[发明专利]一种高维回归点云配准方法、系统、计算机设备及应用

说明书

本发明属于计算机图形图像处理技术领域，公开了一种高维回归点云配准方法、系统、计算机设备及应用，首先分别对两个待配准的点云进行随机采样，使其点数相同。使用多层感知机分别提取两个三维点云的坐标信息，将三维坐标映射到高维上；对高维点云构造协方差矩阵融合两个点云的局部特征，使用二维卷积操作进一步提取点云的全局特征；通过全连接层将得到的全局特征映射到8维，使用四元组将1‑4维向量转化为旋转矩阵，第5‑7维代表平移向量，第8维代表尺度因子；利用求得的旋转矩阵，平移向量和尺度因子实现点云的配准。本发明针对初始旋转角度较大、部分‑部分和多尺度的点云配准具有速度快、对噪声鲁棒和结果准确度高的优点。

技术领域

本发明属于计算机图形图像处理技术领域，尤其涉及一种高维回归点云配准方法、系统、计算机设备及应用。

背景技术

目前，随着各种扫描设备的不断发展，三维点云由于其自适应性和可描述性而成为一种流行的三维数据格式。因此，点云配准成为计算机图形学和计算机视觉中的一个基础和重要课题，在三维重建、三维定位和姿态估计中得到了广泛应用，点云配准的重点是计算刚性变化，使扫描的源点云和目标点云对齐，然后通过配准算法，将点云的多个部分合并，形成完整的点云。

迭代最近点(ICP)是应用最广泛的传统点云配准方法，该算法首先执行初始更改以查找目标点云中的最近邻，然后使用奇异值分解法计算刚性变换，并反复迭代，直到达到最优解。ICP具有较高的精度，但它取决于初始旋转位置的精度，通常由于较大的初始扰动而陷入局部最优。

为了解决ICP的这些缺陷，已经提出了一系列全局配准算法，例如快速全局配准(FGR)和GO-ICP，但与ICP相比，速度非常慢。解决缺陷的另一种方法是提取关键点，从中求取刚性变化，如RANASAC，但此类方法的精度对异常值和对称模型敏感。多尺度迭代最近点(SICP)目的是配准不同尺度的点云，同样，它也局限于初始变换。近年来，许多基于深度学习的方法取得了令人满意的性能，它们利用深度网络建立对应关系而无需转换初始化，如DCP、RPM-Net和IDAM。这些方法极大地提高了计算速度，克服了局部最优，但它们无法处理源点云和目标点云之间旋转角度过大的问题。此外，由于不同的数据采集设备具有不同的物理量，采集的点云通常具有不同的尺度，然而，最近的研究并没有关注这种情况。因此需要一种有效的点云配准算法，能够计算两片点云之间的相对位姿关系并满足：(1)算法的鲁棒性强，对噪声点和异常点不敏感；(2)算法的能够处理旋转角度较大的、部分到部分和不同尺度的配准；(3)并且尽可能满足实时配准三维点云模型的要求。

通过上述分析，现有技术存在的问题及缺陷为：现有技术依赖初始旋转角度，针对旋转角度较大的、部分到部分和不同尺度的配准容易失效。

解决以上问题及缺陷的难度：现在大多数的研究都只关注于具有大的初始旋转角度、部分到部分和不同尺度的配准这三个方面中的某一个方面。随着点云采集技术的快速发展，许多机制已经趋于成熟，如Kinect和Lidar。每个传感器都有特定的优点和局限性，这表明如果融合来自不同传感器的点云，将显著提供更多有用的信息，并实现更好的应用性能。由于不同的数据采集机制具有不同的物理测量，因此捕获的点云可能有不同的尺度，在使用不同设备采集的点云三个问题可能会同时存在，配准的难度将会大大增加。

解决以上问题及缺陷的意义为：源点云和目标点云之间的大旋转角度极大地损害了基于ICP的传统方法和最近基于深度学习的方法的性能。当源点云和目标点云中存在异常值时，配准将更加困难。异常值是指目标点云中没有对应关系的点，这可能是由于数据采集设备的系统错误，或源点云和目标点云之间的部分重叠。不同尺度点云的配准也是一个必要且具有挑战性的研究课题。虽然SICP可以处理这种情况，但SICP的主要限制是对初始转换的敏感性。我们提出的方法可以有效的克服这三种问题共存的情况。

发明内容

针对现有技术存在的问题，本发明提供了一种高维回归点云配准方法、系统、计算机设备及应用。

本发明是这样实现的，一种高维回归点云配准方法，所述高维回归点云配准方法包括：