[发明专利]基于体素化UNet-Transformer的非刚性三维点云配准方法、系统及终端

权利要求书

1.一种基于体素化UNet-Transformer的非刚性三维点云配准方法，其特征在于，包括步骤：

S1.对标准UNet-Transformer网络进行改良得到用于执行非刚性三维点云配准任务的配准模型，所述配准模型的构建方法包括：

S11.获取经典的UNet-Transformer网络，所述UNet-Transformer网络包括两组Self-attention模块和一组Cross-attention模块，以此构成所述配准模型的注意力机制并用于提取点云序列中的全局特征和局部特征；

S12.将标准UNet-Transformer网络中的MLP结构替换为深度可分离卷积模块；

S13.采用多尺度融合模块对注意力机制所提取的特征进行融合，形成包含全局信息和局部信息的可学习特征；

S2.分别对一组原始点云和一组目标点云进行网格化处理得到原始体素化网格和目标体素化网格，再将所述原始点云和所述目标点云分别填充进相应的体素化网格中，进而得到两组点云的序列化数据；

S3.将所述原始体素化网格和所述目标体素化网格分别输入至所述配准模型的两组所述Self-attention模块中，使两个网格在多种分辨率下学习自身的点云特征；

S4.在获取到所述原始体素化网格和所述目标体素化网格的自身特征后，将两个网格输入至所述Cross-attention模块中，使两个网格在多种分辨率下学习彼此的点云特征；

S5.将步骤S3、S4中所有学习到的点云特征输入至所述深度可分离卷积模块进行迭代处理得到初步特征矩阵；

S6.利用所述多尺度融合模块将所述初步特征矩阵内的不同尺度的特征融合至同一层面以得到最终特征；

S7.将所述最终特征运用在所述原始体素化网格中，并在所述原始体素化网格中的每个网格中的点都施加一个向所述目标体素化网格方向的矢量，使得所述原始体素化网格向所述目标体素化网格靠拢，进而得到配准体素化网格；

S8.判断当前的所述配准体素化网格是否完成预设轮次的训练周期；是则将所述配准体素化网格和所述目标体素化网格转变成点云状态以得到输出最终的结果；否则利用当前得到的所述配准体素化网格对S2中的原始体素化网格进行更新，直至循环完成所有的训练周期。

2.根据权利要求1所述的基于体素化UNet-Transformer的非刚性三维点云配准方法，其特征在于，S2中，在将所述原始点云和所述目标点云分别填充进相应的体素化网格中之后，还对填充有点云的体素化网格进行下采样操作以减少一定数量的点云。

3.根据权利要求2所述的基于体素化UNet-Transformer的非刚性三维点云配准方法，其特征在于，S6中，在得到所述最终特征之后，还对所述最终特征进行上采样的学习：结合之前学习到的不同尺度的特征进行跳跃连接，进而将下采样中学习到的特征和上采样的特征进行融合。

4.根据权利要求3所述的基于体素化UNet-Transformer的非刚性三维点云配准方法，其特征在于，所述上采样的学习之前，利用Softmax函数对所述最终特征进行归一化操作。

5.根据权利要求1所述的基于体素化UNet-Transformer的非刚性三维点云配准方法，其特征在于，所述配准模型还包括一个Linear全连接层模块；S6中，在得到所述最终特征之前，还将所述初步特征矩阵中的所有特征输入到所述Linear全连接层模块中进行一个分类。

6.根据权利要求1所述的基于体素化UNet-Transformer的非刚性三维点云配准方法，其特征在于，所述Self-attention模块和所述Cross-attention模块均采用Multi-head的Self-attention机制和Cross-attention机制。

7.根据权利要求1所述的基于体素化UNet-Transformer的非刚性三维点云配准方法，其特征在于，S8中，所述训练周期共设置有1000轮。