本申请涉及一种基于高阶马尔可夫的点云配准方法、装置和计算机设备。方法包括：获取训练样本；构建循环点云配准模型；循环点云配准模型包括交叉特征嵌入模块和迭代优化模块；通过交叉特征嵌入模块分别对训练样本中的初始源点云与目标点云进行特征嵌入后交叉拼接，得到交叉拼接特征向量；通过迭代优化模块根据当前交叉拼接特征向量、上一次通过高阶马尔可夫决策迭代输出的旋转向量和平移向量更新当前的旋转向量和平移向量，根据当前的旋转向量和平移向量输出当前源点云和目标点云之间的刚性变换，根据刚性变换迭代更新当前源点云，迭代停止时，输出初始源点云与当前源点云之间的刚性变换作为点云配准结果。采用本方法配准准确性高、性能更强。性能更强。性能更强。
【技术实现步骤摘要】
基于高阶马尔可夫的点云配准方法、装置和计算机设备
[0001]本申请涉及点云配准
，特别是涉及一种基于高阶马尔可夫的点云配准方法、装置和计算机设备。
技术介绍
[0002]点云配准是计算机视觉中的一项基本任务，重点是寻找两个点云之间的刚性对齐。随着3D采集设备的不断推广，点云配准已经在自动驾驶、增强现实(AR，Augmented Reality)和3D重建等多个领域得到了应用。
[0003]基于学习的方法已经在点云配准领域显示出了主导的进展。与传统方法相比，基于学习的方法，在准确性、鲁棒性和泛化方面都取得了更好的性能。具体来说，大多数基于学习的方法都是通过局部特征提取和匹配获得点级对应，并利用它们来恢复刚变换。然而，以这种方式估计变换可能会引入不可靠的几何信息，因为它严重依赖于特征对应的正确性，尽管已经使用了大量的修剪技术，但仍然存在大量的异常值。
[0004]因此，另一项研究通过非对应管道探索点云配准。一般来说，这类工作首先通过权重共享网络提取全局特征，从而抽象出点云结构信息。然后，将嵌入的全局特征串联起来，对隐式几何运动进行编码。最后，采用网络将高级特征解码为相对6D变换。作为对比，非对应方法更关注全局相对变换信息而不是局部几何信息，全局特征更抽象，适合网络自适应学习。
[0005]为了进一步提高性能，一些非对应方法引入了一种迭代方法。点云对齐过程通常被认为是一阶马尔可夫决策过程，其中旋转和平移变换完全由两个点云的当前状态决策，而不考虑过去，这样的数学建模忽略了迭代调整中变换更新的时序性。此外，传统的非对应方法只是简单地提取和拼接两个点云的全局特征来嵌入当前状态，导致表征能力过弱，缺乏相对位置信息。
技术实现思路
[0006]基于此，有必要针对上述技术问题，提供一种基于高阶马尔可夫的点云配准方法、装置和计算机设备。
[0007]一种基于高阶马尔可夫的点云配准方法，所述方法包括：
[0008]获取经预处理的初始源点云和目标点云作为训练样本；
[0009]构建用于点云配准的循环点云配准模型；所述循环点云配准模型包括交叉特征嵌入模块和迭代优化模块；
[0010]通过所述交叉特征嵌入模块分别对所述初始源点云与所述目标点云进行特征嵌入后交叉拼接，得到交叉拼接特征向量；
[0011]通过所述迭代优化模块根据当前交叉拼接特征向量、上一次通过高阶马尔可夫决策迭代输出的旋转向量和平移向量更新当前的旋转向量和平移向量，根据当前的旋转向量和平移向量输出当前源点云和目标点云之间的刚性变换，根据所述刚性变换迭代更新当前
源点云，当满足预设的迭代停止条件时，输出所述初始源点云与当前源点云之间的刚性变换作为点云配准结果；
[0012]根据训练样本和将训练样本输入到所述循环点云配准模型得到的预测结果对循环点云配准模型进行训练，得到训练好的循环点云配准模型；
[0013]将预处理后的待配准初始源点云和目标点云输入所述训练好的循环点云配准模型，得到待配准初始源点云的点云配准结果。
[0014]在其中一个实施例中，还包括：所述第一分支循环迭代层，包括依次连接的第一特征编码层、第一循环神经网络层和旋转增量估计层，用于根据当前交叉拼接特征向量和上一次迭代的旋转向量，输出旋转增量；所述旋转增量用于更新旋转向量；所述第二分支循环迭代层，包括第二特征编码层、第二循环神经网络层和平移增量估计层，用于根据当前交叉拼接特征向量和上一次迭代的平移向量，输出平移增量；所述平移增量用于更新平移向量。
[0015]在其中一个实施例中，还包括：通过所述第一特征编码模块对上一次迭代的旋转向量进行编码，编码后与当前交叉拼接特征向量进行拼接，得到第一输入特征，所述第一输入特征经第一循环神经网络层和旋转增量估计层后，输出旋转增量。
[0016]在其中一个实施例中，还包括：通过所述第二特征编码模块对上一次迭代的平移向量进行编码，编码后与当前交叉拼接特征向量进行拼接，得到第二输入特征，所述第二输入特征经第二循环神经网络层和平移增量估计层后，输出平移增量。
[0017]在其中一个实施例中，还包括：所述变换更新层用于分别根据所述旋转增量和所述平移增量更新旋转向量和平移向量，根据当前的旋转向量和平移向量输出当前源点云和目标点云之间的刚性变换。
[0018]在其中一个实施例中，还包括：所述交叉特征嵌入模块包括特征提取层、交叉拼接层和滑动窗口：通过特征提取层从初始源点云与目标点云中提取几何特征，得到一对在同一维数下具有相同网络映射关系的全局特征向量；通过交叉拼接层对所述全局特征向量进行交叉拼接，得到交叉拼接后特征向量；通过滑动窗口，提取所述交叉拼接后的特征向量的空间相对变换信息，得到交叉拼接特征向量。
[0019]在其中一个实施例中，还包括：获取观测场景中的初始源点云集和目标点云集；根据所述初始源点云集和目标点云集中的重叠点云得到待配准的初始源点云和目标点云。
[0020]一种基于高阶马尔可夫的点云配准装置，所述装置包括：
[0021]点云获取模块，用于获取经预处理的初始源点云和目标点云作为训练样本；
[0022]模型构建模块，用于构建用于点云配准的循环点云配准模型；所述循环点云配准模型包括交叉特征嵌入模块和迭代优化模块；
[0023]交叉拼接模块，用于通过所述交叉特征嵌入模块分别对所述初始源点云与所述目标点云进行特征嵌入后交叉拼接，得到交叉拼接特征向量；
[0024]迭代优化模块，用于通过所述迭代优化模块根据当前交叉拼接特征向量、上一次通过高阶马尔可夫决策迭代输出的旋转向量和平移向量更新当前的旋转向量和平移向量，根据当前的旋转向量和平移向量输出当前源点云和目标点云之间的刚性变换，根据所述刚性变换迭代更新当前源点云，当满足预设的迭代停止条件时，输出所述初始源点云与当前源点云之间的刚性变换作为点云配准结果；
[0025]模型训练模块，用于根据训练样本和将训练样本输入到所述循环点云配准模型得
到的预测结果对循环点云配准模型进行训练，得到训练好的循环点云配准模型；
[0026]结果输出模块，用于将预处理后的待配准初始源点云和目标点云输入所述训练好的循环点云配准模型，得到待配准初始源点云的点云配准结果。
[0027]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0028]获取经预处理的初始源点云和目标点云作为训练样本；
[0029]构建用于点云配准的循环点云配准模型；所述循环点云配准模型包括交叉特征嵌入模块和迭代优化模块；
[0030]通过所述交叉特征嵌入模块分别对所述初始源点云与所述目标点云进行特征嵌入后交叉拼接，得到交叉拼接特征向量；
[0031]通过所述迭代优化模块根据当前交叉拼接特征向量、上一次通过高阶马尔可夫决策迭代输出的旋转向量和平移向量更新当前的旋转向量和平移向量，根据当前的旋转向量和平移向量输出当前本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于高阶马尔可夫的点云配准方法，其特征在于，所述方法包括：获取经预处理的初始源点云和目标点云作为训练样本；构建用于点云配准的循环点云配准模型；所述循环点云配准模型包括交叉特征嵌入模块和迭代优化模块；通过所述交叉特征嵌入模块分别对所述初始源点云与所述目标点云进行特征嵌入后交叉拼接，得到交叉拼接特征向量；通过所述迭代优化模块根据当前交叉拼接特征向量、上一次通过高阶马尔可夫决策迭代输出的旋转向量和平移向量更新当前的旋转向量和平移向量，根据当前的旋转向量和平移向量输出当前源点云和目标点云之间的刚性变换，根据所述刚性变换迭代更新当前源点云，当满足预设的迭代停止条件时，输出所述初始源点云与当前源点云之间的刚性变换作为点云配准结果；根据训练样本和将训练样本输入到所述循环点云配准模型得到的预测结果对循环点云配准模型进行训练，得到训练好的循环点云配准模型；将预处理后的待配准初始源点云和目标点云输入所述训练好的循环点云配准模型，得到待配准初始源点云的点云配准结果。2.根据权利要求1所述的方法，其特征在于，所述迭代优化模块包括变换估计网络；所述变换估计网络包括第一分支循环迭代层和第二分支循环迭代层；所述第一分支循环迭代层，包括依次连接的第一特征编码层、第一循环神经网络层和旋转增量估计层，用于根据当前交叉拼接特征向量和上一次迭代的旋转向量，输出旋转增量；所述旋转增量用于更新旋转向量；所述第二分支循环迭代层，包括第二特征编码层、第二循环神经网络层和平移增量估计层，用于根据当前交叉拼接特征向量和上一次迭代的平移向量，输出平移增量；所述平移增量用于更新平移向量。3.根据权利要求2所述的方法，其特征在于，所述根据当前交叉拼接特征向量和上一次迭代的旋转向量，输出旋转增量的步骤包括：通过所述第一特征编码模块对上一次迭代的旋转向量进行编码，编码后与当前交叉拼接特征向量进行拼接，得到第一输入特征，所述第一输入特征经第一循环神经网络层和旋转增量估计层后，输出旋转增量。4.根据权利要求2所述的方法，其特征在于，所述根据当前交叉拼接特征向量和上一次迭代的平移向量，输出平移增量的步骤包括：通过所述第二特征编码模块对上一次迭代的平移向量进行编码，编码后与当前交叉拼接特征向量进行拼接，得到第二输入特征，所述第二输入特征经第二循环神经网络层和平移增量估计层后，输出平移增量。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，所...
【专利技术属性】
技术研发人员：陈琛，刘煜，张茂军，程潇雅，颜深，
申请(专利权)人：中国人民解放军国防科技大学，
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。