【技术实现步骤摘要】
本专利技术涉及计算机仿真，尤其涉及一种面向大规模复杂场景中的点云特征优化方法及装置。
技术介绍
1、点云是通过激光雷达、摄影测量等技术获取的大量离散点的数据集，是三维空间中对象表面的采样表示。由于其直接反映了现实世界中的几何和拓扑信息，点云在各种领域中得到了广泛的应用，包括但不限于城市规划、地形建模、建筑重建、遥感分析、工业设计、文化遗产保护等。然而，由于点云数据集可能来自不同的传感器、不同的视角或不同的时间，因此存在着空间位置、角度姿态和形状等方面的差异，使得点云之间的对齐和融合成为一项关键性任务。
2、点云配准是指将来自不同来源或不同时间的点云数据集进行对齐和融合，以实现一致的坐标系和完整的场景信息。通过点云配准，可以将多个点云数据集整合到一个全局坐标系中，从而实现更加准确和完整的环境建模。点云配准在许多领域中具有重要应用，其中包括无人驾驶和自动驾驶系统中的环境感知与定位、地图构建与更新、工业检测与制造、文化遗产保护与重建等。点云配准的准确性和效率直接影响着相关应用的性能和可靠性，因此成为了计算机视觉、机器人技术、地理信息系统等领域的研究热点之一。通过点云配准技术，可以实现更精确、更智能的环境感知与建模，推动自动化和智能化应用的发展。
3、现有技术中，基于几何特征的方法是目前粗配准中的主流方法，其主要思想是通过几何特征确定点云的对应关系。然后利用对应关系计算点云的初始变换矩阵进行点云粗配准。点的几何特征可分为全局特征和局部特征，前者描述物体的完整形状，而后者只编码特征点的邻域信息。由于全局特征是基于整
4、但是现有的通过点局部特征进行点云配准的方法依赖于局部特征的稳定性，局部特征在点云中的提取通常受到噪声、采样密度和视角变化的影响。当点云数据集存在较大的噪声或不均匀的采样密度时，提取的局部特征可能不够稳定，导致配准结果不准确。其次局部特征不足以描述全局形状，局部特征虽然可以帮助识别点云中的局部结构和特征，但局部特征本身并不足以完整地描述点云的全局形状。在某些情况下，点云中的局部特征可能并不代表整体形状的特征，导致配准结果出现偏差。并且匹配过程容易受到局部噪声干扰，在进行局部特征匹配时，常常会受到局部噪声的影响，即使是小范围的噪声也可能导致匹配错误。这种情况尤其在点云数据集采集过程中存在大量噪声或较差的传感器条件下更加明显。
技术实现思路
1、本专利技术通过提供种面向大规模复杂场景中的点云特征优化方法，解决了现有技术中点云特征提取后，针对复杂场景下不同区域和目标的尺度差异导致的特征描述能力差的问题，实现了有效地降低了冗余程度，提高了整体性能。
2、第一方面，本专利技术提供了一种面向大规模复杂场景的点云特征优化方法，该方法包括：
3、通过最远点采样对点云数据集进行下采样，得到采样点云数据集；
4、对所述采样点云数据集进行特征提取，得到多尺度局部特征集，并将所述多尺度局部特征集中的特征进行拼接，得到特征向量；
5、对所述特征向量中的每个一维特征向量进行相关性评估，得到每个一维特征向量对应的强相关性的特征子集；
6、利用所述特征子集构建多个辅助优化任务，得到多个辅助任务优化结果，并利用所述多个辅助任务优化结果对主任务进行优化，得到优化后的主任务；其中，所述多个辅助优化任务是多个主任务的分解任务；
7、利用所述优化后的主任务对所述点云数据集进行优化，得到优化后的点云特征。
8、结合第一方面，在一种可能的实现方式中，所述通过最远点采样对点云数据集进行下采样，得到采样点云数据集，包括：
9、确定所述点云数据集中的一个点为起始点，将所述起始点加入至采样点集合中；
10、分别计算剩余集合中每个点与所述采样点集合中每个点之间的距离，得到距离集合；其中，所述剩余集合为去除所述起始点的点云数据集合；
11、将所述距离集合中数值最远的距离对应的点添加至所述采样集合中，直至所述采样集合中点的个数等于设定阈值，得到采样点云数据集。
12、结合第一方面，在一种可能的实现方式中，所述对所述采样点云数据集进行特征提取，得到多尺度局部特征集，包括：
13、利用多种不同的特征提取方法对所述采样点云数据集进行局部多尺度特征提取，得到多尺度局部特征集。
14、结合第一方面，在一种可能的实现方式中，所述对所述特征向量中的每个一维特征向量进行相关性评估，得到每个一维特征向量对应的强相关性的特征子集，包括：
15、计算所述采样点云数据集中点对应关系，并利用特征相关性计算公式计算所述特征向量中的每个一维特征向量的相关性值；
16、判断所述相关性值与第一阈值的关系，若所述相关性值大于所述第一阈值，则所述相关性值对应的维度特征向量为强相关的特征子集；
17、若所述相关性值小于或者等于所述第一阈值，则所述相关性值对应的维度特征向量为非强相关的特征子集；
18、去除所述特征向量中非强相关的特征子集，得到特征子集。
19、结合第一方面，在一种可能的实现方式中，所述特征相关性计算公式表示为：
20、<本文档来自技高网...
【技术保护点】
1.一种面向大规模复杂场景的点云特征优化方法，其特征在于，包括：
2.根据权利要求1所述的面向大规模复杂场景的点云特征优化方法，其特征在于，所述通过最远点采样对点云数据集进行下采样，得到采样点云数据集，包括：
3.根据权利要求1所述的面向大规模复杂场景的点云特征优化方法，其特征在于，所述对所述采样点云数据集进行特征提取，得到多尺度局部特征集，包括：
4.根据权利要求1所述的面向大规模复杂场景的点云特征优化方法，其特征在于，所述对所述特征向量中的每个一维特征向量进行相关性评估，得到每个一维特征向量对应的强相关性的特征子集，包括：
5.根据权利要求4所述的面向大规模复杂场景的点云特征优化方法，其特征在于，所述特征相关性计算公式表示为：
6.根据权利要求1所述的面向大规模复杂场景的点云特征优化方法，其特征在于，所述利用所述特征子集构建辅助优化任务，得到多个辅助任务优化结果，包括：
7.根据权利要求1所述的面向大规模复杂场景的点云特征优化方法，其特征在于，所述利用所述多个辅助任务优化结果对主任务进行优化，得到优化后的
8.一种面向大规模复杂场景的点云特征优化装置，其特征在于，包括：
9.一种面向大规模复杂场景的点云特征优化服务器，其特征在于，包括存储器和处理器；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质有可执行指令，计算机执行所述可执行指令时能够实现如权利要求1-7任一项所述的面向大规模复杂场景的点云特征优化方法。
...【技术特征摘要】
1.一种面向大规模复杂场景的点云特征优化方法，其特征在于，包括：
2.根据权利要求1所述的面向大规模复杂场景的点云特征优化方法，其特征在于，所述通过最远点采样对点云数据集进行下采样，得到采样点云数据集，包括：
3.根据权利要求1所述的面向大规模复杂场景的点云特征优化方法，其特征在于，所述对所述采样点云数据集进行特征提取，得到多尺度局部特征集，包括：
4.根据权利要求1所述的面向大规模复杂场景的点云特征优化方法，其特征在于，所述对所述特征向量中的每个一维特征向量进行相关性评估，得到每个一维特征向量对应的强相关性的特征子集，包括：
5.根据权利要求4所述的面向大规模复杂场景的点云特征优化方法，其特征在于，所述特征相关性计算公式表示为：...
【专利技术属性】
技术研发人员：武越，罗闯，丁航奇，公茂果，苗启广，马文萍，李豪，张明阳，
申请(专利权)人：西安电子科技大学，
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。