[发明专利]一种基于非局部操作的点云配准方法

说明书

本发明公开了一种基于非局部操作的点云配准方法。首先设计能够捕获点云非局部区域信息的非局部操作，增强点云自身结构信息；同时设计能处理两片不同点云的交叉非局部操作，增强两片待匹配点云之间的关键匹配信息；然后设计同时处理两片待匹配点云的深度学习网络，通过生成虚拟对应点的方式寻找点云之间的匹配关系；最后利用奇异值分解获得两片待匹配点云之间的旋转变换和平移变换矩阵。本发明提出的基于非局部操作的点云配准方法对噪声、离群点以及不同密度的点云输入具有较强的鲁棒性，能有效避免算法陷入局部最优，提升点云配准算法的效率和精度。

技术领域

本发明涉及用于工件尺寸测量的机器视觉和三维点云处理方法，特别涉及一种基于非局部操作的点云配准方法。

背景技术

点云配准在逆向工程、无人驾驶、机器人等领域是一个非常关键的任务，它主要用来评估未知对应关系点云之间的几何变换。传统的点云配准算法以迭代最近点(IterativeClosest Point,ICP)为代表，需要不断迭代寻找对应点并计算最小均方刚体变换误差，限制了算法的求解效率，并且对初始点云对应关系敏感，算法容易陷入局部最优。近年来，深度学习方法也广泛应用于点云配准领域。虽然基于深度学习的点云配准方法摆脱了对几何对应关系的求解困境，但是其算法局限于对点云局部信息的特征提取，不能充分考虑非局部点云结构信息对点云配准结果的影响，不利于点云配准精度的提升。而且，大多数基于深度学习的方法仍然通过迭代更新变换矩阵的方式优化匹配结果，增加了算法的复杂度，降低了算法的求解效率。

发明内容

本发明的目的是为了解决背景技术而提出的一种基于非局部操作的点云配准方法，充分考虑了点云各点之间的相互关系对点云配准结果的影响，能够综合利用点云的局部结构信息和非局部结构信息，对点云不同的初始对应位置具有较强的适应性。另外，所提算法通过生成虚拟对应点的方式模拟点云之间的相互匹配关系，不需要迭代优化求解结果，提高了算法的求解效率。

本发明方法包括构建点云非局部操作、交叉非局部操作以及构建点云配准网络三个部分。

本发明首先设计一个能够捕获点云非局部区域信息的非局部操作，增强点云自身结构信息；同时设计一个能处理两片不同点云的交叉非局部操作，增强两片待匹配点云之间的关键匹配信息。然后设计一个同时处理两片待匹配点云的深度学习网络，通过生成虚拟对应点的方式寻找点云之间的匹配关系。最后利用奇异值分解策略获得两片待匹配点云之间的旋转变换和平移变换矩阵。

为了实现上述目的，本发明采用的具体技术方案为：

步骤1：构建基于非局部操作的点云配准网络；

所述的点云配准网络包含了非局部操作网络和交叉非局部操作网络；同时处理模板点云和源点云。

步骤2：待测物体的模板点云和源点云输入到点云配准网络后进行训练；

本发明所述的模板点云为预先设定的物体的标准设计点云，由物体的标准三维模型获得。源点云为扫描测量的物体点云，通过三维扫描设备采集并经点云化处理后获得，如深度相机。

步骤3：采集待测物体的模板点云和源点云，输入到训练后的点云配准网络中，直接预测扫描测量的源点云和模板点云之间的旋转变换和平移变换结果，然后利用旋转变换和平移变换结果对待测点云进行变换处理实现点云配准。

本发明所述的待测物体为实际世界中真实存在的物体，可以为机械零件、桌子、椅子等生活用品，但不限于此。