[发明专利]一种多时相点云数据配准方法、装置及存储介质

说明书

本发明涉及一种基于局部不变特征提取的多时相点云数据配准方法、装置及存储介质，其中方法包括：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：用于实现特征分类，输出点云局部不变特征；特征点匹配；点云的粗配准；点云的精细化配准。与现有技术相比，本发明具有配准精度高、处理效率高等优点。

技术领域

本发明涉及输变电设备状态评估领域，尤其是涉及一种基于局部不变特征提 取的多时相点云数据配准方法、装置及存储介质。

背景技术

输变电设备形态4D评估可从时空尺度上精确描述设备形变的演化过程，满足 精细化的设备几何形态评估需求，多时相点云数据配准算法作为形态4D评估的关 键性技术，需要满足高精度、高普适性的要求。

主流的点云配准方法可大致分为基于特征的点云配准方法、基于点的点云配准方法、基于数学模型的点云配准方法和基于深度学习的点云配准方法。基于特征的 点云配准方法可解释性强、配准速度快，常被用于点云的粗配准；但此类方法对点 云特征的计算以法向量或拟合曲面的估算为基础，其配准精度受限于点云密度大小 与点云分布均匀性。基于点的点云配准方法以ICP算法为最经典的代表，具有配 准精度高的显著优点，该类方法对点云数据的初始位置关系较为敏感，易陷入局部 最优，而且其运算代价大，不适用于大范围、高密度的点云对象。基于数学模型的 点云配准方法利用各种数学模型来描述点云数据的空间分布情况，从而实现点云数 据的配准，具有运算速度快的优点，适合于大场景、高实时性的点云配准任务；但 受限于点云数学模型的拟合精度，此类方法的配准精度通常不高，难以满足点云高 精度配准的需求。基于深度学习的点云配准方法通过构建深度神经网络实现点云数 据的配准，且已经在特定点云数据集(ModelNet40、Kitti或3DMatch)上取得了 优于传统ICP算法的表现；但此类方法的可解释性、可复现性以及泛化能力较差， 其计算代价会随着点云稠密度的提升而快速增加，这都限制了此类方法在实际工程 中的应用。

输变电设备形态4D评估多时相点云数据配准算法，一方面，为了保证后续点 云模型差异值计算的准确度与可靠性，算法需要具备优异的配准精度；另一方面， 由于输变电设备在几何形态上常具有相似性与对称性，算法需要高效区分几何特性 相近的点云数据，并实现对应点的精确匹配；此外，考虑到输变电设备存在应力形 变的可能性，算法需要具备良好的抗形变干扰能力。从以上角度，现有的输变电设 备形态4D评估多时相点云数据配准算法存在以下难以解决的问题：

1)无法消除输变电设备形变的影响；

2)无法匹配输变电设备的结构特点；

3)无法兼顾配准精度与处理效率。

传统的点云配准方法只针对配准算法本身展开研究，并不考虑待处理对象的特点与配准需求；因此，在处理输变电设备多时相点云数据这一具体对象时，传统的 点云配准方法都难以取得理想的配准效果。

发明内容

本发明的目的就是为了提供一种基于局部不变特征提取的多时相点云数据配 准方法、装置及存储介质，解决输变电设备点云几何特征相似性对点云数据配准算 法的影响，且兼顾配准精度与处理效率，具有良好的普适性与点云密度鲁棒性。

本发明的目的可以通过以下技术方案来实现：

一种基于局部不变特征提取的多时相点云数据配准方法，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：