[发明专利]一种基于深度学习的建筑物三维点云配准方法

说明书

本发明公开了一种基于深度学习的建筑物三维点云配准方法，包括以下步骤：S1、训练数据的获取；S2、深度学习模型的构建；S3、模型训练及调优；S4、待检测数据预处理；S5、检测点云关键区域；S6、检测点云关键点；S7、判断关键点对应关系；S8、计算转换关系及配准。本发明将深度学习应用于点云配准的两个关键步骤：寻找关键点及确定匹配关系。本发明充分利用深度学习对点云数据的表征能力来分步骤寻找关键区域、定位关键点，相对于传统的遍历方式极大地加快了检测速度，并且用深度网络模型学习点云特征而代替手工特征，使得算法更加鲁棒和高效。

技术领域

本发明涉及城市三维重建以及无人驾驶领域，尤其涉及一种基于深度学习的建筑物三维点云配准方法。

背景技术

工业生产、生活以及科学研究中，对三维重建的需求都广泛存在着，例如AR/VR、3D打印、工业生产的自动化、文物遗产的保护、计算机技术在医学领域的应用等。如今三维扫描仪器的精度越来越高，得到精细的城市大规模数据也变得容易，一些发达国家早已开始了智慧城市的建设，而城市的三维重建是智慧城市的重要组成部分，对于点云数据配准方法的研究在三维重建领域成为关键。

传统的基于点的配准方法中，要找到关键点必须依照某种人工设定的规则，依次遍历所有的点计算响应值，最后根据阈值选出关键点。这种方法不可能考虑到点基于邻域的所有特性，导致特性提取不彻底，其次采取遍历的方式计算量大，特别是对于室外建筑物规模较大的点云的处理上。深度学习在现阶段的持续高速发展，使得诸多领域的研究取得重大的突破和丰硕的科研成果，特别是在图片相关的研究领域中均取得长足的进展，但是在三维数据方面的研究和应用则刚刚起步。特别是在三维点云应用方面，基本上都是采取向低维投影、划分的方式将点云预处理成一定的规格，这样会造成信息大量的损失。

由于激光雷达从军工走向工业界、科研领域，成本价格也逐步下降，使得获取大量的点云数据成为可能，也更加方便了深度学习模型的训练。如何使用大量点云数据训练深度学习模型，利用模型的感知能力精确而高效地提取关键点以及描述点云特征成为紧迫任务。

发明内容

本发明的目的在于提供一种基于深度学习的建筑物三维点云配准方法，使其能有效提升配准效率和精度。

为实现上述目的，本发明采用以下技术方案：

一种基于深度学习的建筑物三维点云配准方法，其包括以下步骤：

S1、训练样本的获取，得到用于训练模型的样本数据；

S2、搭建深度学习模型，使得模型适用于点云数据的处理；

S3、根据模型训练、测试反馈信息调整超参数；

S4、预处理点云，将待检测的点云数据分块，作为模型的输入；

S5、针对模型的输入点云块，检测其中是否含有关键区域，将包含关键区域的点云块保留；

S6、检测出包含关键区域的点云块中的关键点；

S7、将分别处于不同点云的关键点成对地输入关键点匹配模型，判断它们是否匹配；

S8、取足量的对应关键点计算转换关系，从得到的转换矩阵中选出配准效果最好的一个作为最终结果。

所述步骤S1具体包括以下分步骤：

S11、截取处于门框角、窗框角以及墙面夹角等部位的点作为关键点；

S12、取出以关键点为球心、半径r的球体内包含的点，再以这些点分别为球心，截取半径为r的球体区域的点云块作为关键区域检测模型的正样本，使得正样本都包含关键点；在点云不包含关键点的区域截取同等大小的球体作为关键区域检测模型的负样本；