[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

说明书

本发明提供了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，涉及三维点云配准技术领域。配准流程为：提取局部几何特征；计算重叠相似度分数和显著相似度分数；采样相似度分数高的点作为关键点；结合局部几何特征和距离特征构建混合特征相似度矩阵；计算混合匹配分数，并进行SVD奇异值分解，得到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；本发明利用基于注意力机制的图神经网络和跨越注意力网络得到局部几何特征的相似度分数，采样这些相似度分数高的关键点来进行点云配准，能有效提高点云配准的准确性，同时，本发明结合关键点的局部几何特征和距离特征，进一步提高点云配准的性能。

技术领域

本发明涉及三维点云配准技术领域，更具体地，涉及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。

背景技术

点云配准是计算机视觉中的一项重要任务，其目标是找到一个刚体变换，使一个三维源点云与另一个三维目标点云对齐。它在姿态估计、三维重建、目标定位等领域有着广泛的应用。传统的配准方法中应用最为广泛的是最近点迭代算法ICP(Iterative ClosestPoint)，但该方法容易陷入局部最优。为了改善ICP算法的不足，基于深度学习的方法得到了广泛的应用。然而，当点云的重叠率较低时，无论是传统的配准方法还是基于深度学习的方法的配准性能都会下降，在低重叠情况下(即重叠比例小于1/3)，如何提升点云的配准性能是当下亟待解决的问题。

传统的点云配准方法和基于深度学习的配准方法大多是在高重叠的场景下进行配准。当在低重叠场景时，无论是传统的配准方法还是基于深度学习的方法的配准性能都有待提升。对于两个部分重叠的点云，若能在两个点云的重叠部分采样特征点，可以有效的提高点云的配准性能。因此，本发明提出了一种基于注意力机制的重叠区域关键点采样方法，并且在迭代匹配过程中结合关键点的局部几何特征和距离特征，构建了一种端到端的点云配准网络，提高了配准的准确性。

现有技术的基于局部ICP的室内稀疏点云场景的配准方法，通过挑选出两帧重合度不高的点云场景中的少量重合部分，并对该少量重合部分进行局部ICP的配准，用以指导整个大场景的配准，采集数据量小，但该方法容易陷入局部最优，降低整体配准准确率。

发明内容

本发明为克服上述技术问题，提供对重叠率较低的点云配准效果好，不易陷入局部最优的一种基于注意力机制的低重叠3D动态点云配准方法。

本发明技术方案如下：

一种基于注意力机制的低重叠3D动态点云配准方法，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。