[发明专利]一种基于注意力机制的低重叠3D动态点云配准方法和系统

权利要求书

1.一种基于注意力机制的低重叠3D动态点云配准方法，其特征在于，包括以下步骤：

S1、将待配准的源点云和目标点云输入预先训练好的点云配准网络，提取源点云中所有点云点和目标点云中所有点云点的局部几何特征；

S2、计算源点云的局部几何特征和目标点云的局部几何特征之间的相似度分数；

S3、对相似度分数达到阈值的源点云的点云点和目标点云的点云点进行采样得到关键点；

S4、计算源点云和目标点云的关键点的距离特征，将距离特征和关键点的局部几何特征相结合构建混合特征相似度矩阵；

S5、根据混合特征相似度矩阵计算得到关键点的混合匹配分数，并对混合匹配分数进行SVD奇异值分解，得到配准矩阵和配准向量，利用配准矩阵和配准向量对源点云的位置进行变换，使源点云与目标点云完成配准；

其中，步骤S1提取所述局部几何特征通过点云配准网络中的基于注意力机制的图神经网络实现，步骤S2计算所述相似度分数通过点云配准网络中的基于注意力机制的图神经网络和跨越注意力网络实现。

2.根据权利要求1所述的一种基于注意力机制的低重叠3D动态点云配准方法，其特征在于，所述点云配准网络的训练方法是通过匹配损失函数进行监督学习，将步骤S5所述配准矩阵和配准向量均输入损失函数，若匹配损失函数收敛，则得到训练完成的点云配准网络，若匹配损失函数不收敛，则返回步骤S4，计算经过配准矩阵和配准向量位置调整后的源点云和目标点云的关键点的距离特征，然后执行步骤S5，直到损失函数收敛，点云配准网络训练完成。

3.根据权利要求1所述的一种基于注意力机制的低重叠3D动态点云配准方法，其特征在于，步骤S1所述局部几何特征的提取方法为：对源点云和目标点云每个点云点p_i构建球形区域，在区域中用knn算法选取最邻近的k个点记为p_e，其中e∈{1，2，…，k}，通过h_θ(p_i,p_e)得到点p_i和p_e的边缘特征，其中h_θ是由可学习的参数θ构成的非线性函数，最后对k个边缘特征求和得到点p_i的图特征图特征经过若干个多层感知器MLP以及一层最大池化层得到输出的点云点的局部几何特征n×a_n，其中a_n为最后一层MLP的输出维度。

4.根据权利要求1所述的一种基于注意力机制的低重叠3D动态点云配准方法，其特征在于，步骤S2所述相似度分数的计算方法是将源点云中的每个局部几何特征和目标点云中的所有局部几何特征相连接进行逐一对比，得到重叠点的重叠相似度和特征突出的点的显著相似度，输出重叠相似度分数和显著相似度分数作为相似度分数。

5.根据权利要求1所述的一种基于注意力机制的低重叠3D动态点云配准方法，其特征在于，步骤S4所述距离特征的计算的公式为：

其中[；]表示连接操作，p_i为源点云关键点，q_j为目标点云关键点；

计算得到距离特征后将距离特征d(i,j)和关键点的局部几何特征F^p(i)、F^q(j)相连接得到混合特征H⁽ⁿ⁾(i,j)＝[F^p(i)；F^q(j)；d(i,j)]，对混合特征H⁽ⁿ⁾应用一系列的1×1的二维卷积将其映射到高维空间，然后将其输入多层感知器MLP，并对混合特征的每一行应用Softmax函数得到相似度矩阵S⁽ⁿ⁾(i,j)，S⁽ⁿ⁾(i,j)表示源点云中的点p_i和目标点云中的点p_j的混合匹配分数。