当前位置: 首页 > 专利查询>中山大学专利>正文

一种基于旋转等变网络的点云配准方法及系统技术方案

技术编号:37183645 阅读:25 留言:0更新日期:2023-04-20 22:48
本发明专利技术公开了一种基于旋转等变网络的点云配准方法及系统,方法包括:获取待配准点云;利用基于点的旋转等变且平移不变的第一网络对每个待配准点云进行处理,获取逐个点云的参考方向和关键点得分;根据关键点得分进行关键点提取,并根据参考方向和基于补丁的第二网络为每个关键点提取旋转不变和SO(2)等变的特征;基于预设的匹配策略,根据特征生成具有高内点率的点对应;根据点对应,通过对应分组算法求解相对位姿,完成点云配准。本发明专利技术实施例构建了高效通用的特征学习框架,能够利用旋转不变和SO(2)等变的特征产生具有高内点率的点对应,可广泛应用于计算机技术领域。可广泛应用于计算机技术领域。可广泛应用于计算机技术领域。

【技术实现步骤摘要】
一种基于旋转等变网络的点云配准方法及系统


[0001]本专利技术涉及计算机
,尤其是一种基于旋转等变网络的点云配准方法及系统。

技术介绍

[0002]名词解释:
[0003]点云:一组无序的3D点集,是三维物体表面的一种离散表征,反映了物体的真实几何形状。
[0004]点云配准:对于两个存在重叠区域的点云,点云配准的目的是估计出一个最优的变换矩阵,从而使两个点云能够对齐。
[0005]基于点的网络:一种特征学习网络,输出每个点的特征。
[0006]补丁:一个局部表面。
[0007]基于补丁的网络:一种特征学习网络,输出每个补丁的特征。
[0008]内点率:一系列的点对应中,其中正确的点对应所占的比率。
[0009]旋转等变:特指该变量会随着点云旋转而产生相应的变化,且该变化可用来反推旋转量。
[0010]平移不变:特指该变量不随着点云平移而发生变化。
[0011]SO(2):SO(3)旋转群的子群,它仅包含在XoY平面上的旋转。
[0012]点云配准在三维重建,机器人导航中起着至关重要的作用。给定两个或多个部分重叠的3D扫描,点云配准的目的是将这些连续的点云对齐到一个公共坐标系中。一个理想的配准框架不仅要求能准确、高效地对齐几何形状,而且可以泛化到未知场景中。然而,由于数据质量有限(例如存在噪声、不均匀的密度、不同的视角以及不同的数据分布),在效率、准确性和泛化性之间实现令人满意的平衡十分具有挑战性。
[0013]现有的配准技术主要分为基于对应的配准方法和无对应的配准方法。通过建立一系列可靠的点对应,基于对应的方法通常比无对应的方法具有更好的配准性能,特别是对于大规模的场景点云配准。然而,这些基于对应的配准方法仍然无法满足实际应用,因为它们要么不够准确、高效,要么缺乏良好的泛化性。
[0014]在点云配准领域中,主要存在以下问题:
[0015]1、没有一个统一、高效、通用的特征学习框架。为了保证效率,现有方法通常采用基于点的网络来提取特征,然而这种特征难以泛化。为了提高泛化性,现有方法转而采用基于补丁的网络来提取特征,但这种方法效率低下。因此,目前的配准方法要么效率低下,要么缺乏泛化性。
[0016]2、没有一个有效、通用的匹配机制。大多数基于对应的配准框架直接通过最近邻的特征匹配来建立点对应,然而这种方法通常会导致较低的内点率。当内点率很低时,点云的配准质量则令人堪忧。

技术实现思路

[0017]有鉴于此,本专利技术实施例提供一种高效的基于旋转等变网络的点云配准方法及系统,能够产生具有高内点率的点对应。
[0018]本专利技术实施例的一方面提供了一种基于旋转等变网络的点云配准方法,包括:
[0019]获取待配准点云;
[0020]利用基于点的旋转等变且平移不变的第一网络对每个所述待配准点云进行处理,获取逐个点云的参考方向和关键点得分;
[0021]根据所述关键点得分进行关键点提取,并根据所述参考方向和基于补丁的第二网络为每个关键点提取旋转不变和SO(2)等变的特征;
[0022]基于预设的匹配策略,根据所述特征生成具有高内点率的点对应;
[0023]根据所述点对应,通过对应分组算法求解相对位姿,完成点云配准。
[0024]可选地,所述利用基于点的旋转等变且平移不变的第一网络对每个所述待配准点云进行处理,获取逐个点云的参考方向和关键点得分,包括:
[0025]从所述待配准点云中提取旋转等变且平移不变的特征矩阵;
[0026]以等变卷积为基本操作子构建一个基于点的旋转等变网络来执行等变卷积操作,学习深层次的旋转等变特征;
[0027]根据所述特征矩阵以及所述旋转等变特征,估计每个点的参考方向和关键点得分。
[0028]可选地,所述根据所述关键点得分进行关键点提取,并根据所述参考方向和基于补丁的第二网络为每个关键点提取旋转不变和SO(2)等变的特征,包括:
[0029]对每个点的关键点得分进行排序,将前K个得分最高的点确定为关键点;
[0030]查找以关键点为中心的局部补丁,旋转每个局部补丁使该局部补丁与自身的参考方向对齐,利用基于补丁的网络为每个关键点产生一个旋转不变和SO(2)等变的特征。
[0031]可选地,所述基于预设的匹配策略,根据所述特征生成具有高内点率的点对应,包括:
[0032]利用旋转不变的特征进行匹配,产生初始点对应;
[0033]利用SO(2)等变的特征,通过构建匹配代价和代价聚合,为每组点对应估计一个刚体变换;
[0034]根据所述刚体变换,基于几何约束确定具有高内点率的点对应。
[0035]可选地,所述利用SO(2)等变的特征,通过构建匹配代价和代价聚合,为每组点对应估计一个刚体变换,包括:
[0036]根据初始的匹配关系,获取每组点对应所匹配的一对SO(2)等变特征图;
[0037]根据SO(2)等变特征的性质,构建一个回归网络来估计旋转矩阵;
[0038]根据所述旋转矩阵推导得到每组点对应之间的刚体变换。
[0039]可选地,所述根据SO(2)等变特征的性质,构建一个回归网络来估计旋转矩阵,包括:
[0040]将一对SO(2)等变特征图中第一个等变特征进行水平旋转后,与第二个等变特征相减,得到一个匹配代价;
[0041]将所述匹配代价输入一个3D卷积神经网络中进行代价聚合,并通过softmax函数
计算出每次旋转的概率;
[0042]将概率和旋转角度相乘并累加,从而得到两个等变特征中存在的旋转角度差,并确定所述旋转角度差对应的旋转矩阵。
[0043]本专利技术实施例的另一方面还提供了一种基于旋转等变网络的点云配准系统,包括:
[0044]第一模块,用于获取待配准点云;
[0045]第二模块,用于利用基于点的旋转等变且平移不变的第一网络对每个所述待配准点云进行处理,获取逐个点云的参考方向和关键点得分;
[0046]第三模块,用于根据所述关键点得分进行关键点提取,并根据所述参考方向和基于补丁的第二网络为每个关键点提取旋转不变和SO(2)等变的特征;
[0047]第四模块,用于基于预设的匹配策略,根据所述特征生成具有高内点率的点对应;
[0048]第五模块,用于根据所述点对应,通过对应分组算法求解相对位姿,完成点云配准。
[0049]本专利技术实施例的另一方面还提供了一种电子设备,包括处理器以及存储器;
[0050]所述存储器用于存储程序;
[0051]所述处理器执行所述程序实现如前面所述的方法。
[0052]本专利技术实施例的另一方面还提供了一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现如前面所述的方法。
[0053]本专利技术实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种基于旋转等变网络的点云配准方法,其特征在于,包括:获取待配准点云;利用基于点的旋转等变且平移不变的第一网络对每个所述待配准点云进行处理,获取逐个点云的参考方向和关键点得分;根据所述关键点得分进行关键点提取,并根据所述参考方向和基于补丁的第二网络为每个关键点提取旋转不变和SO(2)等变的特征;基于预设的匹配策略,根据所述特征生成具有高内点率的点对应;根据所述点对应,通过对应分组算法求解相对位姿,完成点云配准。2.根据权利要求1所述的一种基于旋转等变网络的点云配准方法,其特征在于,所述利用基于点的旋转等变且平移不变的第一网络对每个所述待配准点云进行处理,获取逐个点云的参考方向和关键点得分,包括:从所述待配准点云中提取旋转等变且平移不变的特征矩阵;以等变卷积为基本操作子构建一个基于点的旋转等变网络来执行等变卷积操作,学习深层次的旋转等变特征;根据所述特征矩阵以及所述旋转等变特征,估计每个点的参考方向和关键点得分。3.根据权利要求1所述的一种基于旋转等变网络的点云配准方法,其特征在于,所述根据所述关键点得分进行关键点提取,并根据所述参考方向和基于补丁的第二网络为每个关键点提取旋转不变和SO(2)等变的特征,包括:对每个点的关键点得分进行排序,将前K个得分最高的点确定为关键点;查找以关键点为中心的局部补丁,旋转每个局部补丁使该局部补丁与自身的参考方向对齐,利用基于补丁的网络为每个关键点产生一个旋转不变和SO(2)等变的特征。4.根据权利要求1所述的一种基于旋转等变网络的点云配准方法,其特征在于,所述基于预设的匹配策略,根据所述特征生成具有高内点率的点对应,包括:利用旋转不变的特征进行匹配,产生初始点对应;利用SO(2)等变的特征,通过构建匹配代价和代价聚合,为每组点对应估计一个刚体变换;根据所述刚体变换,基于几何约束确定具有高内点率的点对应。5.根据权利要求4所述的一种基于旋转等变网络的点云配准方法,其...

【专利技术属性】
技术研发人员:郭裕兰敖晟胡庆拥
申请(专利权)人:中山大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1