[发明专利]基于图神经网络的户外场景点云配准方法

说明书

本发明提供了一种基于图神经网络的户外场景点云配准方法，该方法包括：S1：对待配准点云进行地面点滤除；S2：对点云进行欧几里得距离的点云聚类得到块状点云；S3：构建多对待配准点云并生成块状点云间的匹配关系；S4：对块状点云进行正则化处理，得到两组正则化后的块状点云、两组块状点云的重心以及标准差；S5：构建学习块状点云的局部几何描述符的图神经网络；S6：构建两组块状点云之间的信息交互网络；S7：构建用于描述符匹配的神经网络，使用最优传输模型求解匹配概率矩阵Γ，构建损失函数；S8：使用随机采样一致性方法筛选匹配对关系，求解相对变换矩阵T。本发明可以用以配准两个重叠度低、初始坐标系相差较大的户外场景点云。

技术领域

本发明涉及一种基于图神经网络的户外场景点云配准方法。

背景技术

点云配准方法在测绘行业的三维场景重建、机器人领域的实时建图与定位等有广泛应用。点云，也称为点集，是指在某个特定坐标系下的一组坐标点的集合。点云通常由点云扫描仪生成，常见的点云扫描仪有激光雷达、RGBD相机，此外双目相机通过立体视觉的方法也可以生成点云。给定一个目标点云和待配准点云，如何通过刚性变换使得待配准点云对齐至目标点云的过程，称为点云的配准。经过成功配准的两个点云将转换至同一坐标系下，且相同部分的点云将会相互重合。

在户外场景中，点云扫描仪通常只能扫描到在其周围可探测范围内的环境并生成相应的点云，而在同一环境的不同位置下扫描到的点云常常会有一定差别，这是由点云所在的坐标系的不一致、不同位置下探测到的环境的不一致以及点云的噪声造成的。当两个点云仅有部分重叠、且所在坐标系相差较远时，配准两个点云的难度较大。

总体上看，适用于户外场景的点云配准方法主要分为迭代最近点(ICP)方法、基于概率拟合的方法和基于点云特征匹配的方法。迭代最近点法匹配待配准点云的各个点与其对应的目标点云中的最近点，求解刚性变换，并迭代多次直至两个点云相互重合。该方法对重叠度高、初始坐标系相近的点云配准效果较好，对于重叠度低、或初始坐标系相差较大的点云配准往往会陷入局部错误解。基于概率拟合的方法通常将目标点云转化为栅格化的概率分布，将点云的配准问题转化为概率的最大似然问题，由于概率栅格是由多个目标点拟合而成的，因此待匹配的点与目标点是一对多的匹配关系。该方法对点云的噪声、离群值鲁棒性较好，但无法解决初始坐标系相差较大的点云配准问题。基于特征匹配的点云配准方法试图寻找两个点云的局部特征，如点云的块状特征或者特征点，计算所选特征的描述符，将相似的特征进行匹配从而实现两个点云的配准，该方法可以适用于重叠度低、初始坐标系相差较远的点云配准问题，但如何合理地选取点云的局部特征以及用于匹配的特征描述符是基于特征匹配方法的难点。

发明内容

本发明的目的在于提供一种基于图神经网络的户外场景点云配准方法。

为解决上述问题，本发明提供一种基于图神经网络的户外场景点云配准方法，包括：

S1.对目标点云进行地面点滤除，得到不含地面的点云Cloud₁，对待配准点云进行地面点滤除，得到不含地面的点云Cloud₂；

S2.对点云Cloud₁进行基于欧几里得距离的点云聚类，得到一组块状点云对点云Cloud₂进行基于欧几里得距离的点云聚类，得到另一组块状点云

S3.构建用于训练局部几何描述符网络、块状点云信息交互网络和描述符匹配网络的块状点云数据集；

S4.对块状点云进行正则化处理，得到对应的正则化后的块状点云块状点云的重心以及标准差对块状点云进行正则化处理，得到对应的正则化后的块状点云块状点云的重心以及标准差

S5.构建学习单个块状点云的局部几何描述符的图神经网络，基于单个块状点云的局部几何描述符的图神经网络，将每个正则化后的块状点和分别云映射为对应的d维的局部描述符向量；