[发明专利]一种基于重叠区域掩模预测的3D点云配准方法

说明书

本发明公开了一种基于重叠区域掩模预测的3D点云配准方法，使用迭代的卷积神经网络以从粗到精的方式学习点云刚体变换。3D刚体变换被表征为四元数和沿XYZ三个轴方向上的平移距离，四元数可以避免万向锁的情况出现。此外，我们在网络中学习带有注意力机制的掩模。该掩模不仅突出源点云和目标点云互相重叠的部分，而且还可以滤除其中非重叠区域以及噪声的干扰。在每一次迭代过程后，当次迭代预测的掩模会用于下一次迭代的点云特征提取过程中，以保证点云重叠区域的预测与3D刚体变换的回归是相互促进的过程。

技术领域

本发明涉及计算图形学、计算机视觉领域，具体涉及一种基于重叠区域掩模预测的3D点云配准方法。

背景技术

3D点云配准是匹配和叠加在不同时间、不同视角以及不同传感器下获取的两个或多个点云的过程，此技术被广泛应用于三维场景重建(3D Scene Reconstruction)、同步定位和地图绘制(Simultaneous Localization And Mapping)、增强现实(AugmentedReality)和自动驾驶(Autopilot)等应用和领域。

在现有的各种点云配准方法中，基于最近邻迭代(Iterative Closest Point)的算法由于其简单性和效率而得到了广泛的应用。该方法通过迭代的方式重复计算欧式空间中坐标的最近邻点来确定匹配点对，再利用奇异值分解(Singular Value Decomposition)的方式求解刚体变换矩阵，其求解精度高度依赖于源点云和目标点云初始位置的差异大小、噪声大小以及重叠程度。当在处理初始位置差异大、噪声干扰强以及重叠程度小的场景时，上述方法确定的匹配点对通常会出错，导致无法正常对此类场景进行配准。后续有研究人员提出了基于DNN的方法来学习鲁棒的深度特征，这些特征可以成功处理较大的初始位置差异和较强的噪声场景。但当源点云和目标点云重叠区域较小时，很容易导致对应点的误匹配。为了让算法针对部分重叠的点云拥有更强的配准能力，基于外点滤除的方法被提出，但由于其仍需要匹配对应点对，只能利用点云中稀疏的部分点的信息，导致其配准精度难以提高。

发明内容

针对现有技术中的上述不足，本发明提供了一种基于重叠区域掩模预测的3D点云配准方法。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于重叠区域掩模预测的3D点云配准方法，包括如下步骤：

包括如下步骤：

S1、对源点云和目标点云进行特征提取，得到其中每个点的特征；

S2、对步骤S1中得到的每个点的特征进行多层卷积运算，获取源点云和目标点云的相同纬度的全局特征，并计算源点云和目标点云相互重叠区域；

S3、将步骤S1得到的每个点的特征以及步骤S2得到的全局特征进行组合，进行3D刚体变换参数计算并进行迭代。

上述方案的有益效果是，可以利用到点云中全部点的信息，同时，可以利用点云重叠区域的分类结果来避免非重叠部分点的特征对点云全局特征的影响，进而促进刚体变换参数的回归更加精准。

进一步的，所述步骤S1具体包括：

S11、对源点云和目标点云中每个点进行特征提取；

S12、利用迭代预测的掩模对步骤S11得到的特征进行加权；

S13、将经过步骤S12加权之后点的特征进行最大池化操作，得到源点云和目标点云各自的全局特征；

S13、将步骤S13得到的全局特征复制多份，分别与源点云和目标点云中各自点的中间层特征组合，得到源点云和目标点云的每个点的特征。

上述方案的有益效果是，可以进行源点云和目标点云之间的信息交互，赋予后续的点云重叠区域分类网络辨别点是否位于重叠区域的能力，有利于后续点云重叠区域的精准分类。