[发明专利]基于图残差神经网络融合的点云数据拼接方法

说明书

本发明公开了一种基于图残差神经网络融合的点云数据拼接方法，其特征是利用图神经网络将非结构化的点云数据进行自适应聚类分层，然后将每一类的点云数据处理成大小相同的点云数据，再利用残差神经网络对点云数据进行特征提取，得到点云特征图，然后将两组待拼接的点云特征图进行逐一对比，筛选出成对的相似点云特征图，最后利用反卷积神经网络将反卷积出来的成对相似点云特征图进行模型匹配，从而计算出点云特征图的偏移量，将得到的偏移量作为初始值利用ICP算法进行点云细拼接，即可拼接出完整的点云图像。可以提高拼接精度与效率且不会破坏目标物体表面信息。

技术领域

本发明涉及人工智能、计算机视觉测量领域，属于三维测量技术领域，尤其涉及基于图残差神经网络的点云数据拼接方法。

背景技术

点云数据的拼接问题是逆向工程、计算机视觉、医学图像处理等领域的一项重要研究内容。点云数据拼接是将不同视角下采集到的点云数据进行拼接，使不同视角下的局部点云数据转换到统一坐标系下，进而可以得到被测实体或场景的完整点云数据。按拼接精确度高低，点云数据拼接可分为粗拼接与细拼接。当前应用最广泛的拼接算法有迭代最近点(ICP)算法及其改进算法，ICP算法是一个性能优越的精确拼接算法，但其精度以及向全局最优的收敛性却在很大程度上依赖于待拼接数据的初始拼接位置。粗拼接技术可有效解决ICP算法对初始拼接位置的要求，采用遗传算法和度量准则来优化初始拼接位置，精度较高但效率很低；通过提取几何特征点，再匹配特征点以实现粗拼接，但该方法精度不高，且特征点提取比较耗时；通过引入参考点的方法来实现点云拼接，需要在测量前将标签点贴在目标上，该方法会破坏目标物体的表面信息。

发明内容

针对上述点云粗拼接的问题，本发明的目的是提供一种基于图残差神经网络融合的点云拼接方法，可以提高拼接精度与效率且不会破坏目标物体表面信息。

本发明提出了一种图残差神经网络，其特征是图残差神经网络由三部分组成，第一部分为图神经网络，对点云数据进行自适应聚类分层；第二部分为残差神经网络，将图神经网络输出的各类点云数据进行特征提取，得到点云特征图；第三部分为反卷积神经网络，利用残差神经网络提取的点云特征图重构出残差网络的输入。

本发明提出了一种基于图残差神经网络融合的点云数据拼接方法，其特征是利用图神经网络将非结构化的点云数据进行自适应聚类分层，然后将每一类的点云数据处理成大小相同的点云数据，再利用残差神经网络对点云数据进行特征提取，得到点云特征图，然后将两组待拼接的点云特征图进行逐一对比，筛选出成对的相似点云特征图，最后利用反卷积神经网络将反卷积出来的成对相似点云特征图进行模型匹配，从而计算出点云特征图的偏移量，将得到的偏移量作为初始值利用ICP算法进行点云细拼接，即可拼接出完整的点云图像。

本发明的创新点：

1、本发明在粗拼接阶段，采用图残差神经网络先对点云数据进行自适应聚类分层，然后提取特征，效果明显好于直接对非结构化点云数据进行特征提取。应用该方法进行点云粗拼接不仅准确率更高而且速度也更快。

2、本发明中设计的图残差神经网络是一种无监督自适应聚类的方法，其数据集无需类别标注。

附图说明

图1是整体方案流程图。

图2是三维扫描仪安装示意图。

图3是图神经网络结构图。

图4是残差/反卷积网络结构图。

具体实施方式

下面结合散装堆料的点云拼接对本发明内容进行详细描述。

如图1所示，一种基于图残差神经网络融合的点云数据拼接方法，包括以下步骤。

步骤1：点云数据的获取