基于深度协同注意网络的点云配准方法及装置制造方法及图纸

本发明专利技术涉及智能感知技术领域，提供一种基于深度协同注意网络的点云配准方法及装置。所述方法包括：获取第一点云数据与第二点云数据，将第一点云数据与第二点云数据输入预先训练的深度协同注意网络模型，得到第一点云数据与第二点云数据之间的点云配准结果，其中，所述深度协同注意网络模型包括特征提取网络和配准网络，所述特征提取网络包括多尺度聚合编码模块，通过不同尺寸的池化操作提取第一点云数据和第二点云数据的多尺度点云特征，所述配准网络用于根据第一点云数据和第二点云数据的多尺度点云特征得到点云配准结果。本发明专利技术利用多尺度聚合编码模块获取多尺度点云特征，解决了低重叠点云配准精度不佳的问题。决了低重叠点云配准精度不佳的问题。决了低重叠点云配准精度不佳的问题。

【技术实现步骤摘要】
基于深度协同注意网络的点云配准方法及装置


[0001]本专利技术涉及智能感知
，具体地涉及一种基于深度协同注意网络的点云配准方法、一种基于深度协同注意网络的点云配准装置、一种应用于工程机械的智能感知系统以及一种计算机可读存储介质。

技术介绍

[0002]智能感知系统为提升工程机械领域的自动化和智能化水平，完成高效的自动控制、自主作业和机群协同带来了巨大的契机。
[0003]目前工程机械领域的智能感知系统以单目相机、双目相机以及单体激光雷达为主，在实际工况条件下由于灰尘、光照和工程设备不规律的震动等干扰，基于视觉相机的智能感知系统的抗干扰性较差，无法精确定位目标的三维坐标。由于单体激光雷达的纵向视场角有限，且所获取为低重叠率稀疏点云，会导致配准误差较大，难以精确描述施工场景。现有的点云配准方法主要应用于高重叠率场景下的点云配准任务，难以面向更贴合实际工程机械领域的低重叠率场景下的点云配准任务。因此亟需一种针对低重叠率点云的配准方法，以解决低重叠率场景下对应点云数量少而导致配准精度差的问题，为智慧施工提供高精度的三维感知场景。

技术实现思路

[0004]本专利技术的目的是提供一种基于深度协同注意网络的点云配准方法及装置，以解决低重叠率场景下点云配准精度差的问题。
[0005]本专利技术一方面提供一种基于深度协同注意网络的点云配准方法，包括：
[0006]获取第一点云数据与第二点云数据，其中，所述第一点云数据与所述第二点云数据之间存在重叠点云；
[0007]将所述第一点云数据与所述第二点云数据输入预先训练的深度协同注意网络模型，得到所述第一点云数据与所述第二点云数据之间的点云配准结果，其中，所述深度协同注意网络模型包括特征提取网络和配准网络，所述特征提取网络包括至少一个多尺度聚合编码模块，所述多尺度聚合编码模块用于通过不同尺寸的池化操作提取所述第一点云数据和所述第二点云数据的多尺度点云特征，所述配准网络用于根据所述第一点云数据和所述第二点云数据的多尺度点云特征得到点云配准结果。
[0008]本专利技术实施例中，所述多尺度聚合编码模块具体用于：
[0009]通过卷积操作提取输入的点云数据的第一特征，所述输入的点云数据包括所述第一点云数据与所述第二点云数据；
[0010]对所述第一特征进行不同尺寸的池化操作，得到不同尺度的第二特征；
[0011]利用上采样操作实现所述不同尺度的第二特征的维度统一，得到所述多尺度点云特征。
[0012]本专利技术实施例中，所述利用上采样操作实现所述不同尺度的第二特征的维度统
一，得到所述多尺度点云特征，包括：利用上采样操作实现所述不同尺度的第二特征的维度统一，得到第三特征，所述第三特征的尺度与所述第一特征的尺度相同；将所述第一特征与所述第三特征相加，得到所述多尺度点云特征。
[0013]本专利技术实施例中，所述特征提取网络包括N个多尺度聚合编码模块，N个多尺度聚合编码模块串联连接，第i个多尺度聚合编码模块的输出作为第i+1个多尺度聚合编码模块的输入，i为小于或等于N的正整数。
[0014]本专利技术实施例中，第1个多尺度聚合编码模块的输出与第2个多尺度聚合编码模块的输出融合后作为第3个多尺度聚合编码模块的输入；在i大于或等于3的情况下，第i个多尺度聚合编码模块的输入与第i个多尺度聚合编码模块的输出融合后作为第i+1个多尺度聚合编码模块的输入。
[0015]本专利技术实施例中，所述配准网络包括基于注意力的重叠显著模块；
[0016]所述基于注意力的重叠显著模块用于基于所述第一点云数据和所述第二点云数据的多尺度点云特征，获取所述第一点云数据与所述第二点云数据之间的交互注意力信息，并基于所述交互注意力信息对点云数据进行配准。
[0017]本专利技术实施例中，所述基于注意力的重叠显著模块具体用于：
[0018]接收第一多尺度点云特征与第二多尺度点云特征，所述第一多尺度点云特征为所述特征提取网络对所述第一点云数据提取的多尺度点云特征，所述第二多尺度点云特征为所述特征提取网络对所述第二点云数据提取的多尺度点云特征；
[0019]获取所述第一多尺度点云特征与第二多尺度点云特征之间的交互注意力权值，该交互注意力权值作为所述第一点云数据与所述第二点云数据之间的交互注意力信息；
[0020]基于所述交互注意力权值分别对所述第一多尺度点云特征与第二多尺度点云特征进行增强，得到第一增强特征与第二增强特征；
[0021]对所述第一增强特征与所述第二增强特征进行配准，得到所述点云配准结果。
[0022]本专利技术实施例中，所述获取所述第一多尺度点云特征与第二多尺度点云特征之间的交互注意力权值之前，所述方法还包括：
[0023]将所述第一多尺度点云特征与所述第二多尺度点云特征分别优化为第一优化特征与第二优化特征；
[0024]所述获取所述第一多尺度点云特征与第二多尺度点云特征之间的交互注意力信息权值，具体包括：获取所述第一优化特征与所述第二优化特征之间的交互注意力权值；
[0025]所述基于所述交互注意力权值分别对所述第一多尺度点云特征与第二多尺度点云特征进行增强，得到第一增强特征与第二增强特征，具体包括：基于所述交互注意力权值分别对所述第一优化特征与所述第二优化特征进行增强，得到第一增强特征与第二增强特征。
[0026]本专利技术实施例中，所述将所述第一多尺度点云特征与所述第二多尺度点云特征分别优化为第一优化特征与第二优化特征，包括：
[0027]分别对所述第一多尺度点云特征和所述第二多尺度点云特征进行卷积操作；
[0028]利用激活函数对卷积操作后的特征进行激活得到激活特征；
[0029]将所述第一多尺度点云特征的激活特征与所述第一多尺度点云特征进行点乘操作得到第一优化特征，将所述第二多尺度点云特征的激活特征与所述第二多尺度点云特征
进行点乘操作得到第二优化特征。
[0030]本专利技术实施例中，分别对所述第一多尺度点云特征和所述第二多尺度点云特征进行卷积操作，包括：
[0031]获取对多尺度点云特征进行优化的卷积核的特征通道数；
[0032]根据所述特征通道数确定卷积核尺寸；
[0033]基于所述卷积核尺寸对所述第一多尺度点云特征和所述第二多尺度点云特征进行卷积操作。
[0034]本专利技术实施例中，获取所述第一多尺度点云特征与第二多尺度点云特征之间的交互注意力权值，包括：将所述第一多尺度点云特征的激活特征与所述第二多尺度点云特征的激活特征进行特征串联，得到第一融合特征；对第一融合特征进行全连接和激活得到交互注意力权值。
[0035]本专利技术实施例中，对所述第一增强特征与所述第二增强特征进行配准，得到所述点云配准结果，包括：对所述第一增强特征与所述第二增强特征进行特征串联，得到第二融合特征；基于多层感知机对所述第二融合特征进行感知，得到旋转四元数，所述点云配准结果包括所述旋转四元数。
[0036]本专利技术另一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度协同注意网络的点云配准方法，其特征在于，包括：获取第一点云数据与第二点云数据，其中，所述第一点云数据与所述第二点云数据之间存在重叠点云；将所述第一点云数据与所述第二点云数据输入预先训练的深度协同注意网络模型，得到所述第一点云数据与所述第二点云数据之间的点云配准结果，其中，所述深度协同注意网络模型包括特征提取网络和配准网络，所述特征提取网络包括至少一个多尺度聚合编码模块，所述多尺度聚合编码模块用于通过不同尺寸的池化操作提取所述第一点云数据和所述第二点云数据的多尺度点云特征，所述配准网络用于根据所述第一点云数据和所述第二点云数据的多尺度点云特征得到点云配准结果。2.根据权利要求1所述的基于深度协同注意网络的点云配准方法，其特征在于，所述多尺度聚合编码模块具体用于：通过卷积操作提取输入的点云数据的第一特征，所述输入的点云数据包括所述第一点云数据与所述第二点云数据；对所述第一特征进行不同尺寸的池化操作，得到不同尺度的第二特征；利用上采样操作实现所述不同尺度的第二特征的维度统一，得到所述多尺度点云特征。3.根据权利要求2所述的基于深度协同注意网络的点云配准方法，其特征在于，所述利用上采样操作实现所述不同尺度的第二特征的维度统一，得到所述多尺度点云特征，包括：利用上采样操作实现所述不同尺度的第二特征的维度统一，得到第三特征，所述第三特征的尺度与所述第一特征的尺度相同；将所述第一特征与所述第三特征相加，得到所述多尺度点云特征。4.根据权利要求1所述的基于深度协同注意网络的点云配准方法，其特征在于，所述特征提取网络包括N个多尺度聚合编码模块，N个多尺度聚合编码模块串联连接，第i个多尺度聚合编码模块的输出作为第i+1个多尺度聚合编码模块的输入，i为小于或等于N的正整数。5.根据权利要求4所述的基于深度协同注意网络的点云配准方法，其特征在于，第1个多尺度聚合编码模块的输出与第2个多尺度聚合编码模块的输出融合后作为第3个多尺度聚合编码模块的输入；在i大于或等于3的情况下，第i个多尺度聚合编码模块的输入与第i个多尺度聚合编码模块的输出融合后作为第i+1个多尺度聚合编码模块的输入。6.根据权利要求1所述的基于深度协同注意网络的点云配准方法，其特征在于，所述配准网络包括基于注意力的重叠显著模块；所述基于注意力的重叠显著模块用于基于所述第一点云数据和所述第二点云数据的多尺度点云特征，获取所述第一点云数据与所述第二点云数据之间的交互注意力信息，并基于所述交互注意力信息对点云数据进行配准。7.根据权利要求6所述的基于深度协同注意网络的点云配准方法，其特征在于，所述基于注意力的重叠显著模块具体用于：接收第一多尺度点云特征与第二多尺度点云特征，所述第一多尺度点云特征为所述特征提取网络对所述第一点云数据提取的多尺度点云特征，所述第二多尺度点云特征为所述特征提取网络对所述第二点云数据提取的多尺度点云特征；
获取所述第一多尺度点云特征与第二多尺度点云特征之间的交互注意力权值，该交互注意力权值作为所述第一点云数据与所述第二点云数据之间的交互注意力信息；基于所述交互注意力权值分别对所述第一多尺度点云特征与第二多尺度点云特征进行增强，得到第一增强特征与第二增强特征；对所述第一增强特征与所述第二增强特征进行配准，得到所述点云配准结果。8.根据权利要求7所述的基于深度协同注意网络的点云配准方法，其特征在于，所述获取所述第一多尺度点云特征与第二多尺度点云特征之间的交互注意力权值之前...

【专利技术属性】
技术研发人员：付玲，李骁，赵键，刘延斌，范卿，于晓颖，尹莉，
申请(专利权)人：中联重科股份有限公司，
类型：发明
国别省市：