[发明专利]一种基于局部深度图像关键性的点云匹配方法

权利要求书

1.一种基于局部深度图像关键性的点云匹配方法，其特征在于，步骤包括：

步骤S1：选取物体模型，结构光相机拍摄物体，获得二维图片和三维点云，三维点云作为匹配模板的模型点云；

步骤S2：选取二维图片上的若干个区域标注为关键区域，根据二维图片上的关键区域对应获取模型点云的关键区域；

步骤S3：将所述模型点云中的关键区域内的若干个点作为关键点，将每个关键点的邻域在对应的每个关键点的切平面上形成投影，投影的位置坐标设为像素坐标，关键点的邻域内的各个点到投影位置的距离值作为像素点的灰度值，进而生成关键点的局部深度图；将模型点云中关键区域以外的区域作为非关键区域，非关键区域内的各个点作为非关键点，将每个非关键点的邻域在对应的每个非关键点的切平面上形成投影，投影的位置坐标设为像素坐标，关键点的邻域内的各个点到投影位置的距离值作为像素点的灰度值，进而生成非关键点的局部深度图；

步骤S4：将模型点云中获取的关键点的局部深度图和非关键点的局部深度图作为训练样本图片，采用深度学习算法，输入训练样本图片，对神经网络进行训练，得到训练好的用于判断各点关键性数值的神经网络；

步骤S5：选取场景，用结构光相机对场景进行拍摄，获得场景的三维点云作为场景点云；基于神经网络判断出的关键性数值的大小，将关键性数值作为点云几何特征的权重，结合点云几何特征匹配算法，完成模板点云和场景点云的点云匹配。

2.根据权利要求1所述的一种基于局部深度图像关键性的点云匹配方法，其特征在于，所述步骤S2中的关键区域选择为物体的边或物体的角或物体凸起区域或物体凹陷区域，关键区域内的各点均为关键点。

3.根据权利要求1所述的一种基于局部深度图像关键性的点云匹配方法，其特征在于，所述步骤S4中的神经网络是以卷积神经网络为基本结构搭建的，神经网络对关键性数值大小的判断是基于在网络训练时输入的关键点的局部深度图和非关键点的局部深度图，选取所述关键区域内的关键点的局部深度图作为正样本，选取非关键点的局部深度图作为负样本。

4.根据权利要求3所述的一种基于局部深度图像关键性的点云匹配方法，其特征在于，若输出的局部深度图为正样本，则对应的网络输出应为1，若输出的局部深度图为负样本，则对应的网络输出应为0。

5.根据权利要求1所述的一种基于局部深度图像关键性的点云匹配方法，其特征在于，所述步骤S4中的关键性数值作为关键性权值，若关键性权值越大，则关键点越需要匹配准确，若关键性权值越小，则关键点在点对特征匹配算法中起到的作用越会被自适应地抑制，关键性权值的取值范围设为0到1。

6.根据权利要求1所述的一种基于局部深度图像关键性的点云匹配方法，其特征在于，步骤S5中采用点云几何特征进行点云匹配，统计关键点的位姿变换出现的次数，位姿变换出现的次数采用点对特征匹配算法计算，以次数作为衡量各匹配位姿优劣的分数。

7.根据权利要求6所述的一种基于局部深度图像关键性的点云匹配方法，其特征在于，在统计各关键点的匹配结果时，以关键性数值的累加代替次数的累加作为统计权重，使得关键点对齐的位姿拥有更高的统计得分，进而准确匹配。