[发明专利]一种基于特征学习的端到端点云配准方法

权利要求书

1.一种基于特征学习的端到端点云配准方法，其特征在于：

步骤1：构建混合特征构建网络，通过混合特征构建网络获得待测物体的点云的混合特征；

步骤2：基于混合特征构建网络构建基于特征学习的端到端点云配准网络，端到端点云配准网络包含了混合特征构建网络；

步骤3：训练构建的点云配准网络，且点云配准网络在平移损失函数和旋转损失函数共同监督下训练；

步骤4：利用训练完成后的点云配准网络的结果直接用于预测点云对之间的变换；

所述步骤1具体为：

步骤1.1：采集待测物体的点云，点云的每个点均为编码点，以每个编码点为中心在点云中构建球形区域；

步骤1.2：在构建的球形区域中随机选择k个相邻的编码点作为邻域点；

步骤1.3：构建编码点的局部几何特征；

步骤1.4：构建编码点的混合特征：

步骤1.5：构建点云的混合特征：重复步骤1-4，为点云中的每个编码点构建混合特征；

所述的步骤1.3具体为：

将编码点与其每一个邻域点之间的空间距离在X、Y、Z三个坐标轴上分解，利用每个坐标轴上的距离计算该坐标轴方向上该邻域点对编码点的贡献值，X、Y、Z三个坐标轴处理方式相同；以X轴方向上的贡献值为例，计算邻域点在X轴方向上对编码点的贡献值，以Fx表示：

其中，x表示邻域点与编码点沿X轴方向的距离；

所述步骤1.4中，使用编码点在三个坐标轴的空间位置坐标(x,y,z)、点法向信息(N_x,N_y,N_z)以及局部几何特征(Fx,F_y,F_z)构建组成了编码点的混合特征；

所述的步骤2中的端到端点云配准网络，具体包括了混合特征处理模块、第三多层感知机网络、最大池化操作和全连接层，源点云和模板点云分别经各自的混合特征处理模块后获得两个尺度不同的点云特征，将源点云和模板点云各自的两个不同尺寸的点云特征进行跳跃连接后获得融合特征，融合特征经过第三多层感知机网络后再经最大池化操作获得全局特征，再将全局特征经全连接层获得源点云和模板点云之间的平移变换参数和旋转变换参数，将平移变换参数和旋转变换参数合并形成变换矩阵并输出；

所述的混合特征处理模块主要由混合特征构建网络、第一多层感知机网络、第二多层感知机网络依次连接构成，源点云/模板点云输入到混合特征构建网络，第一多层感知机网络和第二多层感知机网络输出两种不同尺度的特征并作为两个点云特征；源点云的两个不同尺度的点云特征从小到大排列，然后模板点云的两个不同尺度的点云特征从小到大排列组成了融合特征。

2.根据权利要求1所述的一种基于特征学习的端到端点云配准方法，其特征在于：

所述的步骤3中，在训练中，将变换矩阵反馈到源点云进行变换，以变换后的源点云再一次输入到端到端点云配准网络中得到下一次迭代的变换矩阵，并且不断重复迭代优化达到预设迭代次数后，以所有迭代次获得的变换矩阵进行相乘后的结果作为最终点云变换矩阵，用最终点云变换矩阵对源点云进行变换。