【技术实现步骤摘要】
本专利技术属于计算机，具体而言，涉及基于repsurf特征和信息交互的部分重叠点云配准方法。
技术介绍
1、计算机视觉技术发展迅速，大量的点集合在一起形成了点云，可以表示物体表面的信息，从而能够表示三维物体的形状。点云处理几乎涉及到了所有相关的领域，如自动驾驶感知定位、三维场景重建、ar、vr、sfm三维重建、姿态估计、三维识别、三维测量等。目前点云已经成为表示真实世界中三维数据的主要格式，三维视觉的使用也不断出现在日常生活和工业生产中，如监测建筑物的验收、监测地质灾害、文化遗产的保护和修复等。
2、点云配准的任务是估计点云间的刚性变换关系将其转换到同一个世界坐标系中，端到端的点云配准方法能够直接得到配准结果，网络可以直接用配准结果作为训练损失，而不需要通过计算三元组的方法来训练特征提取网络。端到端的点云配准方法又可以细分为：基于局部特征的点云配准算法和基于全局特征的点云配准算法。
3、基于局部特征的点云配准方法通过匹配局部特征的对应关系进行配准，通常分为特征提取、匹配对应点和求解变换矩阵来进行。深度最近点算法（deep closest point，简称dcp）使用注意力机制 transformer使两点云间产生信息交互作为最终的特征信息，预测点与点之间的软对应，改进svd算法使其成为可以训练的网络层以进行端到端的训练，能够提取到质量较好的特征，但由于其采用单随机矩阵确定对应关系，强制源点云的所有点在目标点云中都有至少一个对应点，导致在部分重叠的点云上效果不好。为了解除dcp 算法中严格一一对应的限制，针
4、基于全局特征的点云配准方法不用单独地为每个点计算特征后计算对应关系，而是将点云数据输入网络直接预测变换矩阵，一般包括即全局特征提取和回归预测刚性变换两个步骤。为了解决点云的无序性问题，设计了对称函数和最大池化的模块，但这种直接结合所有点特征的最大池化操作会导致最终结果损失掉所有的局部特征。直接基于整体点云计算全局特征的方式，不仅不能利用到细节特征，在配准部分重叠的点云时非重叠部分也会对配准效果造成较大的干扰。fmr（feature-means-results，特征分类法）对点云的密度差异和噪声等问题都显示出了很高的鲁棒性，但没有考虑到非重叠点对全局特征的影响。针对部分重叠配准的omnet（one pass multitasknetwork，单程多任务网络），网络分别预测两点云的重叠掩码，用重叠掩码过滤掉非重叠的点，再进行最大池化得到干扰信息较少的全局特征，最后经过mlp预测变换，多次迭代计算得到了精度较高的结果，但每次迭代的网络参数不共享，造成网络模型较大，参数冗余，虽在人工合成的数据集上达到了较好的效果，但没有考虑到点云数据量的影响，只能应用到数量级较小、特征较为简单的点云上。
5、基于全局的深度学习方法计算效率相对高，但是算法效果容易受到点云物体类别的影响，对于不同类别点云的泛化性有待考究。相比于提取局部特征的方法，提取全局特征的方法缺乏明确的监督机制来保证全局特征和相对位置的唯一相关性，更容易受到非重叠区域的干扰，并且难以考虑到对部分重叠的点云配准很重要的局部结构信息。
技术实现思路
1、为了解决上述技术问题，本专利技术提供基于repsurf特征和信息交互的部分重叠点云配准方法，包括:
2、提取repsurf局部表面特征对点云进行表示，将局部范围内的点表示为三角形网格提取三角形repsurf特征；
3、确定若干个三角形repsurf特征的邻域点坐标，经过参数共享的 mlp 层融合特征，得到伞形 repsurf特征；
4、构造图神经网络模型，对邻域点构造图采用图神经网络模型进行特征提取，得到gnn拓扑特征；
5、将三角形repsurf特征与gnn拓扑特征进行特征拼接，得到源点云的拼接特征与目标点云的拼接特征；
6、基于transformer注意力交互机制对源点云的拼接特征与目标点云的拼接特征进行信息交互；
7、预测点云中所有具有交互信息的特征的点的重要性分数，确定关键点；
8、根据关键点的特征与欧式空间中的距离基于卷积神经网络模型预测相似性矩阵；
9、计算相似性矩阵损失，去除相似性矩阵损失小于设定值的点，将点对应的相似性矩阵最大值匹配到的点作为配准点。
10、在上述技术方案的基础上，本专利技术还可以做如下改进。
11、进一步，使用若干个三角形组成的伞形repsurf特征，搜索中心点的k近邻点并对进行逆时针排序，重建伞形曲面。
12、进一步，设a为求和函数，t为学习的非线性转换函数，为根据质心坐标归一化求得的邻域点坐标，为三角形repsurf，表示拼接操作，k是邻域点的数量，则：
13、；
14、基于x轴在xy平面上逆时针地从0°到360°构造三角形,构造出k个三角形；
15、根据构造出的k个三角形计算三角形repsurf特征；...
【技术保护点】
1.基于RepSurf特征和信息交互的部分重叠点云配准方法，其特征在于，包括:
2.根据权利要求1所述基于RepSurf特征和信息交互的部分重叠点云配准方法，其特征在于，使用若干个三角形组成的伞形RepSurf特征，搜索中心点的K近邻点并对进行逆时针排序，重建伞形曲面。
3.根据权利要求2所述基于RepSurf特征和信息交互的部分重叠点云配准方法，其特征在于，设A为求和函数，T为学习的非线性转换函数，为根据质心坐标归一化求得的邻域点坐标，为三角形RepSurf，表示拼接操作，K是邻域点的数量，则：
4.根据权利要求1所述基于RepSurf特征和信息交互的部分重叠点云配准方法，其特征在于，基于Transformer注意力交互机制对源点云的拼接特征与目标点云的拼接特征进行信息交互，包括：
5.根据权利要求1所述基于RepSurf特征和信息交互的部分重叠点云配准方法，其特征在于，预测点云中所有具有交互信息的特征的点的重要性分数，确定关键点，包括:
6.根据权利要求1所述基于RepSurf特征和信息交互的部分重叠点云配准方法，其
7.根据权利要求6所述基于RepSurf特征和信息交互的部分重叠点云配准方法，其特征在于，采用迭代的方式计算相似性矩阵，包括：每次迭代计算出一个刚性变换，将刚性变换应用到源点云，将变换后的源点云和目标点云重新输入卷积层，重新计算刚性变换。
8.根据权利要求6所述基于RepSurf特征和信息交互的部分重叠点云配准方法，其特征在于，设为源点云的点，为目标点云的点，表示与的相似程度，表示尺寸为1×1的二维卷积层，为对源点云提取到的特征，为对目标点云提取到的特征，输入特征得到的特征为，输入特征得到的特征为，则相似性矩阵的表达式为：
9.根据权利要求1所述基于RepSurf特征和信息交互的部分重叠点云配准方法，其特征在于，计算相似性矩阵损失，包括：
...【技术特征摘要】
1.基于repsurf特征和信息交互的部分重叠点云配准方法，其特征在于，包括:
2.根据权利要求1所述基于repsurf特征和信息交互的部分重叠点云配准方法，其特征在于，使用若干个三角形组成的伞形repsurf特征，搜索中心点的k近邻点并对进行逆时针排序，重建伞形曲面。
3.根据权利要求2所述基于repsurf特征和信息交互的部分重叠点云配准方法，其特征在于，设a为求和函数，t为学习的非线性转换函数，为根据质心坐标归一化求得的邻域点坐标，为三角形repsurf，表示拼接操作，k是邻域点的数量，则：
4.根据权利要求1所述基于repsurf特征和信息交互的部分重叠点云配准方法，其特征在于，基于transformer注意力交互机制对源点云的拼接特征与目标点云的拼接特征进行信息交互，包括：
5.根据权利要求1所述基于repsurf特征和信息交互的部分重叠点云配准方法，其特征在于，预测点云中所有具有交互信息的特征的点的重要性分数，...
【专利技术属性】
技术研发人员：陈加，王志远，任俊庭，庞世燕，董石，刘智，徐家臻，王轩，罗恒，肖克江，杨玉芹，
申请(专利权)人：华中师范大学，
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。