[发明专利]面向三维点云配准的均匀特征采样方法

说明书

本发明的目的在于提供一种面向三维点云配准的均匀特征采样方法，先根据激光线号将点云进行排列，随后进行均匀采样；将采样后的点云，分别进行局部特征提取和全局特征提取，并将其进行拼接，得到多尺度特征。根据特征提取会聚合领域信息的特性，对多尺度特征同样进行均匀采样。均匀采样后的多尺度特征输入交叉注意力模块，以提取变化特征，再将变换特征嵌入采样后的多尺度特征。根据特征空间的差异来构造匹配矩阵，以表示点云间的每个点的对应关系，并由匹配矩阵及采样后的目标点云获得大致对齐的虚拟点云。随后，通过权重SVD估计刚性变换。在求解出变换之后，将变换作用于点云采样后的源点云，重复以上操作，进行迭代。

技术领域

本发明属于三维点云配准技术领域，具体涉及一种面向三维点云配准的均匀特征采样方法。

背景技术

随着激光雷达(light detection and ranging，LiDAR)的快速发展，点云已成为表征三维世界的主要数据格式之一。点云配准技术是将点云扫描设备在不同视角下获取的点云数据经过旋转平移等变换到同一坐标系之下的过程,被广泛应用于3维重建、移动机器人等领域。

激光雷达里程计的计算方法大致可以分为两类，即：基于匹配的方法和基于特征的方法。其中，基于匹配的办法计算量大，在面对噪声干扰、位姿变换过大、物体被遮挡等情况时，鲁棒性不足，因此现有里程计多使用基于特征的方法。

同时，目前，点云的特征提取一般分为基于手工提取的特征和基于深度学习提取的特征。随着深度学习的发展，现在大部分基于特征的方法都使用深度学习提取的特征。但由于激光雷达点云数量庞大，但计算资源有限，面对大场景点云，大多数基于深度学习的方法需要对数据进行采样。因此，如何在有限的数据量里得到更多的信息，对算法的精度至关重要。

发明内容

本发明致力于大场景点云配准算法的研究，基于激光雷达点云的数据特性及应用领域的实际需求，设计了一种面向三维点云配准的均匀特征采样方法。该方法减少了计算资源的消耗，提高了算法的精度。

在该方案中，先根据激光线号将点云进行排列，随后进行均匀采样；将采样后的点云，分别进行局部特征提取和全局特征提取，并将其进行拼接，得到多尺度特征。根据特征提取会聚合领域信息的特性，对多尺度特征同样进行均匀采样。均匀采样后的多尺度特征输入交叉注意力模块，以提取变化特征，再将变换特征嵌入采样后的多尺度特征。根据特征空间的差异来构造匹配矩阵，以表示点云间的每个点的对应关系，并由匹配矩阵及采样后的目标点云获得大致对齐的虚拟点云。随后，通过权重SVD估计刚性变换。在求解出变换之后，将变换作用于点云采样后的源点云，重复以上操作，进行迭代。本发明减少了计算资源消耗，提高了算法精度。

本发明解决其技术问题具体采用的技术方案是：

一种面向三维点云配准的均匀特征采样方法，其特征在于，包括以下步骤：

步骤S1：分别对源点云和目标点云根据激光线号将点云进行排列，随后进行均匀采样；

步骤S2：将采样后的点云，分别进行局部特征提取和全局特征提取，并进行拼接，得到多尺度特征；

步骤S3：根据特征提取会聚合领域信息的特性，对多尺度特征进行均匀采样；均匀采样后的多尺度特征输入交叉注意力模块，以提取变化特征，再将变换特征嵌入采样后的多尺度特征；

步骤S4：根据特征空间的差异构造特征匹配矩阵，以表示点云间的每个点的对应关系，并由匹配矩阵及采样后的目标点云获得本次迭代对齐的虚拟点云；随后，在源点云分支通过权重SVD估计刚性变换；

步骤S5：源点云分支在步骤S4求解出变换之后，将变换作用于点云采样后的源点云，之后重复步骤S2-步骤S4的操作，进行迭代，直至获得配准结果。

进一步地，步骤S1具体包括以下步骤：