一种基于机器学习的配对选择方法技术

本发明专利技术公开了一种基于机器学习的配对选择方法，包括：首先利用两个几何距离约束计算配对之间的兼容性得分，两个几何距离约束得到两个兼容性得分；然后对于每个配对，计算它与其他全部配对的兼容性得分，组成两个特征向量，利用最大池化方法将两个特征向量综合成一个特征向量，对综合特征向量中的元素进行从大到小排序，取前k个元素组成最终的特征向量。最后将训练数据的特征向量和标签输入到支持向量机分类器中，得到训练好的支持向量机分类器，利用训练好的支持向量机分类器预测测试数据的配对的标签，找出正确配对。本发明专利技术方法有高的精度和召回率，可以准确找出正确配对，提高配准成功率。高配准成功率。高配准成功率。

【技术实现步骤摘要】
一种基于机器学习的配对选择方法


[0001]本专利技术涉及维点云数据处理
，具体的说，是一种基于机器学习的配对选择方法。

技术介绍

[0002]点云配准是点云数据使用的首要步骤，在许多实际应用中，具有至关重要的作用，如场景重构，3D目标识别，位置识别等。基于LSD的点云配准受到广泛关注，已成为主流的配准方法。在这类算法中，受到噪声、点密度变化、部分重叠等的影响，LSD建立的配对中含有许多错误配对，因此需要从初始配对集中找出正确配对，配对选择是一个必不可少的过程。
[0003]现有的配对选择方法大致可分为两类：基于最大一致性(maximum consistency,MC)的方法和基于置信验证(confidence verification,CV)的方法。基于MC的方法努力从初始配对集中找出正确配对，如几何约束集群(geometric constraint cluster,GCC)、游戏理论匹配(game theoretic matching,GTM)、局部和全局投票(local and global voting,LGV)等。GCC利用几何距离约束，找出相互满足约束条件的配对作为正确配对。GTM也是利用几何距离约束，找出相互兼容的配对，排除不兼容的配对。LGV采用两个阶段找出正确配对，在局部投票阶段，为每个配对计算兼容性得分，将兼容性得分高的配对提取出来，输入到全局投票阶段，在全局投票阶段，为每个提取的配对计算一个转换参数，然后计算全局投票。这一类方法仍然有较差的精度，许多错误的配对仍然被选中，并且保留下来。基于CV的方法则在每次迭代中，随机选择几个配对计算转换参数，然后验证转换参数的置信得分，置信得分最高的为最佳转换。例如，随机采样一致(random sample consensus,RANSAC)算法每次随机选择三个配对，计算转换参数，然后根据转换参数，将原点云转换到目标点云，计算两个点云的重叠区域的点数作为置信得分。1
‑
point RANSAC算法随机选择一个配对，计算转换参数，因为利用了关键点的局部参考框架(local reference frame,LRF)计算旋转矩阵，所以仅仅一个配对足够计算转换参数。2SAC
‑
GC(2
‑
point based sample consensus with global constraint)算法随机选择两个配对计算转换参数，并且利用了一个几何距离约束和一个角度约束来拒绝错误的配对，加快计算速度。该算法利用了关键点的法向量计算旋转矩阵，因此两个配对足够计算转换参数。这一类算法无法确定需要的迭代次数，并且计算耗时。另外当错误配对较多时，这一类方法容易失败。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的不足，提供一种基于机器学习的配对选择方法，利用两个几何距离约束计算兼容性得分，由兼容性得分构成特征向量，然后将特征向量输入到利用机器学习分类器中，对配对进行分类，从而找出正确配对。
[0005]为实现上述目的，本专利技术提供如下技术方案。
[0006]一种基于机器学习的配对选择方法，根据两个几何距离约束计算兼容性得分，然后由兼容性得分构建特征向量，之后根据特征向量训练支持向量机SVM分类器，最后根据训
练好的支持向量机SVM，预测测试数据的标签，包括以下步骤：
[0007]步骤S1、根据两个几何距离约束，计算配对之间的兼容性得分；
[0008]步骤S2、对于任意一个配对，计算它与其他配对的兼容性得分，进而构建两个特征向量，然后利用最小池化综合两个特征向量为一个，对特征向量中的元素从大到小排序，取前k个元素作为最终的特征向量；
[0009]步骤S3、根据训练数据的特征向量和标签，训练支持向量机SVM分类器，将测试数据的特征向量输入到训练好的支持向量机SVM分类器中，预测测试数据中配对的标签，找出正确配对。
[0010]步骤1所述根据两个几何距离约束，计算配对之间的兼容性得分，具体计算过程如下：
[0011]假设初始配对集为C＝{c1c2…
c
n
}，对于任意两个配对和和和是原点云的两个关键点，和是目标点云的两个关键点，则第一个几何距离约束定义为
[0012][0013]第二个几何距离约束定义为
[0014][0015]上式中，和分别是关键点和的局部参考框架LRF；
[0016]根据两个几何距离约束，计算两个兼容性得分
[0017][0018][0019]上式中，σ1和σ2是两个高斯参数，σ1一般设置为1pr，σ2一般设置为40pr，pr表示点云分辨率，即点云中全部点与它们最近邻域点的距离的平均值；s1(c
i
,c
j
)和s2(c
i
,c
j
)的取值在0和1之间。
[0020]步骤S2所述对于任意一个配对，计算它与其他配对的兼容性得分，进而构建两个特征向量，具体过程如下：
[0021]对于任意一个配对c，计算它与初始配对集中其他全部配对之间的兼容性得分，构建两个特征向量
[0022]F1＝[s1(c,c1)s1(c,c2)
…
s1(c,c
n
‑1)]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0023]F2＝[s2(c,c1)s2(c,c2)
…
s2(c,c
n
‑1)]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0024]利用最小池化，综合两个特征向量得到
[0025]F＝minpool(F1，F2)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0026]对F中的元素从大到小排序，取前k个最大的元素，得到最终的特征向量
[0027][0028]上式中，k值一般设置为40。
[0029]步骤S3所述将测试数据的特征向量输入到训练好的支持向量机SVM分类器中，预测测试数据中配对的标签，找出正确配对，具体过程如下：
[0030]首先利用描述符建立每对点云的配对，将部分配对作为训练数据，根据点云之间的真实转换关系，确定正确配对，标签记为1，错误配对，标签记为0；计算这些配对的特征向量，根据特征向量和标签训练支持向量机SVM分类器；然后利用训练好的支持向量机SVM分类器和测试数据配对的特征向量，预测测试数据配对的标签，标签为1的配对，即为正确配对。与现有技术相比，本专利技术的有益效果是：
[0031]本专利技术根据两个几何距离约束，计算配对之间的兼容性得分；对于任意一个配对，计算它与其他配对的兼容性得分，组成两个特征向量，然后利用最小池化综合两个特征向量为一个，对特征向量中的从大到小排序，取前k个元素作为最终的特征向量；之后根据训练数据的特征向量和标签(例如正确配对标签为1，错误配对标签为0)训练SVM分类器，将测试数据的特征向量输入到训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的配对选择方法，根据两个几何距离约束计算兼容性得分，然后由兼容性得分构建特征向量，之后根据特征向量训练支持向量机SVM分类器，最后根据训练好的支持向量机SVM，预测测试数据的标签，其特征在于，包括以下步骤：步骤S1、根据两个几何距离约束，计算配对之间的兼容性得分；步骤S2、对于任意一个配对，计算它与其他配对的兼容性得分，进而构建两个特征向量，然后利用最小池化综合两个特征向量为一个，对特征向量中的元素从大到小排序，取前k个元素作为最终的特征向量；步骤S3、根据训练数据的特征向量和标签，训练支持向量机SVM分类器，将测试数据的特征向量输入到训练好的支持向量机SVM分类器中，预测测试数据中配对的标签，找出正确配对。2.根据权利要求1所述的一种基于机器学习的配对选择方法，其特征在于，步骤1所述根据两个几何距离约束，计算配对之间的兼容性得分，具体计算过程如下：假设初始配对集为C＝{c
1 c2…
c
n
}，对于任意两个配对和和和是原点云的两个关键点，和是目标点云的两个关键点，则第一个几何距离约束定义为第二个几何距离约束定义为上式中，R
i
＝V
it
(V
is
)
T
，V
is
，V
it
，和分别是关键点和的局部参考框架LRF；根据两个几何距离约束，计算两个兼容性得分计算两个兼容性得分上式中，σ1和σ2是两个高斯参数，σ1一般设置为1pr，σ2一般设置为40pr，pr表示点云分辨率，即点云中全部点与它们最近邻域点的距离的平均值；s1(c
i
,c
j

【专利技术属性】
技术研发人员：陶武勇，
申请(专利权)人：南昌大学，
类型：发明
国别省市：