[发明专利]基于三维卷积神经网络的点云配准方法

说明书

一种基于三维卷积神经网络的点云配准方法，包括如下步骤：第一步：获取训练点云模型和待配准目标点云模型，计算其在观测方向上的深度图像；第二步：构建三维卷积神经网络模型，设定训练参数和损失函数，使用获取的数据集来训练网络，得到训练好的三维卷积神经网络模型；第三步：通过训练好的三维卷积神经网络模型来提取目标模型两视角下点云的特征点；第四步：根据提取到的特征点结合配准算法来计算两视角点云之间的配准参数。本发明具有良好的鲁棒性，可以在低分辨率、遮挡等条件不同的情况下准确的提取出点云的特征点。

技术领域

本发明涉及计算机视觉领域，特别涉及一种基于三维卷积神经网络的点云配准方法。

背景技术

由于光学扫描系统的有限可见性，导致单视角扫描存在由遮挡造成扫描盲区，要得到完整模型往往需要对物体进行多视角扫描，因此对于得到的多视角点云数据模型，需要确定一个合适的坐标变换，将各个视角下的点云配准到同一坐标系下，从而得到完整的模型。点云配准技术可描述为两视角点云之间的坐标系之间的变换，包括旋转变换与平移变换。

点云配准中应用的最广泛的算法是ICP算法(Iterative Closest Point，最近点迭代)，该算法在待配准点云比较接近时配准效果良好，在没有初始配准的情况下，容易收敛于局部最小化，且其效率不高，计算的复杂度随着点云的规模增大而显著提高。

为了解决ICP算法的问题，许多学者在此基础上提出了粗配准的方法。粗配准主要有两类：一类是基于几何特征，如FPFH算法(Fast Point Feature Histograms，快速点特征直方图)；一类是基于投票机制，如RANSAC算法(Random Sample Consensus，随机采样一致)。但不管是哪一类算法，都存在效率低下且精度不高的问题，使得点云配准的鲁棒性较差、效率低等且无法为精配准提供一个良好的初值。因此，本发明提出了一种基于三维卷积神经网络的点云配准方法，通过三维卷积神经网络来学习提取点云模型的特征点，再结合配准算法得到配准参数，从而提高点云配准的效率与鲁棒性。

发明内容

为了克服现有点云配准技术的效率较低、鲁棒性较差的不足，本发明提供了一种基于三维卷积神经网络的点云配准方法，以解决点云配准算法的效率以及鲁棒性问题。

为了实现上述目的，本发明采用的技术方案为：

一种基于三维卷积神经网络的点云配准方法，包括如下步骤：

1)获取训练点云模型和待配准目标点云模型，计算其在观测方向上的深度图像；

2)构建三维卷积神经网络模型，设定训练参数和损失函数，使用获取的数据集来训练网络，得到训练好的三维卷积神经网络模型；

3)通过训练好的三维卷积神经网络模型来提取目标模型两视角下点云的特征点；

4)根据提取到的特征点通过配准算法来计算两视角点云之间的配准参数。

进一步，所述步骤(2)，具体包括如下步骤：

(2.1)构建一个三维卷积神经网络模型，整个三维卷积神经网络的层包括四个部分；第一部分由一个卷积层和一个池化层组成，其中输入3D块的大小为30×30×30，卷积层经过64个大小为3×3×3的卷积核和RELU激活函数处理，输出特征为30×30×30×64，池化层中将每2×2×2的体素合为一个体素并取其中的最大值，输出特征大小为15×15×15×64；

第二部分由一个卷积层组成，其中输入特征的大小为15×15×15×64，每个卷积层经过128个大小为3×3×3的卷积核和RELU激活函数处理，输出特征为13×13×13×128；

第三部分由两个卷积层组成，其中输入特征的大小为13×13×13×128，每个卷积层经过256个大小为3×3×3的卷积核和RELU激活函数处理，输出特征为9×9×9×256；