[发明专利]基于注意力机制的非刚性三维点云配准方法及系统

说明书

本发明涉及一种基于注意力机制的非刚性三维点云配准方法及系统。该三维点云配准方法首先使用自适应实例归一化模块作为标准Transformer网络中的归一化层，然后获取一个非刚性目标在两种不同动作下的原始点云数据，分别作为源点云和目标点云。接着提取出源点云和目标点云的高维度的逐点特征，与位置编码叠加得到源点云和目标点云的初始特征嵌入。然后利用多头交叉注意力模块进行线性变化的矩阵运算，将多个注意力分数拼接得到映射了目标点云信息的源点云的中间特征嵌入，再然后使用自适应实例归一化模块对中间特征嵌入进行归一化处理，使得变形后的点云与源点云在身份特征上尽可能地保持一致，并且表面更为光滑，进一步提升了配准的效果。

技术领域

本发明涉及计算机视觉技术领域，特别是涉及一种基于注意力机制的非刚性三维点云配准方法及系统。

背景技术

由于三维扫描设备可扫描范围的有限性和待扫描物体形状的多样性，以及环境的影响，往往无法通过一次扫描就获得物体完整的数据模型。通常必须从不同的角度捕获多个点云，每个点云都与不同的坐标系相关联，而且有可能出现平移错位和旋转错位，通过计算一个合适的坐标变换，将从不同视角扫描到的点云数据统一到同一个坐标系下，形成一个完整的数据模型，或者通过计算一个变换矩阵将两个形状大小完全一样的点云统一到同一坐标系下，实现这一过程的关键技术就是点云配准。

点云配准按对象可分类为刚性配准和非刚性配准。刚性配准的变换参数通常由一个低维的变换矩阵表示，进行全局旋转、平移的坐标变换。非刚性配准变换的形式更为复杂，涉及到局部旋转平移和非刚性变形，无法使用简单的变换参数进行描述。在实际应用中，非刚性点云配准面临很多困难：第一，由于扫描的目标移动或扫描角度的不同，待配准的两片点云的重叠部分是未知的，在大尺度变形中两片点云相差更大、重叠部分也更少。第二，与图像不同，点云没有颜色特征，仅仅只有空间坐标。由于这些原因导致现有的非刚性点云配准方法在大尺度变形中出现匹配不上、配准效果不够精细、算法开销较大等问题，从而大大限制了其在工业自动化中的使用。

目前基于传统方法的非刚性点云配准方法，通常使用传统的特征描述符等计算获得输入点云的特征，通过对比原始点云和目标点云的特征相似程度来建立可靠的点对点的对应关系，即得到逐点的旋转平移变换矩阵。然而该类配准方法在面对较大形变时容易产生错误的对应关系点对，从而影响配准结果。另外，近些年兴起了基于深度学习的非刚性点云配准方法，如相干点漂移网络(Coherent Point Drift Networks,CPD-Net)、循环多视角配准网络(Recurrent Multi-view Alignment Network)。该类方法的整体思路与传统方法类似，通常包含特征提取组件和对应关系搜索组件。然而非刚性配准中更大的自由度增加了网络训练的难度，标签数据的缺乏又进一步限制了网络的训练，使得当前基于深度学习的非刚性点云配准方法仅适用于小尺度的非刚性变形。另外，由于点云的无序性，最开始的深度学习方法通过将点云转换为体素，来解决点云配准问题的。这类方法将点云划分为多个正方体网格，但网格化后的体素数据具有很大的冗余性，导致这种方法计算量大、占用空间高。

发明内容

基于此，有必要针对现有技术中，大尺度非刚性形变下的目标三维点云配准效果较差的技术问题，本发明提供一种基于注意力机制的非刚性三维点云配准方法及系统。

本发明公开一种基于注意力机制的非刚性三维点云配准方法，包括以下步骤：

S1.使用至少一组自适应实例归一化模块作为标准Transformer网络中的归一化层，得到用于执行非刚性三维点云配准任务的改良Transformer网络。改良Transformer网络还包括多头交叉注意力模块。

S2.获取一个非刚性目标在两种不同动作下的原始点云数据，分别作为源点云S和目标点云T。

S3.提取出源点云和目标点云的高维度的逐点特征，并将输出的特征与改良Transformer网络中的位置编码叠加，得到源点云和目标点云的初始特征嵌入X_S和X_T。