点云实现相互整体感知。4.根据权利要求1所述的一种基于多尺度特征投票的点云配准方法，其特征在于，步骤S3具体过程为：设计具有三个并行输出通道的多尺度特征提取网络，分别以源点云的经过注意力机制的特征向量、目标点云的经过注意力机制的特征向量以及点云全卷积特征编码阶段保存的临时特征作为通道输入，分别对应高、中、低纬度的特征生成通道，以并行方式对源点云和目标点云进行逐点稠密多尺度特征提取，生成对源点云和目标点云具有不同感受野尺度的点云逐点特征。5.根据权利要求4所述的一种基于多尺度特征投票的点云配准方法，其特征在于，步骤S4具体过程为：基于所设计的多尺度特征提取网络，利用生成的对源...
【专利技术属性】
技术研发人员：高庆，关海宁，吕金虎，张鹏，
申请(专利权)人：北京航空航天大学，
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。