[发明专利]一种基于深度特征进行鲁棒点云配准的无监督方法

说明书

本发明公开了一种基于深度特征进行鲁棒点云配准的无监督方法，包括如下步骤：1）获取点云数据；2）转换；3）特征提取；4)点云配准；5)训练。这种方法是一种无监督网络，通过结合全局和局部的高级特征来学习提取深度特征，以无监督的方式训练配准框架，并且这个方法不需要对点对应进行昂贵的计算，在精度、初始化鲁棒性和计算效率方面具有很大的优势。

技术领域

本发明涉及物体三维重建和定位，具体是一种基于深度特征进行鲁棒点云配准的无监督方法。

背景技术

点云配准是估计两个点云对齐的刚性变换的问题。它在自动驾驶、运动和姿态估计、三维重建、同时定位和映射(SLAM)以及增强现实等各个领域都有许多应用。

最近，一些基于深度学习(deep learning,简称DL)的方法被提出来处理大旋转角度。(Y.Wang and J.M.Solomon,“Deep closest point:Learning representations forpoint cloud registration,”in Proceedings of the IEEE International Conferenceon Computer Vision(ICCV),2019,pp.3523–3532.)(Y.Aoki,H.Goforth,R.A.Srivatsan,and S.Lucey,“Pointnetlk:Robustefficient point cloud registration usingpointnet,”in Proceedings of the IEEE Conference on Computer Vision andPattern Recognition(CVPR),2019,pp.7163–7172)(V.Sarode,X.Li,H.Goforth,Y.Aoki,R.A.Srivatsan,S.Lucey,and H.Choset,“Pcrnet:point cloud registration networkusing pointnet encoding,”arXiv preprint arXiv:1908.07906,2019.)(X.Huang,G.Mei,and J.Zhang,“Feature-metric registration:A fast semi-supervisedapproach for robust point cloud registration without correspondences,”inProceedings of the IEEE Conference on Computer Vision and Pattern Recognition(CVPR),2020,pp.11 366–11 374.)

粗略地说，它们可以分为两类:依赖于基本事实对应或类别标签的监督方法和非监督方法。深度最近点(Deep nearest Point,简称DCP)通过奇异值分解(singular valuedecomposition,简称SVD)计算刚性变换，其中通过学习软匹配映射构建对应关系。PointNetLK使用经典的对齐技术，如Lucas-Kanade(LK)算法来对齐PointNet特征，对训练中看不到的形状产生良好的泛化能力。然而，它们依赖于大量的配准标签数据，这使得该算法不实用，因为3D配准标签非常消耗劳动力。相比之下，从没有地面真实对应的未标记点云数据实现配准是一个重大的挑战。PCRNet通过用多层感知器替换Lucas-Kanade模块，缓解了PointNetLK中所示的姿态偏差。PCRNet直接从源点云和目标点云的串联全局描述符中恢复转换参数。FMR-Net采用编码器-解码器任务实现无监督框架，同时通过最小化特征度量投影误差来实现配准。虽然这些方法展示了无监督学习的更突出的优势，但它们主要依赖全局表示的深度特征，而忽略了局部表示的深度特征。从而没有完全充分利用点云的深度特征进行配准，没有让配准效果达到完美。

发明内容