【技术实现步骤摘要】
本专利技术涉及模式识别、点云匹配领域，尤其是涉及一种基于点云同名点对应的三维测量特征提取方法。
技术介绍
1、三维测量特征是指在三维空间中对物体或对象进行测量和分析时所关注的各种特征或参数，这些特征可以用于描述物体的形状、大小、位置、方向和其他相关属性。三维测量特征通常在工程、制造、科学研究、地理信息系统、计算机视觉等领域中广泛应用。
2、以叶片的三维测量特征为例，采用现有方法提取叶片三维测量特征，一般包括多视角扫描叶片、拼接多视角扫描到的点云、对齐扫描点云和设计模型点云、提取测量特征然后评估等步骤。常用的点云对齐方法包括基于局部特征描述符(如fpfh、shot等)的特征匹配，以及使用迭代最近点(icp)算法来进行点云配准和同名点的确定。icp算法通过迭代优化的方式，逐步匹配点云之间的最近点对。然而，icp算法对于初始估计值敏感，容易陷入局部最优，并且对于大形变和局部缺失的情况下效果较差。克服icp算法不足的dcp算法利用深度神经网络学习点云之间的匹配特征，通过最小化匹配误差来估计点云的刚性变换。然而，dcp算法在处理大规模点云数据时计算复杂度较高，且对于噪声和局部形变敏感。rpm-net和regtr等是基于学习特征的点云匹配方法。这些方法利用深度学习技术学习点云的特征表示和匹配模式，通过最小化匹配误差来估计点云的刚性变换。然而，但rpm-net性能仍受到训练数据的限制，对初始对齐敏感，并且在大规模点云数据和遮挡缺失场景下的鲁棒性有限。regtr能够处理点云数据中的噪声、遮挡和形变等问题。然而，regtr的计算复杂度
技术实现思路
1、针对上述方法的局限性，为了能够在点云匹配和位姿估计任务中取得更好的结果，本专利技术在无需对齐设计模型与目标物体的前提下，通过在目标物体上直接找到与设计模型上轮廓点集匹配的点集，提出了一种基于点云同名点对应的三维测量特征提取方法。该方法通过精确提取同名点并进行优化计算，利用高效的特征提取和匹配算法，得到点云数据中的同名点信息，能够提高测量特征提取的准确性和鲁棒性、消除对齐误差，并具备较高的实时性能。
2、本专利技术的目的在于提供一种基于点云同名点对应的三维测量特征提取方法，包括如下步骤：
3、s1、搭建三维测量特征提取网络模型，三维测量特征提取网络模型包括源点云数据采集模块、目标点云数据采集模块、点云匹配模块和最优传输模块，采用预设的数据集对三维测量特征提取网络模型进行训练，得到训练后的三维测量特征提取网络模型；
4、s2、获取目标物体及其对应的设计模型，采用训练后的三维测量特征提取网络模型中的源点云数据采集模块对设计模型进行采样，得到源点云x,采用训练后的三维测量特征提取网络模型中的目标点云数据采集模块对目标物体进行数据采集并处理得到目标点云y，分别对源点云x和目标点云y进行预处理，得到预处理后的源点云x和目标点云y；
5、s3、训练后的三维测量特征提取网络模型中的点云匹配模块接收预处理后的源点云x和目标点云y并对其进行处理，得到匹配概率回归矩阵m；
6、s4、训练后的三维测量特征提取网络模型中的最优传输模块接收匹配概率矩阵m，将匹配概率矩阵m中的对应点和非对应点进行分离并处理，得到最终匹配概率矩阵m'；
7、s5、根据最终匹配概率矩阵m'在目标物体上找到对应的点集，对应的点集即为目标物体的三维测量特征。
8、优选地，s1中点云匹配模块包括依次连接的特征提取模块、特征增强模块、特征融合模块和特征匹配模块。
9、优选地，s2中分别对源点云x和目标点云y进行预处理，得到预处理后的源点云x和目标点云y，具体过程如下：
10、s21、对源点云x和目标点云y进行降采样处理，得到降采样处理后的源点云x和目标点云y；
11、s22、使用统计滤波方法分别剔除降采样处理后的源点云x和目标点云y点云中的离群噪声点；
12、s23、对去除了离群噪声点的源点云x和目标点云y进行归一化，得到预处理后的源点云x和目标点云y。
13、优选地，s3具体包括：
14、s31、将预处理后的源点云x和目标点云y分别输入至特征提取模块进行高维特征提取，相应得到高维特征矩阵fx和fy；
15、s32、将高维特征矩阵fx和fy输入到特征增强模块进行处理，得到特征增强后的高维特征矩阵f′x和f′y；
16、s33、将特征增强后的高维特征矩阵f′x和高维特征矩阵fy输入到特征融合模块进行处理，得到融合了源点云和目标点云信息的融合特征矩阵f″x；
17、s34、将融合特征矩阵f″x与特征增强后的高维特征矩阵f′y输入至特征匹配模块，在特征维度上面融合得到初始矩阵fxy，对初始矩阵进行匹配概率回归处理，得到匹配概率回归矩阵m。
18、优选地，s31中将预处理后的源点云x输入至特征提取模块进行高维特征提取，相应得到高维特征矩阵fx，具体包括：
19、s311、将预处理后的源点云x进行k点最近邻搜索，然后进行第一次二维卷积、激活处理，得到第一激活特征x′，在第一激活特征x′的最后一个维度上取最大值，得到第一局部特征x1；
20、s312、对第一激活特征x′进行第二次二维卷积、激活处理，得到第二激活特征x″，在第二激活特征x″的最后一个维度上取最大值，得到第二局部特征x2；
21、s313、对第二激活特征x″进行第三次二维卷积、激活处理，得到第三激活特征x″′，在第三激活特征x″′的最后一个维度上取最大值，得到第三局部特征x3；
22、s314、对第三激活特征x″′进行第四次二维卷积、激活处理，得到第四激活特征x″″，在第四激活特征x″″的最后一个维度上取最大值，得到第四局部特征x4；
23、s315、将第一局部特征x1、第二局部特征x2、第三局部特征x3、第四局部特征x4进行融合，得到预处理后的源点云x的高维特征矩阵fx。
24、优选地，s32中将高维特征矩阵fx输入至特征增强模块进行处理，得到特征增强后的高维特征矩阵f′x，具体包括：
25、s321、将高维特征矩阵fx输入至特征增强模块中的自注意力层进行处理，生成查询矩阵q、键矩阵k和值矩阵v；
26、s322、采用多头注意力机制对查询矩阵q、键矩阵k和值矩阵v进行处理，得到中间过程矩阵；
27、s323、采用特征增强模块中的前馈网络对中间过程矩阵进行处理，得到特征增强后的高维特征矩阵f′x。
28、优选地，s322具体可用公式表示为：
29、multihead(q,k,v)＝concat(head1,…,headh)wo
30、其中，
31、
32、式中，multihead(q,k,v)为中间过程矩阵，q为查询矩阵，k为键矩阵，v为值矩阵本文档来自技高网...
【技术保护点】
1.一种基于点云同名点对应的三维测量特征提取方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于点云同名点对应的三维测量特征提取方法，其特征在于，S1中所述点云匹配模块包括依次连接的特征提取模块、特征增强模块、特征融合模块和特征匹配模块。
3.如权利要求2所述的基于点云同名点对应的三维测量特征提取方法，其特征在于，S2中分别对所述源点云X和目标点云Y进行预处理，得到预处理后的源点云x和目标点云y，具体过程如下：
4.如权利要求3所述的基于点云同名点对应的三维测量特征提取方法，其特征在于，所述S3具体包括：
5.如权利要求4所述的基于点云同名点对应的三维测量特征提取方法，其特征在于，S31中将所述预处理后的源点云x输入至所述特征提取模块进行高维特征提取，相应得到高维特征矩阵Fx，具体包括：
6.如权利要求5所述的基于点云同名点对应的三维测量特征提取方法，其特征在于，S32中将所述高维特征矩阵Fx输入至特征增强模块进行处理，得到特征增强后的高维特征矩阵F′x，具体包括：
7.如权利要求6所述的基于点云同名
8.如权利要求7所述的基于点云同名点对应的三维测量特征提取方法，其特征在于，所述S34具体包括：
9.如权利要求8所述的基于点云同名点对应的三维测量特征提取方法，其特征在于，所述S4具体包括：
...【技术特征摘要】
1.一种基于点云同名点对应的三维测量特征提取方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于点云同名点对应的三维测量特征提取方法，其特征在于，s1中所述点云匹配模块包括依次连接的特征提取模块、特征增强模块、特征融合模块和特征匹配模块。
3.如权利要求2所述的基于点云同名点对应的三维测量特征提取方法，其特征在于，s2中分别对所述源点云x和目标点云y进行预处理，得到预处理后的源点云x和目标点云y，具体过程如下：
4.如权利要求3所述的基于点云同名点对应的三维测量特征提取方法，其特征在于，所述s3具体包括：
5.如权利要求4所述的基于点云同名点对应的三维测量特征提取方法，其特征在于，...
【专利技术属性】
技术研发人员：彭伟星，王柯，朱青，王耀南，张辉，毛建旭，刘敏，赵佳文，
申请(专利权)人：湖南大学，
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。