[发明专利]一种基于特征学习的端到端点云配准方法

说明书

本发明公开了一种基于特征学习的端到端点云配准方法。利用点云中每个点的邻域点构建该点的局部几何特征，并利用每个点的空间坐标、法向信息以及局部几何特征构建该点的混合特征；建立同时处理模板点云和源点云的端到端点云配准深度学习网络；设计平移损失函数和旋转损失函数，在两个损失函数共同监督下完成点云配准网络的训练学习。本发明提出的基于特征学习的端到端点云配准方法对刚体变换的初始位置不敏感，降低了算法陷入局部最优解的概率，能有效提升点云配准的精度和效率。

技术领域

本发明涉及计算机人工智能和三维点云配准领域的一种物理点云处理方法，特别涉及一种基于特征学习的端到端点云配准方法。

背景技术

点云配准任务主要是寻找两片未知对应关系点云之间的刚体变换，广泛应用于逆向工程、尺寸测量、机器人等领域。点云的无序性以及不同点云之间复杂的初始对应关系增加了点云配准的难度。迭代最近点(Iterative Closest Point,ICP)算法及其变种算法是被广泛使用的有效点云配准方法，但是该方法对点云对的初始对应位置非常敏感，容易陷入局部最优。另外，不断迭代的方式降低了算法的计算效率。随着深度学习方法在点云分类、分割等领域的有效使用，基于深度学习的点云配准方法也受到了极大关注。然而，这些方法主要用来寻找点云的对应关系，不能直接生成点云对之间的转换矩阵，增加了算法的复杂度。

发明内容

为了解决背景技术中存在的问题，本发明的目的是为了解决背景技术而提出的一种基于特征学习的端到端点云配准方法，能够适应不同初始对应关系的点云配准任务，对噪声具有较强的鲁棒性，避免算法陷入局部最优，有利于提高点云配准的精度。另外，端到端的点云配准网络不需要计算最近点的对应关系，直接输出点云对之间的转换矩阵，实现了点云对的高效配准。

本发明包括构建点云混合特征以及构建点云配准网络两个部分。首先利用点云中每个点的邻域点构建该点的局部几何特征，并利用每个点的空间坐标、法向信息以及局部几何特征构建该点的混合特征。然后设计一个同时处理模板点云和源点云的端到端点云配准深度学习网络。最后设计平移损失函数和旋转损失函数，在两个损失函数共同监督下完成点云配准网络的训练学习。

为了实现上述目的，本发明采用的具体技术方案为：

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。

本发明所述的预测点云对分为模板点云和源点云，模板点云为预先设定的物体的标准设计点云，由物体的标准三维模型获得。源点云为扫描测量的物体点云，通过三维扫描设备采集并经点云化处理后获得，如深度相机。

本发明所述的待测物体为实际世界中真实存在的物体，可以为机械零件、桌子、椅子等生活用品，但不限于此。

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；

利用步骤2中采集的邻域点，按照本发明提出的局部几何特征计算方法，获得每个邻域点对编码点的贡献值大小作为局部几何特征。

步骤1.4：构建编码点的混合特征：