[发明专利]一种多时相点云数据配准方法、装置及存储介质

权利要求书

1.一种基于局部不变特征提取的多时相点云数据配准方法，其特征在于，包括以下步骤：

获取点云数据；

点云特征提取：建立基于CNN神经网络的点云局部不变特征提取模型并进行训练，提取点云数据的局部不变特征，其中，所述点云局部不变特征提取模型为CNN神经网络结构，包括：

点云数据转换模块：用于将三维点云转换为三维张量，

邻域信息补充模块：用于增补三维张量中的数据，

分辨率提升模块：用于扩张三维张量的尺寸，

特征提取模块：用于学习点云的分布式特征表示，

全连接输出模块：用于将学习到的分布式特征表示映射到样本标记空间中，完成特征分类，输出点云局部不变特征；

特征点匹配：通过度量点云局部不变特征的相似程度完成特征点匹配，得到匹配点对；

点云的粗配准：基于粗配准算法，利用匹配点对的一一对应关系，按照局部不变特征相似程度从高到低的顺序选取预配置组数的匹配点对，计算相应的刚体变换矩阵，实现点云模型的初步重合；

点云的精细化配准：在粗配准的基础上基于精细化配准算法进行精细化配准，得到最优化点云数据配准结果。

2.根据权利要求1所述的一种基于局部不变特征提取的多时相点云数据配准方法，其特征在于，所述点云数据包括三维点云和特征观测值，其中，所述三维点云为目标点云及其邻域点所构成的三维点云数据集，邻域点的选取范围被限定在目标点云的r邻域内，所述特征观测值为FPFH特征。

3.根据权利要求2所述的一种基于局部不变特征提取的多时相点云数据配准方法，其特征在于，所述点云数据转换模块包括1个点云数据转换层；输入为目标点云及其邻域点所构成的三维点云数据集P＝[p_i]，其中，p₀＝(x₀,y₀,z₀)代表目标点云及其三维坐标；输出为(2N+1)×(2N+1)×3的三维张量I，其中，N为三维张量尺寸计算参数，三维张量I的尺寸为(H，W，C)，H代表高，W代表宽，C代表通道数；

点云数据转换模块的数据处理过程包括以下步骤：

步骤2-1)对输入的点云数据集进行主成分分析，求解特征值λ₀≥λ₁≥λ₂及其对应的三个特征向量v₀、v₁、v₂，构建降维矩阵V＝[v₀,v₁]，实现点云数据的平面化Q＝V^TP＝[q_i]，其中，q₀＝(u₀,v₀)代表平面化处理后的目标点云；

步骤2-2)对平面化处理后的点云进行栅格化编码处理，建立点云数据与三维张量的映射关系T_V(q_i)：

其中，r代表以目标点云为圆心进行邻域搜索的半径，函数ceil(x)取不小于x的最小整数；

步骤2-3)根据映射关系T_V(q_i)，分别用点云数据的坐标值对三维张量I的二维切片进行数值填充并做归一化处理，若同一个张量元素对应多个点云数据则实施平均化操作，其中，所述三维张量的通道数被配置为3，对应于三维张量的通道的二维切片共3个，分别为I(H,W,1)、I(H,W,2)、I(H,W,3)，所述数值填充为用点云数据的坐标值x、y、z分别填充I(H,W,1)、I(H,W,2)、I(H,W,3)。

4.根据权利要求3所述的一种基于局部不变特征提取的多时相点云数据配准方法，其特征在于，所述邻域信息补充模块包括1个分组卷积层、1个BN层、1个ReLU层和1个平均池化层，其中，所述分组卷积层依次对三维张量的每个通道所对应的二维切片进行卷积操作，利用卷积核对感受野内的数据进行学习并完成特征映射，实现三维张量中数据的增补；平均池化层用于对分组卷积后的三维张量数据进行滤波平滑处理。