CN110246167A - 用于处理点云数据的方法和装置 - Google Patents
用于处理点云数据的方法和装置 Download PDFInfo
- Publication number
- CN110246167A CN110246167A CN201910515759.6A CN201910515759A CN110246167A CN 110246167 A CN110246167 A CN 110246167A CN 201910515759 A CN201910515759 A CN 201910515759A CN 110246167 A CN110246167 A CN 110246167A
- Authority
- CN
- China
- Prior art keywords
- point
- key point
- cloud data
- key
- proximity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了用于处理点云数据的方法和装置。该方法的一具体实施方式包括:获取第一点云数据中点的第一特征向量以及第二点云数据中点的第二特征向量,其中,第一点云数据和第二点云数据为不同视角获取的同一场景的点云数据;根据第一特征向量,确定第一点云数据的至少一个第一关键点;根据第一点云数据与第二点云数据之间的预设第一转换参数以及至少一个第一关键点,确定第二点云数据的至少一个第二关键点;基于第一特征向量、第二特征向量、至少一个第一关键点、至少一个第二关键点以及预先建立的匹配点生成模型,确定与至少一个第一关键点对应的至少一个匹配点。该实施方式能够提高第一点云数据和第二点云数据配准的精确度。
Description
技术领域
本申请实施例涉及计算机技术领域,尤其涉及用于处理点云数据的方法和装置。
背景技术
三维点云数据是通过测量仪器得到的物体外观表面的点数据集合,是对真实世界的一种数字化表现形式。三维点云数据在建筑物保护、三维地图、生物医学等领域具有很强的应用价值。点云配准即将两个不同视角获取的点云数据统一到相同的坐标系。
发明内容
本申请实施例提出了用于处理点云数据的方法和装置。
第一方面,本申请实施例提供了一种用于处理点云数据的方法,包括:获取第一点云数据中点的第一特征向量以及第二点云数据中点的第二特征向量,其中,上述第一点云数据和上述第二点云数据为不同视角获取的同一场景的点云数据;根据上述第一特征向量,确定上述第一点云数据的至少一个第一关键点;根据上述第一点云数据与上述第二点云数据之间的预设第一转换参数以及上述至少一个第一关键点,确定上述第二点云数据的至少一个第二关键点;基于上述第一特征向量、上述第二特征向量、上述至少一个第一关键点、上述至少一个第二关键点以及预先建立的匹配点生成模型,确定与上述至少一个第一关键点对应的至少一个匹配点。
在一些实施例中,上述方法还包括:根据上述至少一个第一关键点以及与上述至少一个第一关键点对应的至少一个匹配点,对上述第一点云数据和上述第二点云数据进行配准。
在一些实施例中,上述基于上述第一特征向量、上述第二特征向量、上述至少一个第一关键点、上述至少一个第二关键点以及预先建立的匹配点生成模型,确定与上述至少一个第一关键点对应的至少一个匹配点,包括:对于上述至少一个第一关键点中的第一关键点,根据上述第一点云数据,确定该第一关键点的第一预设数量个第一临近点;对于上述至少一个第二关键点中的第二关键点,根据预设的搜索半径以及预设的网格尺寸,确定该第二关键点的第二预设数量个候选关键点;根据上述第二点云数据,确定上述第二预设数量个候选关键点中候选关键点的第一预设数量个第二临近点;基于上述第一特征向量、上述第二特征向量、上述第一临近点、上述第二临近点以及上述匹配点生成模型,确定上述至少一个匹配点。
在一些实施例中,上述根据上述第一点云数据,确定该第一关键点的第一预设数量个第一临近点,包括:将该第一关键点作为中心,根据预设的邻域距离,确定该第一关键点的邻域空间;将上述邻域空间内的点作为该第一关键点的第一临近点。
在一些实施例中,上述将上述邻域空间内的点作为该第一关键点的第一临近点,包括:确定上述邻域空间内点的数量是否小于上述第一预设数量;响应于确定上述邻域空间内点的数量小于上述第一预设数量,复制上述邻域空间中的至少一个点,使得复制后上述邻域空间中点的数量等于上述第一预设数量。
在一些实施例中,上述根据预设的搜索半径以及预设的网格尺寸,确定该第二关键点的第二预设数量个候选关键点,包括:将该第二关键点作为中心,根据上述搜索半径,确定该第二关键点的搜索空间;在上述搜索空间内,以上述网格尺寸为棱长,确定第二预设数量个网格体素;将上述第二预设数量个网格体素中网格体素的中心点作为该第二关键点的候选关键点。
在一些实施例中,上述匹配点生成模型包括特征提取子模型和匹配点生成子模型;以及上述基于上述第一特征向量、上述第二特征向量、上述第一临近点、上述第二临近点以及上述匹配点生成模型,确定上述至少一个匹配点,包括:根据上述第一点云数据确定上述第一临近点的信息,以及根据上述第二点云数据确定上述第二临近点的信息;将上述第一特征向量、上述第二特征向量、上述第一临近点的信息以及上述第二临近点的信息输入上述特征提取子模型,得到上述至少一个第一关键点的第三特征向量和至少一个第二关键点中第二关键点的第二预设数量个候选关键点的第四特征向量;将所得到的第三特征向量、第四特征向量以及候选关键点输入上述匹配点生成子模型,确定上述至少一个匹配点。
在一些实施例中,上述将所得到的第三特征向量、第四特征向量以及候选关键点输入上述匹配点生成子模型,确定上述至少一个匹配点,包括:对于上述至少一个第二关键点中的第二关键点,根据上述第三特征向量以及上述第四特征向量,确定该第二关键点的第二预设数量个候选关键点与该第二关键点对应的第一关键点的相似度;根据所得到的相似度以及该第二关键点的第二预设数量个候选关键点,确定上述至少一个匹配点。
在一些实施例中,上述根据上述第一点云数据确定上述第一临近点的信息,以及根据上述第二点云数据确定上述第二临近点的信息,包括:根据上述第一点云数据,确定第一临近点的激光反射强度,以及根据上述第二点云数据,确定第二临近点的激光反射强度。
在一些实施例中,上述将上述第一特征向量、上述第二特征向量、上述第一临近点的信息以及上述第二临近点的信息输入上述特征提取子模型中,得到上述至少一个第一关键点的第三特征向量和至少一个第二关键点中第二关键点的第二预设数量个候选关键点的第四特征向量,包括:对于上述至少一个第一关键点中的第一关键点,根据该第一关键点的坐标以及该第一关键点的第一临近点的坐标,确定第一临近点相对于该第一关键点的相对坐标;对于上述至少一个第二关键点中第二关键点的第二预设数量个第二候选关键点中的候选关键点,根据该候选关键点的坐标以及该候选关键点的第二临近点的坐标,确定第二临近点相对于该候选关键点的相对坐标;将上述第一特征向量、上述第二特征向量、所得到的第一临近点的相对坐标和激光反射强度、所得到的第二临近点的相对坐标和激光反射强度输入上述特征提取子模型中,得到上述至少一个第一关键点的第三特征向量和至少一个第二关键点中第二关键点的第二预设数量个候选关键点的第四特征向量。
在一些实施例中,上述获取第一点云数据中点的第一特征向量,包括:将上述第一点云数据输入预先训练的特征提取模型,得到点的特征向量,其中,上述特征提取模型用于表征点云数据中的点和特征向量的对应关系。
在一些实施例中,上述根据上述第一特征向量,确定上述第一点云数据的至少一个第一关键点,包括:对上述第一特征向量进行降维,确定上述第一点云数据中点的权重;根据上述第一点云数据中点的权重,确定上述第一点云数据的第一关键点。
在一些实施例中,上述对上述第一特征向量进行降维,确定上述第一点云数据中点的权重,包括:将上述第一特征向量输入预先设置的多层感知器中,得到上述第一点云数据的一维特征向量;将上述一维特征向量中的值作为上述第一点云数据中点的权重。
在一些实施例中,上述根据上述第一点云数据中点的权重,确定上述第一点云数据的第一关键点,包括:将权重按照由大到小的顺序进行排序;确定上述排序中前预设数量个权重对应的点为上述第一点云数据的第一关键点。
在一些实施例中,,上述方法还包括:根据上述至少一个第一关键点以及上述至少一个匹配点,确定上述至少一个第一关键点与上述至少一个匹配点之间的第二转换参数;根据上述第二转换参数以及上述至少一个第一关键点,确定与上述至少一个第一关键点对应的至少一个第三关键点;根据上述第一点云数据与上述第二点云数据之间的预设第三转换参数以及上述至少一个第一关键点,确定与上述至少一个第一关键点对应的至少一个第四关键点;根据上述至少一个匹配点、上述至少一个第三关键点和上述至少一个第四关键点,确定上述匹配点生成模型的损失函数。
在一些实施例中,上述根据上述至少一个匹配点、上述至少一个第三关键点和上述至少一个第四关键点,确定上述匹配点生成模型的损失函数,包括:根据上述至少一个匹配点和上述至少一个第四关键点,确定第一损失函数;根据上述至少一个第三关键点和上述至少一个第四关键点,确定第二损失函数;根据上述第一损失函数、上述第二损失函数以及预设的平衡因子,确定上述损失函数。
第二方面,本申请实施例提供了一种用于处理点云数据的装置,包括:特征向量获取单元,被配置成获取第一点云数据中点的第一特征向量以及第二点云数据中点的第二特征向量,其中,上述第一点云数据和上述第二点云数据为不同视角获取的同一场景的点云数据;第一关键点确定单元,被配置成根据上述第一特征向量,确定上述第一点云数据的至少一个第一关键点;第二关键点确定单元,被配置成根据上述第一点云数据与上述第二点云数据之间的预设第一转换参数以及上述至少一个第一关键点,确定上述第二点云数据的至少一个第二关键点;匹配点确定单元,被配置成基于上述第一特征向量、上述第二特征向量、上述至少一个第一关键点、上述至少一个第二关键点以及预先建立的匹配点生成模型,确定与上述至少一个第一关键点对应的至少一个匹配点。
在一些实施例中,上述装置还包括:点云数据配准单元,被配置成根据上述至少一个第一关键点以及与上述至少一个第一关键点对应的至少一个匹配点,对上述第一点云数据和上述第二点云数据进行配准。
在一些实施例中,上述匹配点确定单元包括:第一临近点确定模块,被配置成对于上述至少一个第一关键点中的第一关键点,根据上述第一点云数据,确定该第一关键点的第一预设数量个第一临近点;第二临近点确定模块,被配置成对于上述至少一个第二关键点中的第二关键点,根据预设的搜索半径以及预设的网格尺寸,确定该第二关键点的第二预设数量个候选关键点;根据上述第二点云数据,确定上述第二预设数量个候选关键点中候选关键点的第一预设数量个第二临近点;匹配点确定模块,被配置成基于上述第一特征向量、上述第二特征向量、上述第一临近点、上述第二临近点以及上述匹配点生成模型,确定上述至少一个匹配点。
在一些实施例中,上述第一临近点确定模块进一步被配置成:将该第一关键点作为中心,根据预设的邻域距离,确定该第一关键点的邻域空间;将上述邻域空间内的点作为该第一关键点的第一临近点。
在一些实施例中,上述第一临近点确定模块进一步被配置成:确定上述邻域空间内点的数量是否小于上述第一预设数量;响应于确定上述邻域空间内点的数量小于上述第一预设数量,复制上述邻域空间中的至少一个点,使得复制后上述邻域空间中点的数量等于上述第一预设数量。
在一些实施例中,上述第二临近点确定模块进一步被配置成:将该第二关键点作为中心,根据上述搜索半径,确定该第二关键点的搜索空间;在上述搜索空间内,以上述网格尺寸为棱长,确定第二预设数量个网格体素;将上述第二预设数量个网格体素中网格体素的中心点作为该第二关键点的候选关键点。
在一些实施例中,上述匹配点生成模型包括特征提取子模型和匹配点生成子模型;以及上述匹配点确定模块进一步被配置成:根据上述第一点云数据确定上述第一临近点的信息,以及根据上述第二点云数据确定上述第二临近点的信息;将上述第一特征向量、上述第二特征向量、上述第一临近点的信息以及上述第二临近点的信息输入上述特征提取子模型,得到上述至少一个第一关键点的第三特征向量和至少一个第二关键点中第二关键点的第二预设数量个候选关键点的第四特征向量;将所得到的第三特征向量、第四特征向量以及候选关键点输入上述匹配点生成子模型,确定上述至少一个匹配点。
在一些实施例中,上述匹配点确定模块进一步被配置成:对于上述至少一个第二关键点中的第二关键点,根据上述第三特征向量以及上述第四特征向量,确定该第二关键点的第二预设数量个候选关键点与该第二关键点对应的第一关键点的相似度;根据所得到的相似度以及该第二关键点的第二预设数量个候选关键点,确定上述至少一个匹配点。
在一些实施例中,上述匹配点确定模块进一步被配置成:根据上述第一点云数据,确定第一临近点的激光反射强度,以及根据上述第二点云数据,确定第二临近点的激光反射强度。
在一些实施例中,上述匹配点确定模块进一步被配置成:对于上述至少一个第一关键点中的第一关键点,根据该第一关键点的坐标以及该第一关键点的第一临近点的坐标,确定第一临近点相对于该第一关键点的相对坐标;对于上述至少一个第二关键点中第二关键点的第二预设数量个第二候选关键点中的候选关键点,根据该候选关键点的坐标以及该候选关键点的第二临近点的坐标,确定第二临近点相对于该候选关键点的相对坐标;将上述第一特征向量、上述第二特征向量、所得到的第一临近点的相对坐标和激光反射强度、所得到的第二临近点的相对坐标和激光反射强度输入上述特征提取子模型中,得到上述至少一个第一关键点的第三特征向量和至少一个第二关键点中第二关键点的第二预设数量个候选关键点的第四特征向量。
在一些实施例中,上述特征向量获取单元进一步被配置成:将上述第一点云数据输入预先训练的特征提取模型,得到点的特征向量,其中,上述特征提取模型用于表征点云数据中的点和特征向量的对应关系。
在一些实施例中,上述第一关键点确定单元进一步被配置成:对上述第一特征向量进行降维,确定上述第一点云数据中点的权重;根据上述第一点云数据中点的权重,确定上述第一点云数据的第一关键点。
在一些实施例中,上述第一关键点确定单元进一步被配置成:将上述第一特征向量输入预先设置的多层感知器中,得到上述第一点云数据的一维特征向量;将上述一维特征向量中的值作为上述第一点云数据中点的权重。
在一些实施例中,上述第一关键点确定单元进一步被配置成:将权重按照由大到小的顺序进行排序;确定上述排序中前预设数量个权重对应的点为上述第一点云数据的第一关键点。
在一些实施例中,上述装置还包括:转换参数确定单元,被配置成根据上述至少一个第一关键点以及上述至少一个匹配点,确定上述至少一个第一关键点与上述至少一个匹配点之间的第二转换参数;第三关键点确定单元,被配置成根据上述第二转换参数以及上述至少一个第一关键点,确定与上述至少一个第一关键点对应的至少一个第三关键点;第四关键点确定单元,被配置成根据上述第一点云数据与上述第二点云数据之间的预设第三转换参数以及上述至少一个第一关键点,确定与上述至少一个第一关键点对应的至少一个第四关键点;损失函数确定单元,被配置成根据上述至少一个匹配点、上述至少一个第三关键点和上述至少一个第四关键点,确定上述匹配点生成模型的损失函数。
在一些实施例中,上述损失函数确定单元进一步被配置成:根据上述至少一个匹配点和上述至少一个第四关键点,确定第一损失函数;根据上述至少一个第三关键点和上述至少一个第四关键点,确定第二损失函数;根据上述第一损失函数、上述第二损失函数以及预设的平衡因子,确定上述损失函数。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现上述第一方面任一实施例所描述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一方面任一实施例所描述的方法。
本申请实施例提供的用于处理点云数据的方法和装置,可以首先获取第一点云数据中各点的第一特征向量,以及第二点云点云数据中各点的第二特征向量。其中,第一点云数据和第二点云数据为不同时间获取的同一场景的点云数据。然后,可以根据第一特征向量,确定第一点云数据的至少一个第一关键点。然后,可以根据第一点云数据与第二点云数据之间的预设第一转换参数以及各第一关键点,确定第二点云数据的至少一个第二关键点。最后,可以基于第一特征向量、第二特征向量、至少一个第一关键点、至少一个第二关键点以及预先建立的匹配点生成模型,确定与至少一个第一关键点对应的至少一个匹配点。本实施例的方法,可以生成与第一点云数据中的关键点对应的匹配点,从而能够提高第一点云数据和第二点云数据配准的精确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的用于处理点云数据的方法的一个实施例的流程图;
图3是根据本申请的用于处理点云数据的方法中确定匹配点的一个实施例的流程图;
图4是根据本申请的用于处理点云数据的方法中匹配点生成模型的结构示意图;
图5是根据本申请的用于处理点云数据的方法的又一个实施例的流程图;
图6是根据本申请的用于处理点云数据的方法中网络结构示意图;
图7是根据本申请的用于处理点云数据的装置的一个实施例的结构示意图;
图8是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于处理点云数据的方法或用于处理点云数据的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102,第一服务器103,网络104和第二服务器105。网络104用以在终端设备101、102,第一服务器103和第二服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102通过网络104与第二服务器105交互,以接收或发送消息等。终端设备101、102或第一服务器103可以连接有点云采集装置(例如,激光雷达传感器),并可以对点云采集装置所采集的点云数据进行特征提取。终端设备101、102或第一服务器103上可以安装有各种通讯客户端应用,例如点云处理类应用等。
第二服务器105可以是提供各种服务的服务器,例如对所获取的点云数据的特征向量进行进一步处理的后台服务器。后台服务器可以对获取到的特征向量进行分析等处理,得到处理结果(例如匹配点)。
终端设备101、102可以是硬件,也可以是软件。当终端设备101、102为硬件时,可以是支持点云数据处理的各种电子设备。包括但不限于智能手机、车载终端、膝上型便携计算机和台式计算机等等。当终端设备101、102为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,第一服务器103以及第二服务器105可以是硬件,也可以是软件。当第一服务器103以及第二服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当第一服务器103以及第二服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用于处理点云数据的方法一般由第二服务器105执行。相应地,用于处理点云数据的装置一般设置于第二服务器105中。
应该理解,图1中的终端设备、第一服务器、网络和第二服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、第一服务器、网络和第二服务器。
继续参考图2,其示出了根据本申请的用于处理点云数据的方法的一个实施例的流程200。上述的用于处理点云数据的方法,包括以下步骤:
步骤201,获取第一点云数据中点的第一特征向量以及第二点云数据中点的第二特征向量。
在本实施例中,第一点云数据和第二点云数据可以为不同视角获取的同一场景的点云数据。在一些具体的场景中,第一点云数据可以称为源点云数据,第二点云数据可以称为目标点云数据。第一点云数据和第二点云数据可以为位姿固定的点云采集装置采集得到的。用于处理点云数据的方法运行于其上的电子设备(例如图1所示的第二服务器105)可以从本地或其它电子设备(例如图1所示的终端设备101、102或第一服务器103)处获取第一点云数据中点的第一特征向量以及第二点云数据中点的第二特征向量。上述第一特征向量和第二特征向量可以是执行主体自身或者其它电子设备通过各种特征提取算法对第一点云数据和第二点云数据分别提取得到的。
需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
在本实施例的一些可选的实现方式中,上述步骤201具体可以通过图2中未示出的以下步骤来实现:将第一点云数据输入预先训练的特征提取模型,得到点的第一特征向量。
本实现方式中,上述特征提取模型用于表征点云数据中点和特征向量的对应关系。执行主体可以将第一点云数据输入该特征提取模型中,得到点云数据中各点的第一特征向量。上述特征提取模型可以是人工神经网络,它从信息处理角度对人脑神经元网络进行抽象,建立某种简单模型,按不同的连接方式组成不同的网络。通常由大量的节点(或称神经元)之间相互联接构成,每个节点代表一种特定的输出函数,称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重(又叫做参数),网络的输出则依网络的连接方式、权重值和激励函数的不同而不同。人工神经网络通常包括多个层,每个层包括多个节点,通常,同一层的节点的权重可以相同,不同层的节点的权重可以不同,故人工神经网络的多个层的参数也可以不同。这里,执行主体可以将第一点云数据从人工神经网络的输入侧输入,依次经过人工神经网络中的各层的参数的处理(例如乘积、卷积等),并从人工神经网络的输出侧输出,输出侧输出的信息即为各点的特征向量。
可以理解的是,第二点云数据中各点的第二特征向量也可以由上述方法提取得到。
在一些具体的应用场景中,上述特征提取模型可以为PointNet++。PointNet++是PointNet的改进版本。Pointnet的基本思想是对输入点云数据中的每一个点学习其对应的特征向量,之后再利用所有点的特征向量得到一个全局的点云特征。这里欠缺了对局部特征的提取及处理,没有考虑到点云数据的局部稀疏性。Pointnet++就上述问题提出了改进,解决了两个问题:如何对点云进行局部划分,如何对点云进行局部特征提取。Pointnet++是作者Charles R.Qi和Hao Su提出的一种网络结构。Pointnet++的结构在三维点云数据方面处于顶尖水准的水平,解决了如何处理采样不均匀的问题,也考虑了空间中点与点之间的距离度量,通过层级结构利用局部区域信息学习特征,网络结构更有效更鲁棒。
步骤202,根据第一特征向量,确定第一点云数据的至少一个第一关键点。
执行主体可以根据第一点云数据中各点的第一特征向量,来确定第一点云数据的至少一个第一关键点。本实施例中,第一关键点可以是具有某些特定特征的点,这些特定特征可以更方便实现点云配准。例如,第一关键点为静态对象的特征点。
在本实施例的一些可选的实现方式中,上述步骤202具体可以通过图2中未示出的以下步骤来实现:对第一特征向量进行降维,确定第一点云数据中点的权重;根据第一点云数据中点的权重,确定第一点云数据的至少一个第一关键点。
本实施例中,执行主体可以通过多种方式对第一特征向量进行降维。例如,对第一特征向量进行下采样,或者将第一特征向量输入卷积核数量较少的卷积层中。在对特征向量进行降维后,执行主体可以根据降维后的特征向量来确定各点的权重。并根据各点的权重,确定第一点云数据的至少一个第一关键点。
在本实施例的一些可选的实现方式中,执行主体可以通过图2中未示出的以下步骤来确定第一点云数据中各点的权重:将第一特征向量输入预先设置的多层感知器中,得到第一点云数据的一维特征向量;将一维特征向量中的值作为第一点云数据中点的权重。
执行主体可以将第一特征向量输入多层感知器中,得到一维特征向量。然后将一维特征向量中的各值作为第一点云数据中各点的权重。
在本实施例的一些可选的实现方式中,执行主体可以通过图2中未示出的以下步骤来确定第一关键点:将权重按照由大到小的顺序进行排序;确定排序中前预设数量个权重对应的点为第一点云数据的第一关键点。
执行主体可以根据上述各权重,确定第一点云数据中的第一关键点。具体的,执行主体可以将上述权重按照由大到小的顺序进行排序,然后将排序中的前预设数量个权重对应的点作为第一关键点。
步骤203,根据第一点云数据与第二点云数据之间的预设第一转换参数以及至少一个第一关键点,确定第二点云数据的至少一个第二关键点。
由于第一点云数据和第二点云数据可以为不同视角获取的同一场景的点云数据,则可以根据第一点云数据所在坐标系与第二点云数据所在坐标系之间的转换参数(R,T),来将第一点云数据和第二点云数据统一到同一坐标系中。其中,R为两个坐标系的旋转矩阵,T为两个坐标系之间的平移向量。本实施例中,上述预设第一转换参数可以根据点云采集装置的位姿计算得到。执行主体可以将各第一关键点的坐标与第一转换参数相乘,得到第二点云数据中的各第二关键点。
步骤204,基于第一特征向量、第二特征向量、至少一个第一关键点、至少一个第二关键点以及预先建立的匹配点生成模型,确定与至少一个第一关键点对应的至少一个匹配点。
在得到第二关键点后,执行主体可以基于第一特征向量、第二特征向量、至少一个第一关键点、至少一个第二关键点以及预先建立的匹配点生成模型,确定与至少一个第一关键点对应的至少一个匹配点。其中,上述匹配点生成模型用于表征第一特征向量、第二特征向量、至少一个第一关键点、至少一个第二关键点与匹配点之间的关系。
本实施例中,匹配点生成模型可以是一个列表,上述列表中包括第一特征向量、第二特征向量、至少一个第一关键点、至少一个第二关键点与匹配点的对应关系。执行主体可以根据第一特征向量、第二特征向量、至少一个第一关键点、至少一个第二关键点检索上述列表,将对应的匹配点输出。
上述匹配点生成模型还可以是神经网络,执行主体可以将第一特征向量、第二特征向量、至少一个第一关键点、至少一个第二关键点由神经网络的输入侧输入,经神经网络的各处理层(如卷积层、池化层等)处理后,由神经网络的输出侧输出,得到匹配点。
上述匹配点生成模型还可以是神经网络与列表的组合。上述神经网络可以用于提取所输入的数据的特征。具体的,执行主体可以将第一特征向量、第二特征向量、至少一个第一关键点、至少一个第二关键点由神经网络的输入侧输入,经神经网络的各处理层(如卷积层、池化层等)处理后,由神经网络的输出侧输出,得到特征数据。然后,检索包括特征数据与匹配点对应关系的列表,得到匹配点。
本实施例中,上述各匹配点为与各第一关键点匹配的点。其可能全部为第二点云数据中的点,也可能部分为第二点云数据中的点,也可能全部不为第二点云数据中的点。
在本实施例的一些可选的实现方式中,执行主体在得到各匹配点后,可以根据至少一个第一关键点以及与至少一个第一关键点对应的至少一个匹配点,对第一点云数据和第二点云数据进行配准。
本实现方式中,执行主体可以根据各第一关键点以及各匹配点,对第一点云数据和第二点云数据进行配准。
本申请的上述实施例提供的用于处理点云数据的方法,可以首先获取第一点云数据中各点的第一特征向量,以及第二点云点云数据中各点的第二特征向量。其中,第一点云数据和第二点云数据为不同时间获取的同一场景的点云数据。然后,可以根据第一特征向量,确定第一点云数据的至少一个第一关键点。然后,可以根据第一点云数据与第二点云数据之间的预设第一转换参数以及各第一关键点,确定第二点云数据的至少一个第二关键点。最后,可以基于第一特征向量、第二特征向量、至少一个第一关键点、至少一个第二关键点以及预先建立的匹配点生成模型,确定与至少一个第一关键点对应的至少一个匹配点。本实施例的方法,可以生成与第一点云数据中的关键点对应的匹配点,从而能够提高第一点云数据和第二点云数据配准的精确度。
继续参见图3,其示出了根据本申请的用于处理点云数据的方法中确定匹配点的一个实施例的流程300。如图3所示,本实施例中可以通过以下步骤来确定匹配点:
步骤301,对于至少一个第一关键点中的第一关键点,根据第一点云数据,确定该第一关键点的第一预设数量个第一临近点。
对于每个第一关键点,执行主体可以根据第一点云数据,确定该第一关键点的第一预设数量各第一临近点。具体的,执行主体可以首先确定第一点云数据中各点与该第一关键点的距离。然后,执行主体可以将得到的距离按照由小到大的顺序进行排序。然后,去上述排序中的前第一预设数量个点作为该第一关键点的第一临近点。
在本实施例的一些可选的实现方式中,上述步骤301具体可以通过图3中未示出的以下步骤来实现:将该第一关键点作为中心,根据预设的邻域距离,确定该第一关键点的邻域空间;将邻域空间内的点作为该第一关键点的第一临近点。
本实现方式中,对于每个第一关键点,执行主体可以将该第一关键点作为中心,以预设的邻域距离为半径,确定该第一关键点的邻域空间。具体的,该邻域空间为球体。然后,执行主体可以将该邻域空间内的点作为该第一关键点的第一临近点。
在上述实现方式的基础上,上述步骤301具体可以通过图3中未示出的以下步骤来实现:确定邻域空间内点的数量是否小于第一预设数量;响应于确定邻域空间内点的数量小于第一预设数量,复制邻域空间中的至少一个点,使得复制后邻域空间中点的数量等于第一预设数量。
本实现方式中,执行主体在确定邻域空间后,可以首先判断邻域空间内点的数量是否小于第一预设数量。如果小于,执行主体可以复制邻域空间内的至少一个点,使得复制后邻域空间中点的数量等于第一预设数量。可以理解的是,此处的复制可以一次完成,也可以分多次完成。需要复制的点的数量为第一预设数量与复制前邻域空间中点的数量之差。
步骤302,对于至少一个第二关键点中的第二关键点,根据预设的搜索半径以及预设的网格尺寸,确定该第二关键点的第二预设数量个候选关键点;根据第二点云数据,确定第二预设数量个候选关键点中候选关键点的第一预设数量个第二临近点。
对于每个第二关键点,执行主体可以首先根据预设的搜索半径以及预设的网格尺寸,确定该第二关键点的第二预设数量个候选关键点。具体的,执行主体可以根据搜索半径,确定搜索空间。然后在搜索空间内,与该第二关键点距离为网格尺寸整数倍的点作为该第二关键点的候选关键点。此处,由于点云采集装置存在的采集误差,或者根据点云采集装置的位置计算得到的转换参数存在误差,可能导致第二关键点不是第二点云数据中实际存在的点。为了确定更精确的匹配点,此处可以首先确定候选关键点,由各候选关键点确定匹配点。
在本实施例的一些可选的实现方式中,执行主体可以通过图3中未示出的以下步骤来确定各第二关键点的候选关键点:将该第二关键点作为中心,根据搜索半径,确定该第二关键点的搜索空间;在搜索空间内,以网格尺寸为棱长,确定第二预设数量个网格体素;将第二预设数量个网格体素中网格体素的中心点作为该第二关键点的候选关键点。
本实现方式中,对于每个第二关键点,执行主体可以将该第二关键点作为中心,然后根据搜索半径,确定该第二关键点的搜索空间。该搜索空间为球体。然后,在该搜索空间内,以网格尺寸为棱长,确定第二预设数量个网格体素。然后,将每个网格体素的中心点作为该第二关键点的候选关键点。
然后,执行主体可以根据第二点云数据,确定第二预设数量个候选关键点中候选关键点的第一预设数量个第二临近点。
本实施例中,确定第二临近点的方式可以与确定第一临近点的方式相同。对于每个第二关键点,执行主体可以将该第二关键点作为中心,以预设的邻域距离为半径,确定该第二关键点的邻域空间。具体的,该邻域空间为球体。然后,执行主体可以将该邻域空间内的点作为该第二关键点的第一临近点。
在确定各第一临近点、各第二临近点后,执行主体可以基于第一特征向量、第二特征向量、第一临近点、第二临近点以及匹配点生成模型,确定至少一个匹配点。具体的,匹配点生成模型可以包括特征提取子模型和匹配点生成子模型。特征提取子模型用于提取所输入的数据的特征,匹配点生成子模型用于根据所输入的数据,生成匹配点。
步骤303,根据第一点云数据确定第一临近点的信息,以及根据第二点云数据确定第二临近点的信息。
本实施例中,执行主体可以首先根据第一点云数据确定第一临近点的信息,并根据第二点云数据确定第二临近点的信息。其中,第一临近点的信息包括第一临近点的激光反射强度。第二临近点的信息包括第二临近点的激光反射强度。
步骤304,将第一特征向量、第二特征向量、第一临近点的信息、第二临近点的信息输入特征提取子模型,得到至少一个第一关键点的第三特征向量和至少一个第二关键点中第二关键点的第二预设数量个候选关键点的第四特征向量。
在确定第一临近点的信息以及第二临近点的信息后,执行主体可以将第一特征向量、第二特征向量、第一临近点的信息、第二临近点的信息输入上述特征提取子模型,得到各第一关键点的第三特征向量和各第二关键点的各候选关键点的第四特征向量。上述特征提取子模型可以包括多层感知器,执行主体可以通过调整多层感知器中每层的神经元的数量,来调整输出的特征向量的维数。
本实施例中,通过特征提取子模型进一步提取第一点云数据和第二点云数据的局部特征,得到了更详细的特征向量。这些特征向量可以更完整的表示第一点云数据和第二点云数据中对象的特征。从而使得最后得到的匹配度更精确。在一些具体的应用场景中,特征提取子模型可以是迷你PointNet结构,该结构具体见图4。
在本实施例的一些可选的实现方式中,上述步骤304具体可以通过图3中未示出的以下子步骤来实现:
子步骤3041,对于至少一个第一关键点中的第一关键点,根据该第一关键点的坐标以及该第一关键点的第一临近点的坐标,确定第一临近点相对于该第一关键点的相对坐标。
对于每个第一关键点,执行主体可以根据该第一关键点的坐标以及该第一关键点的各第一临近点的坐标,来确定各第一临近点相对于该第一关键点的相对坐标。即以该第一关键点作为坐标系原点,确定各第一临近点在该坐标系中的相对坐标。
子步骤3042,对于至少一个第二关键点中第二关键点的第二预设数量个第二候选关键点中的候选关键点,根据该候选关键点的坐标以及该候选关键点的第二临近点的坐标,确定第二临近点相对于该候选关键点的相对坐标。
与子步骤3041的原理类似,对于每个第二关键点的第二预设数量个第二候选关键点中的每个候选关键点,执行主体可以根据该候选关键点的坐标以及该候选关键点的各第二临近点的坐标,确定各第二临近点相对于该候选关键点的相对坐标。
子步骤3043,将第一特征向量、第二特征向量、所得到的第一临近点的相对坐标和激光反射强度、所得到的第二临近点的相对坐标和激光反射强度输入特征提取子模型中,得到至少一个第一关键点的第三特征向量和至少一个第二关键点中第二关键点的第二预设数量个候选关键点的第四特征向量。
执行主体可以将第一特征向量、第二特征向量、所得到的第一临近点的相对坐标和激光反射强度、所得到的第二临近点的相对坐标和激光反射强度输入特征提取子模型中,从而能够得到各第一关键点的第三特征向量和各候选关键点的第四特征向量。
在本实施例的一些可选的实现方式中,在确定各第一临近点的相对坐标和各第二临近点的相对坐标后,执行主体还可以对上述相对坐标进行归一化处理。然后,执行主体将第一特征向量、第二特征向量、所得到的第一临近点的归一化坐标和激光反射强度、所得到的第二临近点的归一化坐标和激光反射强度输入特征提取子模型中,从而能够得到各第一关键点的第三特征向量和各候选关键点的第四特征向量。
步骤305,将所得到的第三特征向量、第四特征向量以及候选关键点输入匹配点生成子模型,确定至少一个匹配点。
在得到第三特征向量和第四特征向量后,执行主体可以将其与候选关键点一起输入到匹配点生成子模型中,确定至少一个匹配点。
在本实施例的一些可选的实现方式中,上述匹配点生成子模型的工作原理为:对于至少一个第二关键点中的第二关键点,根据第三特征向量以及第四特征向量,确定该第二关键点的第二预设数量个候选关键点与该第二关键点对应的第一关键点的相似度;根据所得到的相似度以及该第二关键点的第二预设数量个候选关键点,确定至少一个匹配点。
本实现方式中,对于每个第二关键点,执行主体可以根据该第二关键点对应的第一关键点的第三特征向量以及该第二关键点的各候选关键点的第四特征向量,确定各候选关键点与第一关键点的相似度。具体的,执行主体可以将各候选关键点的第四特征向量与对应的第一关键点的第三特征向量做差值,根据差值确定相似度。然后,执行主体可以根据所得到的相似度以及各候选关键点,确定至少一个匹配点。
举例来说,以{xi,x'i},i=1,……N来表示第一关键点和第二关键点,其中,N为第一关键点或第二关键点的数量,xi为第i个第一关键点,xi’为第i个第二关键点,i∈[1,N]。对于每个第二关键点xi’,将其搜索空间划分为C个网格体素。以{y'j},j=1,……C来表示网格体素的中心。则匹配点yi可以表示为:
其中,wj为各候选关键点与对应的第一关键点的相似度。
本实施例中,由于点云数据的局部稀疏性,在第二点云数据中可能没有确切的、与第一点云数据对应的匹配点。本实施例采用匹配点生成子模型,从所提取的特征中生成与第一点云数据对应的匹配点,从而提高了匹配点的准确度。
图4示出了根据本申请的用于处理点云数据的方法中匹配点生成模型的结构示意图400。如图4所示,N1×32表示第一点云数据的第一特征向量,N2×32表示第二点云数据的第二特征向量。32表示第一特征向量、第二特征向量的维数为32维。其中,第一特征向量N1×32经关键点确定模型,可以得到N个第一关键点N×4。4表示关键点的特征为4维,分别为x坐标、y坐标、z坐标和激光反射强度。然后,根据第一转换参数◎以及N个第一关键点N×4,得到N个第二关键点。并确定N个第二关键点中每个第二关键点的C个候选关键点,得到N×C×4。之后,选取每个第一关键点的K个第一临近点,同时结合第一特征向量N1×32,得到N×K×36。选取每个候选关键点的K个第二临近点,同时结合第一特征向量N2×32,得到N×C×K×36。将得到的特征输入特征提取子模型,得到N个第一关键点的第三特征向量N×32,得到各候选关键点的第四特征向量N×C×32。最后,将各候选关键点以及第三特征向量N×32、第四特征向量N×C×32输入匹配点生成子模型中,得到N个匹配点。
其中,关键点生成模型包括多层感知器,第一特征向量N1×32经过多层感知器后,得到一维特征向量。一维特征向量经激活函数softplus后,去除了一维特征向量中为负值的值。然后,经Top K操作取最大的N个值,得到N个第一关键点。
特征提取子模型包括多层感知器,得到的数据N×K×36和数据N×C×K×36在输入到该模型中的多层感知器后,可以得到数据N×K×32和数据N×C×K×32。然后经过池化层Maxpool下采样后,得到第三特征向量N×32以及第四特征向量N×C×32。
匹配点生成模型包括3D CNN,3D CNN可以对输入的特征数据进行降维,最终得到一维向量。该一维向量经激活函数softmax后,可以得到概率值。各概率值与对应的候选关键点的位置进行加权,得到最终的匹配点。
本申请的上述实施例提供的用于处理点云数据的方法,可以利用第一点云数据的第一关键点、第一点云数据与第二点云数据之间的预设第一转换参数、第一点云数据的第一特征向量、第二点云数据的第二特征向量,来生成与第一关键点匹配的匹配点,能够有效地提高第一点云数据和第二点云数据配准的准确度。
继续参见图5,其示出了根据本申请的用于处理点云数据的方法的又一个实施例的流程500。如图5所示,本实施例中,在得到匹配点后,还可以包括以下步骤:
步骤501,根据至少一个第一关键点以及至少一个匹配点,确定至少一个第一关键点与至少一个匹配点之间的第二转换参数。
执行主体在确定匹配点后,可以将各第一关键点作为一个点集,将各匹配点作为另一个点集。然后,确定两个点集之间的第二转换参数。具体的,执行主体可以利用多种方式来求解上述第二转换参数,例如,利用线性优化的求解和利用非线性优化方式求解。线性优化的算法包括SVD(Singular Value Decomposition,奇异值分解)。
步骤502,根据第二转换参数以及至少一个第一关键点,确定与至少一个第一关键点对应的至少一个第三关键点。
执行主体在利用各种方法计算得到上述第二转换参数后,可以计算至少一个第一关键点对应的至少一个第三关键点。具体的,执行主体可以将各第一关键点的坐标与第二转换参数相乘,得到的坐标即为第三关键点的坐标。
步骤503,根据第一点云数据与第二点云数据之间的预设第三转换参数以及至少一个第一关键点,确定与至少一个第一关键点对应的至少一个第四关键点。
本实施例中,执行主体还可以获取第一点云数据与第二点云数据之间的预设第三转换参数。上述第三转换参数与第一转换参数的不同之处在于,第一转换参数是由实际安装的点云采集装置的位姿计算得到的,存在误差。而第三转换参数是通过其它方式(例如仿真模拟等方式)得到的。也就是说,第三转换参数相当于真值,第一转换参数相当于测量值。执行主体可以将各第一关键点的坐标与第三转换参数相乘,得到与各第一关键点对应的各第四关键点的坐标。
步骤504,根据至少一个匹配点、至少一个第三关键点和至少一个第四关键点,确定匹配点生成模型的损失函数。
本实施例中,执行主体可以根据各匹配点、各第三关键点和各第四关键点,确定匹配点生成模型的损失函数。例如,执行主体可以为各点集分配权重系数,然后根据各权重系数以及各点集之间的距离,确定损失函数。
在本实施例的一些可选的实现方式中,执行主体可以通过图5中未示出的以下步骤来确定损失函数:根据至少一个匹配点和至少一个第四关键点,确定第一损失函数;根据至少一个第三关键点和至少一个第四关键点,确定第二损失函数;根据第一损失函数、第二损失函数以及预设的平衡因子,确定损失函数。
本实现方式中,执行主体首先可以根据各匹配点和各第四关键点,确定第一损失函数Loss1。然后,根据各第三关键点和各第四关键点,确定第二损失函数Loss2。然后,结合平衡因子α,得到损失函数Loss=α·Loss1+(1-α)·Loss2。其中,0<α<1。
其中,第一损失函数Loss1可以由下式表示:
式中,为第i个第四关键点,yi为第i个匹配点,i∈[1,N]。
由上式可以看出,第一损失函数Loss1是对各对独立的第一关键点和匹配点进行配准,没有考虑到其它第一关键点和匹配点之间的联系。因此,其配准结果必然受到全局变换的约束。
第二损失函数Loss2可以由下式表示:
式中,为第i个第四关键点,(R,T)为第二转换参数,xi为第i个第一关键点,Rxi+T为第i个第三关键点。
本申请的上述实施例所提供的用于处理点云数据的方法,可以针对所有的匹配点,确定一个统一的第二变换参数,从而能够优化第一点云数据和第二点云数据的配准效果。
本申请的上述实施例所提供的用于处理点云数据的方法,具体可以通过图6中所示的网络结构来实现。在图6中,执行主体可以将第一点云数据N1×4和第二点云数据N2×4分别输入到特征提取模型中,得到第一特征向量N1×32和第二特征向量N2×32。由第一特征向量N1×32和第二特征向量N2×32至匹配点生成模型生成的匹配点N×3,在图4所对应的部分已经说明,此处不再赘述。执行主体可以根据第一关键点N×3和匹配点N×3,确定第二转换参数。并且可以根据第三转换参数和第一关键点N×3,得到第四关键点N×3。可以由第二转换参数和第一关键点N×3,得到第三关键点N×3。最后,得到损失函数。
进一步参考图7,作为对上述各图所示方法的实现,本申请提供了一种用于处理点云数据的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例上述的用于处理点云数据的装置700包括:特征向量获取单元701、第一关键点确定单元702、第二关键点确定单元703和匹配点确定单元704。
特征向量获取单元701,被配置成获取第一点云数据中点的第一特征向量以及第二点云数据中点的第二特征向量。其中,第一点云数据和第二点云数据为不同视角获取的同一场景的点云数据。
第一关键点确定单元702,被配置成根据第一特征向量,确定第一点云数据的至少一个第一关键点。
第二关键点确定单元703,被配置成根据第一点云数据与第二点云数据之间的预设第一转换参数以及至少一个第一关键点,确定第二点云数据的至少一个第二关键点。
匹配点确定单元704,被配置成基于第一特征向量、第二特征向量、至少一个第一关键点、至少一个第二关键点以及预先建立的匹配点生成模型,确定与至少一个第一关键点对应的至少一个匹配点。
在本实施例的一些可选的实现方式中,上述装置700还可以进一步包括图7中未示出的点云数据配准单元,被配置成根据至少一个第一关键点以及与至少一个第一关键点对应的至少一个匹配点,对第一点云数据和第二点云数据进行配准。
在本实施例的一些可选的实现方式中,匹配点确定单元704可以进一步包括图7中未示出的:第一临近点确定模块、第二临近点确定模块以及匹配点确定模块。
第一临近点确定模块,被配置成对于至少一个第一关键点中的第一关键点,根据第一点云数据,确定该第一关键点的第一预设数量个第一临近点。
第二临近点确定模块,被配置成对于至少一个第二关键点中的第二关键点,根据预设的搜索半径以及预设的网格尺寸,确定该第二关键点的第二预设数量个候选关键点;根据第二点云数据,确定第二预设数量个候选关键点中候选关键点的第一预设数量个第二临近点。
匹配点确定模块,被配置成基于第一特征向量、第二特征向量、第一临近点、第二临近点以及匹配点生成模型,确定至少一个匹配点。
在本实施例的一些可选的实现方式中,第一临近点确定模块进一步被配置成:将该第一关键点作为中心,根据预设的邻域距离,确定该第一关键点的邻域空间;将邻域空间内的点作为该第一关键点的第一临近点。
在本实施例的一些可选的实现方式中,第一临近点确定模块进一步被配置成:确定邻域空间内点的数量是否小于第一预设数量;响应于确定邻域空间内点的数量小于第一预设数量,复制邻域空间中的至少一个点,使得复制后邻域空间中点的数量等于第一预设数量。
在本实施例的一些可选的实现方式中,第二临近点确定模块进一步被配置成:将该第二关键点作为中心,根据搜索半径,确定该第二关键点的搜索空间;在搜索空间内,以网格尺寸为棱长,确定第二预设数量个网格体素;将第二预设数量个网格体素中网格体素的中心点作为该第二关键点的候选关键点。
在本实施例的一些可选的实现方式中,匹配点生成模型包括特征提取子模型和匹配点生成子模型。匹配点确定模块进一步被配置成:根据第一点云数据确定第一临近点的信息,以及根据第二点云数据确定第二临近点的信息;将第一特征向量、第二特征向量、第一临近点的信息以及第二临近点的信息输入特征提取子模型,得到至少一个第一关键点的第三特征向量和至少一个第二关键点中第二关键点的第二预设数量个候选关键点的第四特征向量;将所得到的第三特征向量、第四特征向量以及候选关键点输入匹配点生成子模型,确定至少一个匹配点。
在本实施例的一些可选的实现方式中,匹配点确定模块进一步被配置成:对于至少一个第二关键点中的第二关键点,根据第三特征向量以及第四特征向量,确定该第二关键点的第二预设数量个候选关键点与该第二关键点对应的第一关键点的相似度;根据所得到的相似度以及该第二关键点的第二预设数量个候选关键点,确定至少一个匹配点。
在本实施例的一些可选的实现方式中,匹配点确定模块进一步被配置成:根据第一点云数据,确定第一临近点的激光反射强度,以及根据第二点云数据,确定第二临近点的激光反射强度。
在本实施例的一些可选的实现方式中,匹配点确定模块进一步被配置成:对于至少一个第一关键点中的第一关键点,根据该第一关键点的坐标以及该第一关键点的第一临近点的坐标,确定第一临近点相对于该第一关键点的相对坐标;对于至少一个第二关键点中第二关键点的第二预设数量个第二候选关键点中的候选关键点,根据该候选关键点的坐标以及该候选关键点的第二临近点的坐标,确定第二临近点相对于该候选关键点的相对坐标;将第一特征向量、第二特征向量、所得到的第一临近点的相对坐标和激光反射强度、所得到的第二临近点的相对坐标和激光反射强度输入特征提取子模型中,得到至少一个第一关键点的第三特征向量和至少一个第二关键点中第二关键点的第二预设数量个候选关键点的第四特征向量。
在本实施例的一些可选的实现方式中,特征向量获取单元701可以进一步被配置成:将第一点云数据输入预先训练的特征提取模型,得到点的特征向量,其中,特征提取模型用于表征点云数据中的点和特征向量的对应关系。
在本实施例的一些可选的实现方式中,第一关键点确定单元702可以进一步被配置成:对第一特征向量进行降维,确定第一点云数据中点的权重;根据第一点云数据中点的权重,确定第一点云数据的第一关键点。
在本实施例的一些可选的实现方式中,第一关键点确定单元702可以进一步被配置成:将第一特征向量输入预先设置的多层感知器中,得到第一点云数据的一维特征向量;将一维特征向量中的值作为第一点云数据中点的权重。
在本实施例的一些可选的实现方式中,第一关键点确定单元702可以进一步被配置成:将权重按照由大到小的顺序进行排序;确定排序中前预设数量个权重对应的点为第一点云数据的第一关键点。
在本实施例的一些可选的实现方式中,装置700还可以进一步包括图7中未示出的:转换参数确定单元、第三关键点确定单元、第四关键点确定单元以及损失函数确定单元。
转换参数确定单元,被配置成根据至少一个第一关键点以及至少一个匹配点,确定至少一个第一关键点与至少一个匹配点之间的第二转换参数。
第三关键点确定单元,被配置成根据第二转换参数以及至少一个第一关键点,确定与至少一个第一关键点对应的至少一个第三关键点。
第四关键点确定单元,被配置成根据第一点云数据与第二点云数据之间的预设第三转换参数以及至少一个第一关键点,确定与至少一个第一关键点对应的至少一个第四关键点。
损失函数确定单元,被配置成根据至少一个匹配点、至少一个第三关键点和至少一个第四关键点,确定匹配点生成模型的损失函数。
在本实施例的一些可选的实现方式中,损失函数确定单元进一步被配置成:根据至少一个匹配点和至少一个第四关键点,确定第一损失函数;根据至少一个第三关键点和至少一个第四关键点,确定第二损失函数;根据第一损失函数、第二损失函数以及预设的平衡因子,确定损失函数。
在本实施例中,特征向量获取单元701、第一关键点确定单元702、第二关键点确定单元703和匹配点确定单元704的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203以及步骤204的相关说明,在此不再赘述。
下面参考图8,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的第二服务器105)800的结构示意图。图8示出的服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图8所示,电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常,以下装置可以连接至I/O接口805:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807;包括例如磁带、硬盘等的存储装置808;以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图8中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置809从网络上被下载和安装,或者从存储装置808被安装,或者从ROM 802被安装。在该计算机程序被处理装置801执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取第一点云数据中点的第一特征向量以及第二点云数据中点的第二特征向量,其中,第一点云数据和第二点云数据为不同视角获取的同一场景的点云数据;根据第一特征向量,确定第一点云数据的至少一个第一关键点;根据第一点云数据与第二点云数据之间的预设第一转换参数以及至少一个第一关键点,确定第二点云数据的至少一个第二关键点;基于第一特征向量、第二特征向量、至少一个第一关键点、至少一个第二关键点以及预先建立的匹配点生成模型,确定与至少一个第一关键点对应的至少一个匹配点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括特征向量获取单元、第一关键点确定单元、第二关键点确定单元和匹配点确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一关键点确定单元还可以被描述为“根据第一特征向量,确定第一点云数据的至少一个第一关键点的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (34)
1.一种用于处理点云数据的方法,包括:
获取第一点云数据中点的第一特征向量以及第二点云数据中点的第二特征向量,其中,所述第一点云数据和所述第二点云数据为不同视角获取的同一场景的点云数据;
根据所述第一特征向量,确定所述第一点云数据的至少一个第一关键点;
根据所述第一点云数据与所述第二点云数据之间的预设第一转换参数以及所述至少一个第一关键点,确定所述第二点云数据的至少一个第二关键点;
基于所述第一特征向量、所述第二特征向量、所述至少一个第一关键点、所述至少一个第二关键点以及预先建立的匹配点生成模型,确定与所述至少一个第一关键点对应的至少一个匹配点。
2.根据权利要求1所述的方法,其中,所述方法还包括:
根据所述至少一个第一关键点以及与所述至少一个第一关键点对应的至少一个匹配点,对所述第一点云数据和所述第二点云数据进行配准。
3.根据权利要求1所述的方法,其中,所述基于所述第一特征向量、所述第二特征向量、所述至少一个第一关键点、所述至少一个第二关键点以及预先建立的匹配点生成模型,确定与所述至少一个第一关键点对应的至少一个匹配点,包括:
对于所述至少一个第一关键点中的第一关键点,根据所述第一点云数据,确定该第一关键点的第一预设数量个第一临近点;
对于所述至少一个第二关键点中的第二关键点,根据预设的搜索半径以及预设的网格尺寸,确定该第二关键点的第二预设数量个候选关键点;根据所述第二点云数据,确定所述第二预设数量个候选关键点中候选关键点的第一预设数量个第二临近点;
基于所述第一特征向量、所述第二特征向量、所述第一临近点、所述第二临近点以及所述匹配点生成模型,确定所述至少一个匹配点。
4.根据权利要求3所述的方法,其中,所述根据所述第一点云数据,确定该第一关键点的第一预设数量个第一临近点,包括:
将该第一关键点作为中心,根据预设的邻域距离,确定该第一关键点的邻域空间;将所述邻域空间内的点作为该第一关键点的第一临近点。
5.根据权利要求4所述的方法,其中,所述将所述邻域空间内的点作为该第一关键点的第一临近点,包括:
确定所述邻域空间内点的数量是否小于所述第一预设数量;
响应于确定所述邻域空间内点的数量小于所述第一预设数量,复制所述邻域空间中的至少一个点,使得复制后所述邻域空间中点的数量等于所述第一预设数量。
6.根据权利要求3所述的方法,其中,所述根据预设的搜索半径以及预设的网格尺寸,确定该第二关键点的第二预设数量个候选关键点,包括:
将该第二关键点作为中心,根据所述搜索半径,确定该第二关键点的搜索空间;在所述搜索空间内,以所述网格尺寸为棱长,确定第二预设数量个网格体素;将所述第二预设数量个网格体素中网格体素的中心点作为该第二关键点的候选关键点。
7.根据权利要求3所述的方法,其中,所述匹配点生成模型包括特征提取子模型和匹配点生成子模型;以及
所述基于所述第一特征向量、所述第二特征向量、所述第一临近点、所述第二临近点以及所述匹配点生成模型,确定所述至少一个匹配点,包括:
根据所述第一点云数据确定所述第一临近点的信息,以及根据所述第二点云数据确定所述第二临近点的信息;
将所述第一特征向量、所述第二特征向量、所述第一临近点的信息以及所述第二临近点的信息输入所述特征提取子模型,得到所述至少一个第一关键点的第三特征向量和至少一个第二关键点中第二关键点的第二预设数量个候选关键点的第四特征向量;
将所得到的第三特征向量、第四特征向量以及候选关键点输入所述匹配点生成子模型,确定所述至少一个匹配点。
8.根据权利要求7所述的方法,其中,所述将所得到的第三特征向量、第四特征向量以及候选关键点输入所述匹配点生成子模型,确定所述至少一个匹配点,包括:
对于所述至少一个第二关键点中的第二关键点,根据所述第三特征向量以及所述第四特征向量,确定该第二关键点的第二预设数量个候选关键点与该第二关键点对应的第一关键点的相似度;根据所得到的相似度以及该第二关键点的第二预设数量个候选关键点,确定所述至少一个匹配点。
9.根据权利要求7所述的方法,其中,所述根据所述第一点云数据确定所述第一临近点的信息,以及根据所述第二点云数据确定所述第二临近点的信息,包括:
根据所述第一点云数据,确定第一临近点的激光反射强度,以及根据所述第二点云数据,确定第二临近点的激光反射强度。
10.根据权利要求9所述的方法,其中,所述将所述第一特征向量、所述第二特征向量、所述第一临近点的信息以及所述第二临近点的信息输入所述特征提取子模型中,得到所述至少一个第一关键点的第三特征向量和至少一个第二关键点中第二关键点的第二预设数量个候选关键点的第四特征向量,包括:
对于所述至少一个第一关键点中的第一关键点,根据该第一关键点的坐标以及该第一关键点的第一临近点的坐标,确定第一临近点相对于该第一关键点的相对坐标;
对于所述至少一个第二关键点中第二关键点的第二预设数量个第二候选关键点中的候选关键点,根据该候选关键点的坐标以及该候选关键点的第二临近点的坐标,确定第二临近点相对于该候选关键点的相对坐标;
将所述第一特征向量、所述第二特征向量、所得到的第一临近点的相对坐标和激光反射强度、所得到的第二临近点的相对坐标和激光反射强度输入所述特征提取子模型中,得到所述至少一个第一关键点的第三特征向量和至少一个第二关键点中第二关键点的第二预设数量个候选关键点的第四特征向量。
11.根据权利要求1-10任一项所述的方法,其中,所述获取第一点云数据中点的第一特征向量,包括:
将所述第一点云数据输入预先训练的特征提取模型,得到点的第一特征向量,其中,所述特征提取模型用于表征点云数据中的点和特征向量的对应关系。
12.根据权利要求1所述的方法,其中,所述根据所述第一特征向量,确定所述第一点云数据的至少一个第一关键点,包括:
对所述第一特征向量进行降维,确定所述第一点云数据中点的权重;
根据所述第一点云数据中点的权重,确定所述第一点云数据的至少一个第一关键点。
13.根据权利要求12所述的方法,其中,所述对所述第一特征向量进行降维,确定所述第一点云数据中点的权重,包括:
将所述第一特征向量输入预先设置的多层感知器中,得到所述第一点云数据的一维特征向量;
将所述一维特征向量中的值作为所述第一点云数据中点的权重。
14.根据权利要求12所述的方法,其中,所述根据所述第一点云数据中点的权重,确定所述第一点云数据的第一关键点,包括:
将权重按照由大到小的顺序进行排序;
确定所述排序中前预设数量个权重对应的点为所述第一点云数据的第一关键点。
15.根据权利要求1-13任一项所述的方法,其中,所述方法还包括:
根据所述至少一个第一关键点以及所述至少一个匹配点,确定所述至少一个第一关键点与所述至少一个匹配点之间的第二转换参数;
根据所述第二转换参数以及所述至少一个第一关键点,确定与所述至少一个第一关键点对应的至少一个第三关键点;
根据所述第一点云数据与所述第二点云数据之间的预设第三转换参数以及所述至少一个第一关键点,确定与所述至少一个第一关键点对应的至少一个第四关键点;
根据所述至少一个匹配点、所述至少一个第三关键点和所述至少一个第四关键点,确定所述匹配点生成模型的损失函数。
16.根据权利要求15所述的方法,其中,所述根据所述至少一个匹配点、所述至少一个第三关键点和所述至少一个第四关键点,确定所述匹配点生成模型的损失函数,包括:
根据所述至少一个匹配点和所述至少一个第四关键点,确定第一损失函数;
根据所述至少一个第三关键点和所述至少一个第四关键点,确定第二损失函数;
根据所述第一损失函数、所述第二损失函数以及预设的平衡因子,确定所述损失函数。
17.一种用于处理点云数据的装置,包括:
特征向量获取单元,被配置成获取第一点云数据中点的第一特征向量以及第二点云数据中点的第二特征向量,其中,所述第一点云数据和所述第二点云数据为不同视角获取的同一场景的点云数据;
第一关键点确定单元,被配置成根据所述第一特征向量,确定所述第一点云数据的至少一个第一关键点;
第二关键点确定单元,被配置成根据所述第一点云数据与所述第二点云数据之间的预设第一转换参数以及所述至少一个第一关键点,确定所述第二点云数据的至少一个第二关键点;
匹配点确定单元,被配置成基于所述第一特征向量、所述第二特征向量、所述至少一个第一关键点、所述至少一个第二关键点以及预先建立的匹配点生成模型,确定与所述至少一个第一关键点对应的至少一个匹配点。
18.根据权利要求17所述的装置,其中,所述装置还包括:
点云数据配准单元,被配置成根据所述至少一个第一关键点以及与所述至少一个第一关键点对应的至少一个匹配点,对所述第一点云数据和所述第二点云数据进行配准。
19.根据权利要求17所述的装置,其中,所述匹配点确定单元包括:
第一临近点确定模块,被配置成对于所述至少一个第一关键点中的第一关键点,根据所述第一点云数据,确定该第一关键点的第一预设数量个第一临近点;
第二临近点确定模块,被配置成对于所述至少一个第二关键点中的第二关键点,根据预设的搜索半径以及预设的网格尺寸,确定该第二关键点的第二预设数量个候选关键点;根据所述第二点云数据,确定所述第二预设数量个候选关键点中候选关键点的第一预设数量个第二临近点;
匹配点确定模块,被配置成基于所述第一特征向量、所述第二特征向量、所述第一临近点、所述第二临近点以及所述匹配点生成模型,确定所述至少一个匹配点。
20.根据权利要求19所述的装置,其中,所述第一临近点确定模块进一步被配置成:
将该第一关键点作为中心,根据预设的邻域距离,确定该第一关键点的邻域空间;将所述邻域空间内的点作为该第一关键点的第一临近点。
21.根据权利要求20所述的装置,其中,所述第一临近点确定模块进一步被配置成:
确定所述邻域空间内点的数量是否小于所述第一预设数量;
响应于确定所述邻域空间内点的数量小于所述第一预设数量,复制所述邻域空间中的至少一个点,使得复制后所述邻域空间中点的数量等于所述第一预设数量。
22.根据权利要求20所述的装置,其中,所述第二临近点确定模块进一步被配置成:
将该第二关键点作为中心,根据所述搜索半径,确定该第二关键点的搜索空间;在所述搜索空间内,以所述网格尺寸为棱长,确定第二预设数量个网格体素;将所述第二预设数量个网格体素中网格体素的中心点作为该第二关键点的候选关键点。
23.根据权利要求20所述的装置,其中,所述匹配点生成模型包括特征提取子模型和匹配点生成子模型;以及
所述匹配点确定模块进一步被配置成:
根据所述第一点云数据确定所述第一临近点的信息,以及根据所述第二点云数据确定所述第二临近点的信息;
将所述第一特征向量、所述第二特征向量、所述第一临近点的信息以及所述第二临近点的信息输入所述特征提取子模型,得到所述至少一个第一关键点的第三特征向量和至少一个第二关键点中第二关键点的第二预设数量个候选关键点的第四特征向量;
将所得到的第三特征向量、第四特征向量以及候选关键点输入所述匹配点生成子模型,确定所述至少一个匹配点。
24.根据权利要求23所述的装置,其中,所述匹配点确定模块进一步被配置成:
对于所述至少一个第二关键点中的第二关键点,根据所述第三特征向量以及所述第四特征向量,确定该第二关键点的第二预设数量个候选关键点与该第二关键点对应的第一关键点的相似度;根据所得到的相似度以及该第二关键点的第二预设数量个候选关键点,确定所述至少一个匹配点。
25.根据权利要求23所述的装置,其中,所述匹配点确定模块进一步被配置成:
根据所述第一点云数据,确定第一临近点的激光反射强度,以及根据所述第二点云数据,确定第二临近点的激光反射强度。
26.根据权利要求25所述的装置,其中,所述匹配点确定模块进一步被配置成:
对于所述至少一个第一关键点中的第一关键点,根据该第一关键点的坐标以及该第一关键点的第一临近点的坐标,确定第一临近点相对于该第一关键点的相对坐标;
对于所述至少一个第二关键点中第二关键点的第二预设数量个第二候选关键点中的候选关键点,根据该候选关键点的坐标以及该候选关键点的第二临近点的坐标,确定第二临近点相对于该候选关键点的相对坐标;
将所述第一特征向量、所述第二特征向量、所得到的第一临近点的相对坐标和激光反射强度、所得到的第二临近点的相对坐标和激光反射强度输入所述特征提取子模型中,得到所述至少一个第一关键点的第三特征向量和至少一个第二关键点中第二关键点的第二预设数量个候选关键点的第四特征向量。
27.根据权利要求17-26任一项所述的装置,其中,所述特征向量获取单元进一步被配置成:
将所述第一点云数据输入预先训练的特征提取模型,得到点的第一特征向量,其中,所述特征提取模型用于表征点云数据中的点和特征向量的对应关系。
28.根据权利要求17所述的装置,其中,所述第一关键点确定单元进一步被配置成:
对所述第一特征向量进行降维,确定所述第一点云数据中点的权重;
根据所述第一点云数据中点的权重,确定所述第一点云数据的至少一个第一关键点。
29.根据权利要求28所述的装置,其中,所述第一关键点确定单元进一步被配置成:
将所述第一特征向量输入预先设置的多层感知器中,得到所述第一点云数据的一维特征向量;
将所述一维特征向量中的值作为所述第一点云数据中点的权重。
30.根据权利要求28所述的装置,其中,所述第一关键点确定单元进一步被配置成:
将权重按照由大到小的顺序进行排序;
确定所述排序中前预设数量个权重对应的点为所述第一点云数据的第一关键点。
31.根据权利要求17-30任一项所述的装置,其中,所述装置还包括:
转换参数确定单元,被配置成根据所述至少一个第一关键点以及所述至少一个匹配点,确定所述至少一个第一关键点与所述至少一个匹配点之间的第二转换参数;
第三关键点确定单元,被配置成根据所述第二转换参数以及所述至少一个第一关键点,确定与所述至少一个第一关键点对应的至少一个第三关键点;
第四关键点确定单元,被配置成根据所述第一点云数据与所述第二点云数据之间的预设第三转换参数以及所述至少一个第一关键点,确定与所述至少一个第一关键点对应的至少一个第四关键点;
损失函数确定单元,被配置成根据所述至少一个匹配点、所述至少一个第三关键点和所述至少一个第四关键点,确定所述匹配点生成模型的损失函数。
32.根据权利要求31所述的装置,其中,所述损失函数确定单元进一步被配置成:
根据所述至少一个匹配点和所述至少一个第四关键点,确定第一损失函数;
根据所述至少一个第三关键点和所述至少一个第四关键点,确定第二损失函数;
根据所述第一损失函数、所述第二损失函数以及预设的平衡因子,确定所述损失函数。
33.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-16中任一所述的方法。
34.一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-16中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910515759.6A CN110246167A (zh) | 2019-06-14 | 2019-06-14 | 用于处理点云数据的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910515759.6A CN110246167A (zh) | 2019-06-14 | 2019-06-14 | 用于处理点云数据的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110246167A true CN110246167A (zh) | 2019-09-17 |
Family
ID=67887131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910515759.6A Pending CN110246167A (zh) | 2019-06-14 | 2019-06-14 | 用于处理点云数据的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110246167A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369602A (zh) * | 2020-02-25 | 2020-07-03 | 北京百度网讯科技有限公司 | 点云数据的处理方法、装置、电子设备及可读存储介质 |
CN111369603A (zh) * | 2020-02-25 | 2020-07-03 | 北京百度网讯科技有限公司 | 点云配准技术的评估方法、装置、电子设备及可读存储介质 |
CN111738293A (zh) * | 2020-05-18 | 2020-10-02 | 北京百度网讯科技有限公司 | 点云数据的处理方法、装置、电子设备及可读存储介质 |
CN114424244A (zh) * | 2019-09-30 | 2022-04-29 | 大金工业株式会社 | 点云数据相同性估计装置及点云数据相同性估计系统 |
CN115408549A (zh) * | 2022-08-31 | 2022-11-29 | 深圳前海瑞集科技有限公司 | 工件点云的过滤方法、装置、计算机可读介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102607459A (zh) * | 2012-03-06 | 2012-07-25 | 中国矿业大学(北京) | Lidar测量数据的拼接方法和装置 |
US20130314403A1 (en) * | 2012-05-22 | 2013-11-28 | Hon Hai Precision Industry Co., Ltd. | Method for splicing point clouds together |
CN104143210A (zh) * | 2014-07-31 | 2014-11-12 | 哈尔滨工程大学 | 一种多尺度法向特征点云配准方法 |
CN104715469A (zh) * | 2013-12-13 | 2015-06-17 | 联想(北京)有限公司 | 一种数据处理方法及电子设备 |
CN106651752A (zh) * | 2016-09-27 | 2017-05-10 | 深圳市速腾聚创科技有限公司 | 三维点云数据配准方法及拼接方法 |
CN109297510A (zh) * | 2018-09-27 | 2019-02-01 | 百度在线网络技术(北京)有限公司 | 相对位姿标定方法、装置、设备及介质 |
-
2019
- 2019-06-14 CN CN201910515759.6A patent/CN110246167A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102607459A (zh) * | 2012-03-06 | 2012-07-25 | 中国矿业大学(北京) | Lidar测量数据的拼接方法和装置 |
US20130314403A1 (en) * | 2012-05-22 | 2013-11-28 | Hon Hai Precision Industry Co., Ltd. | Method for splicing point clouds together |
CN104715469A (zh) * | 2013-12-13 | 2015-06-17 | 联想(北京)有限公司 | 一种数据处理方法及电子设备 |
CN104143210A (zh) * | 2014-07-31 | 2014-11-12 | 哈尔滨工程大学 | 一种多尺度法向特征点云配准方法 |
CN106651752A (zh) * | 2016-09-27 | 2017-05-10 | 深圳市速腾聚创科技有限公司 | 三维点云数据配准方法及拼接方法 |
CN109297510A (zh) * | 2018-09-27 | 2019-02-01 | 百度在线网络技术(北京)有限公司 | 相对位姿标定方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
WEIXIN LU,AND ETC: "DeepICP:An End-to-End Deep Neural Network for 3D Point Cloud Registration", 《ARXIV CORR-ARXIV:1905.04153V1》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114424244A (zh) * | 2019-09-30 | 2022-04-29 | 大金工业株式会社 | 点云数据相同性估计装置及点云数据相同性估计系统 |
CN114424244B (zh) * | 2019-09-30 | 2022-09-30 | 大金工业株式会社 | 点云数据相同性估计装置及点云数据相同性估计系统 |
CN111369602A (zh) * | 2020-02-25 | 2020-07-03 | 北京百度网讯科技有限公司 | 点云数据的处理方法、装置、电子设备及可读存储介质 |
CN111369603A (zh) * | 2020-02-25 | 2020-07-03 | 北京百度网讯科技有限公司 | 点云配准技术的评估方法、装置、电子设备及可读存储介质 |
CN111369603B (zh) * | 2020-02-25 | 2023-09-29 | 阿波罗智能技术(北京)有限公司 | 点云配准技术的评估方法、装置、电子设备及可读存储介质 |
CN111369602B (zh) * | 2020-02-25 | 2023-10-27 | 阿波罗智能技术(北京)有限公司 | 点云数据的处理方法、装置、电子设备及可读存储介质 |
CN111738293A (zh) * | 2020-05-18 | 2020-10-02 | 北京百度网讯科技有限公司 | 点云数据的处理方法、装置、电子设备及可读存储介质 |
CN115408549A (zh) * | 2022-08-31 | 2022-11-29 | 深圳前海瑞集科技有限公司 | 工件点云的过滤方法、装置、计算机可读介质及电子设备 |
CN115408549B (zh) * | 2022-08-31 | 2024-04-12 | 深圳前海瑞集科技有限公司 | 工件点云的过滤方法、装置、计算机可读介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110246166A (zh) | 用于处理点云数据的方法和装置 | |
CN110246167A (zh) | 用于处理点云数据的方法和装置 | |
US11295208B2 (en) | Robust gradient weight compression schemes for deep learning applications | |
CN110392902A (zh) | 使用稀疏体积数据的操作 | |
CN109255830A (zh) | 三维人脸重建方法和装置 | |
CN107590482A (zh) | 信息生成方法和装置 | |
CN109902186A (zh) | 用于生成神经网络的方法和装置 | |
CN110211167A (zh) | 用于处理点云数据的方法和装置 | |
CN109800732A (zh) | 用于生成漫画头像生成模型的方法和装置 | |
CN108229496A (zh) | 服饰关键点的检测方法和装置、电子设备、存储介质和程序 | |
CN108024762A (zh) | 耳形状分析方法、耳形状分析装置以及耳形状模型生成方法 | |
Gao et al. | A data‐driven approach to realistic shape morphing | |
CN108509904A (zh) | 用于生成信息的方法和装置 | |
CN113095129A (zh) | 姿态估计模型训练方法、姿态估计方法、装置和电子设备 | |
Zhong et al. | XJTLUIndoorLoc: A new fingerprinting database for indoor localization and trajectory estimation based on Wi-Fi RSS and geomagnetic field | |
CN107679642A (zh) | 根据函数分解的随机路径生成 | |
CN108062416B (zh) | 用于在地图上生成标签的方法和装置 | |
Tong et al. | Regularization iteration imaging algorithm for electrical capacitance tomography | |
Prasad et al. | NURBS-diff: A differentiable programming module for NURBS | |
Nguyen et al. | MIMONet: Structured-light 3D shape reconstruction by a multi-input multi-output network | |
Giusarma et al. | Learning Neutrino Effects in Cosmology with Convolutional Neural Network | |
Wang et al. | Convolutional neural networks on manifolds: From graphs and back | |
Geetha et al. | Geospatial Data Exploration Using Machine Learning | |
CN110414613A (zh) | 区域聚类的方法、装置、设备和计算机可读存储介质 | |
Lee et al. | Spherical principal curves |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190917 |