CN112991407B - 一种基于非局部操作的点云配准方法 - Google Patents

一种基于非局部操作的点云配准方法 Download PDF

Info

Publication number
CN112991407B
CN112991407B CN202110358528.6A CN202110358528A CN112991407B CN 112991407 B CN112991407 B CN 112991407B CN 202110358528 A CN202110358528 A CN 202110358528A CN 112991407 B CN112991407 B CN 112991407B
Authority
CN
China
Prior art keywords
point cloud
local operation
network
multilayer perceptron
cross
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.)
Active
Application number
CN202110358528.6A
Other languages
English (en)
Other versions
CN112991407A (zh
Inventor
宋亚楠
沈卫明
陈刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute Of Computer Innovation Technology Zhejiang University
Original Assignee
Institute Of Computer Innovation Technology Zhejiang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute Of Computer Innovation Technology Zhejiang University filed Critical Institute Of Computer Innovation Technology Zhejiang University
Priority to CN202110358528.6A priority Critical patent/CN112991407B/zh
Publication of CN112991407A publication Critical patent/CN112991407A/zh
Application granted granted Critical
Publication of CN112991407B publication Critical patent/CN112991407B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

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。

Description

一种基于非局部操作的点云配准方法
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。
所述的点云配准网络包括非局部操作模块、交叉非局部操作网络、多层感知机网络、奇异值分解和矩阵相乘操作；源点云和模板点云分别均经各自的非局部操作模块处理后输出源点云特征和模板点云特征，每个非局部操作模块均主要由依次连接的第一个多层感知机网络、交叉非局部操作网络和第二个多层感知机网络连接构成，多层感知机网络的内部权重共享，然后将源点云特征和模板点云特征均输入到交叉非局部操作网络后经交叉非局部操作网络处理获得两个交叉特征，两个交叉特征进行矩阵相乘操作后的结果再和模板点云经过矩阵相乘操作获得虚拟匹配点，将虚拟匹配点和源点云经过奇异值分解获得源点云和模板点云之间的旋转变换参数R和平移变换参数t。
所述将源点云特征和模板点云特征均输入到交叉非局部操作网络后经交叉非局部操作网络处理获得两个交叉特征，具体为是将源点云特征作为交叉非局部操作网络的第一输入，模板点云作为交叉非局部操作网络的第二输入，处理输出获得一个交叉特征；并且将模板点云特征作为交叉非局部操作网络的第一输入，源点云作为交叉非局部操作网络的第二输入，处理输出获得另一个交叉特征，从而获得两个交叉特征。
本发明中认为点云中各点之间存在相互影响，包括局部信息和非局部信息的影响。局部信息的影响通过深度神经网络，由其内部的卷积操作实现；非局部信息的影响通过非局部操作实现。由此本发明采用设计了非局部操作应用于点云配准领域。
在提取点云中某一点的匹配特征时，非局部操作能够利用整个点云计算该点的非局部特征，充分考虑离散点云之间的相对位置关系，对于寻找点云之间的匹配关系具有重要意义，能够有效应对点云稀疏、缺失等不利匹配环境。
所述的非局部操作网络包括了第一多层感知机M1、第二多层感知机M2、第三多层感知机M3、矩阵相乘操作、矩阵相加操作、第四多层感知机M4；非局部操作网络的输入分别经了第一多层感知机M1、第二多层感知机M2、第三多层感知机M3处理后获得了三个感知特征，第一多层感知机M1和第二多层感知机M2获得的两个感知特征经矩阵相乘操作再经Softmax激活函数处理后获得中间特征，将中间特征再和第三多层感知机M3获得的一个感知特征进行矩阵相乘操作获得合并特征，将合并特征经第四多层感知机M4处理后再和非局部操作网络的输入经矩阵相加操作获得非局部操作网络的输出。
本发明中的各个多层感知机M3拓扑结构均为全连接，但是每层的节点个数不同，M1-M3均为mlp(256),M4-M7均为mlp(512),M8的为mlp(1024)。
非局部操作一般用于处理同一信号输入，比如同一图像、视频，其主要作用是充分利用输入信号的非局部信息，自增强对任务有重要影响的关键信息。
在两片任意初始位置的点云中寻找匹配对应点，对关键的匹配点进行了更多创新处理，具体实施进一步构建了交叉非局部操作网络，使传统非局部操作能够处理不同来源的信号输入，同时操作两片点云，充分利用非局部操作对关键信息的自注意能力，有利于提高网络对虚拟匹配位置的感知能力。
所述的交叉非局部操作网络包括了第五多层感知机M5、第六多层感知机M6、第七多层感知机M7、矩阵相乘操作、矩阵相加操作和第八多层感知机M8；交叉非局部操作网络的第一输入分别经了第五多层感知机M5处理后获得了一个交叉感知特征，交叉非局部操作网络的第二输入分别经了第六多层感知机M6、第七多层感知机M7处理后获得了另外两个交叉感知特征，第五多层感知机M5和第六多层感知机M6获得的两个交叉感知特征经矩阵相乘操作再经Softmax激活函数处理后获得交叉中间特征，将交叉中间特征再和第七多层感知机M7获得的一个交叉感知特征进行矩阵相乘操作获得交叉合并特征，将交叉合并特征经第八多层感知机M8处理后再和非局部操作网络的第一输入经矩阵相加操作获得非局部操作网络的输出。
本发明特殊构建了非局部操作网络和交叉非局部操作网络及其构成下的点云配准网络，通过网络拓扑结构设计的处理实现了具有较强的鲁棒性，能有效避免算法陷入局部最优，提高了处理的效率和精度。
本发明的有益效果是：
本发明构造了基于非局部操作的点云配准网络，能够综合利用点云的局部结构信息和非局部空间结构信息。该网络对点云匹配中的噪声、离群点以及任意初始对应位置具有较强的鲁棒性，能有效避免匹配过程中算法陷入局部最优。另外，该方法无需对匹配结果迭代调优，显著提高了算法的求解效率。
本发明的点云配准方法，构建了非局部操作网络结构和交叉非局部操作网络结构，充分利用了点云各点之间的相互影响，增强了算法对关键匹配特征的提取能力。本发明所提方法能有效应对点云噪声、离群点以及初始对应关系多样等复杂情况，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，提升了点云配准的精度和效率。
附图说明
图1是非局部操作网络结构示意图；
图2是交叉非局部操作网络结构示意图；
图3是点云配准网络结构示意图；
图4是本发明实施例的流程图。
具体实施方式
下面结合附图对本发明实施例做详细说明。
需要理解的是，本发明所描述的实施例是示例性的，实施例描述中所使用的具体参数仅是为了便于描述本发明，并不用于限定本发明。
如图4所示，本发明的一个实施例及其实施过程如下步骤：
步骤1：构建非局部操作网络。构建如图1所示的非局部操作网络结构，其输入维度为n×512，n设置为1024。网络输出维度为1024×512。
非局部操作网络的点云非局部操作主要以点云本身为操作对象，具体的网络结构如图1所示。
本发明的图中，n表示点云中点的个数；mlp为多层感知机，框中的数字表示每层网络的节点数；矩阵相乘操作表示两个矩阵执行矩阵乘法操作；矩阵相加操作表示两个矩阵按对应元素执行元素相加操作。Softmax表示对矩阵执行Softmax操作。
构建的点云非局部操作网络以点云配准网络的深度神经网络中间生成的点云特征结果为输入，表示为特征X，其维度为n×512。从下到上将直接连接点云非局部操作网络输入的三个多层感知机mlp操作分别命名为M1、M2、M3操作。M1、M2、M3操作分别以特征X输入，生成n×256的感知特征表示；
然后，由第一多层感知机M1和第二多层感知机M2操作生成的n×256的感知特征再执行矩阵相乘操作，经过softmax激活函数后获得n×n的中间特征；n×n的中间特征与由第三多层感知机M3操作生成的n×256特征执行矩阵相乘操作，获得新的n×256的合并特征。在此基础上对合并特征执行第四多层感知机M4操作获得n×512的特征，然后将该n×512的特征与输入的特征X执行矩阵相加操作，获得n×512维的新特征表示。
步骤2：构建交叉非局部操作网络。构建如图2所示的交叉非局部操作网络结构，两个输入的维度均为n×1024，n设置为1024。网络输出维度为1024×1024。
本发明的交叉非局部操作网络以两片点云的特征表示为输入，具体的网络结构如图2所示。网络中各符号以及各操作的具体含义与非局部操作网络结构相同，不再赘述。
交叉非局部操作网络以两片点云的特征表示为输入，分别用X(n×1024)和Y(n×1024)表示。第五多层感知机M5操作以第一输入X为输入，第六多层感知机M6和第七多层感知机M7操作以第二输入Y为输入；经过第五多层感知机M5、第六多层感知机M6、第七多层感知机M7操作后获得n×512的交叉感知特征，然后将第五多层感知机M5、第六多层感知机M6输出的n×512交叉感知特征经过矩阵相乘以及softmax操作后得到n×n的交叉中间特征；
接着，n×n的交叉中间特征与由第七多层感知机M7操获得的n×512的交叉感知特征执行矩阵相乘操作，得到新的n×512的特征。紧接着对n×512的特征执行第八多层感知机M8的mlp(1024)操作，获得n×1024的交叉合并特征。最后，n×1024的交叉合并特征与第一输入X经过矩阵相加操作后获得的结果作为交叉非局部操作网络的输出。
步骤3：构建基于非局部操作的点云配准网络。
本发明构建的点云配准网络如图3所示，网络中的符号和操作与非局部操作网络保持一致。
源点云和模板点云仅用(x,y,z)空间坐标表示，输入到网络的点云维度为n×3。源点云和模板点云均分别输入到非局部操作模块的第一个多层感知机网络mlp，获得n×512的特征表示，该n×512的特征然后经过非局部操作处理获得新的n×512特征，由非局部操作获得的新的n×512特征进一步经过第二多层感知机网络mlp获得n×1024的特征表示。将从源点云提取的n×1024特征表示称为源点云特征；将从模板点云提取的n×1024特征表示称为模板点云特征。图3中的“共享权值”表示多层感知机网络mlp的内部权重共享。
在点云配准任务中，源点云和模板点云的两片待匹配点云的相对位置是相互影响的。源点云的对应匹配点受到模板点云的影响；同样，模板点云的对应匹配点也受到源点云的影响。具体实施特别地针对交叉非局部操作构建两种输入方式。第一种，以源点云特征为第一输入X，以模板点云特征为第二输入Y，获得n×1024的第一个交叉特征；第二种，以模板点云特征为第一输入X，以源点云特征为第二输入Y，获得n×1024的第二个交叉特征。这样充分利用了两片待匹配点云的这种复杂相互关系，实现了点云更精确的配准。
两种输入方式生成的n×1024交叉特征表示再执行矩阵相乘和softmax操作，获得n×n的融合特征表示。该n×n的融合特征代表了模板点云中每个点对配准任务的贡献大小，将融合特征与模板点云输入n×3再执行矩阵相乘操作获得n×3的虚拟匹配点。最后，源点云与虚拟匹配点执行奇异值分解(SVD)操作，获得两片配准点云之间的旋转变换参数R和平移变换参数t。
步骤4：训练构建的点云配准网络。本实施例使用ModelNet40数据集训练点云配准网络。学习率为0.0001，训练批次大小为8，最大迭代次数为300个epoch。
步骤5：训练后的点云配准网络直接预测点云对之间的旋转变换和平移变换。
由此实施可见，与现有技术相比，本发明综合考虑了点云内部的局部结构信息和非局部结构信息，以及点云之间的非局部结构相互影响。同时，本发明避免了后处理优化过程，直接预测点云对之间的旋转变换矩阵和平移变换矩阵，提升了算法的求解效率。在ModelNet40数据集上，本发明获得了9.51的平均绝对值旋转误差和0.06的平均绝对值平移误差。
以上所述，仅为本发明较佳的具体实施方案，但本发明的保护范围并不局限于上述实施方案，任何本技术领域的技术人员在本发明描述的技术范围内，根据本发明的技术方案及其发明构思所做的等同替换或改变，都应包含在本发明的保护范围之内。

Claims (4)

1.一种基于非局部操作的点云配准方法，其特征在于：
步骤1：构建基于非局部操作的点云配准网络；
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；
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；
所述的点云配准网络包括非局部操作模块、交叉非局部操作网络、多层感知机网络、奇异值分解和矩阵相乘操作；源点云和模板点云分别经各自的非局部操作模块处理后输出源点云特征和模板点云特征，每个非局部操作模块均由依次连接的第一个多层感知机网络、非局部操作网络和第二个多层感知机网络连接构成，多层感知机网络的内部权重共享，然后将源点云特征和模板点云特征均输入到交叉非局部操作网络后经交叉非局部操作网络处理获得两个交叉特征，两个交叉特征进行矩阵相乘操作后的结果再和模板点云经过矩阵相乘操作获得虚拟匹配点，将虚拟匹配点和源点云经过奇异值分解获得旋转变换参数R和平移变换参数t。
2.根据权利要求1所述的一种基于非局部操作的点云配准方法，其特征在于：所述将源点云特征和模板点云特征均输入到交叉非局部操作网络后经交叉非局部操作网络处理获得两个交叉特征，具体为将源点云特征作为交叉非局部操作网络的第一输入，模板点云特征作为交叉非局部操作网络的第二输入，处理输出获得一个交叉特征；并且将模板点云特征作为交叉非局部操作网络的第一输入，源点云特征作为交叉非局部操作网络的第二输入，处理输出获得另一个交叉特征，从而获得两个交叉特征。
3.根据权利要求1所述的一种基于非局部操作的点云配准方法，其特征在于：所述的非局部操作网络包括了第一多层感知机M1、第二多层感知机M2、第三多层感知机M3、矩阵相乘操作、矩阵相加操作、第四多层感知机M4；非局部操作网络的输入分别经过第一多层感知机M1、第二多层感知机M2、第三多层感知机M3处理后获得三个感知特征，第一多层感知机M1和第二多层感知机M2获得的两个感知特征经矩阵相乘操作再经Softmax激活函数处理后获得中间特征，将中间特征再和第三多层感知机M3获得的一个感知特征进行矩阵相乘操作获得合并特征，将合并特征经第四多层感知机M4处理后再和非局部操作网络的输入经矩阵相加操作获得非局部操作网络的输出。
4.根据权利要求1所述的一种基于非局部操作的点云配准方法，其特征在于：所述的交叉非局部操作网络包括了第五多层感知机M5、第六多层感知机M6、第七多层感知机M7、矩阵相乘操作、矩阵相加操作和第八多层感知机M8；交叉非局部操作网络的第一输入分别经了第五多层感知机M5处理后获得了一个交叉感知特征，交叉非局部操作网络的第二输入分别经了第六多层感知机M6、第七多层感知机M7处理后获得了另外两个交叉感知特征，第五多层感知机M5和第六多层感知机M6获得的两个交叉感知特征经矩阵相乘操作再经Softmax激活函数处理后获得交叉中间特征，将交叉中间特征再和第七多层感知机M7获得的一个交叉感知特征进行矩阵相乘操作获得交叉合并特征，将交叉合并特征经第八多层感知机M8处理后再和非局部操作网络的第一输入经矩阵相加操作获得非局部操作网络的输出。
CN202110358528.6A 2021-04-02 2021-04-02 一种基于非局部操作的点云配准方法 Active CN112991407B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110358528.6A CN112991407B (zh) 2021-04-02 2021-04-02 一种基于非局部操作的点云配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110358528.6A CN112991407B (zh) 2021-04-02 2021-04-02 一种基于非局部操作的点云配准方法

Publications (2)

Publication Number Publication Date
CN112991407A CN112991407A (zh) 2021-06-18
CN112991407B true CN112991407B (zh) 2022-06-28

Family

ID=76338972

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110358528.6A Active CN112991407B (zh) 2021-04-02 2021-04-02 一种基于非局部操作的点云配准方法

Country Status (1)

Country Link
CN (1) CN112991407B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538535A (zh) * 2021-07-15 2021-10-22 电子科技大学 一种基于双分支特征交互的3d点云配准网络模型及配准方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8295589B2 (en) * 2010-05-20 2012-10-23 Microsoft Corporation Spatially registering user photographs
CN106097334B (zh) * 2016-06-08 2023-09-12 北京航空航天大学 基于深度学习的点云配准方法
CN109345575B (zh) * 2018-09-17 2021-01-19 中国科学院深圳先进技术研究院 一种基于深度学习的图像配准方法及装置
CN110009667B (zh) * 2018-12-19 2022-09-06 南京理工大学 基于罗德里格斯变换的多视点云全局配准方法
EP3693922A1 (en) * 2019-02-11 2020-08-12 Siemens Aktiengesellschaft An apparatus and a method for performing a data driven pairwise registration of three-dimensional point clouds
CN111612778B (zh) * 2020-05-26 2023-07-11 上海交通大学 一种术前cta与术中x光冠状动脉配准方法
CN111882593B (zh) * 2020-07-23 2022-06-17 首都师范大学 结合注意力机制及三维图卷积网络的点云配准模型及方法

Also Published As

Publication number Publication date
CN112991407A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN113192112B (zh) 一种基于学习采样的部分对应点云配准方法
CN113205466B (zh) 一种基于隐空间拓扑结构约束的残缺点云补全方法
CN107886069A (zh) 一种多目标人体2d姿态实时检测系统及检测方法
Zeng et al. Pc-nbv: A point cloud based deep network for efficient next best view planning
CN113077501B (zh) 一种基于特征学习的端到端点云配准方法
Veres et al. Modeling grasp motor imagery through deep conditional generative models
CN112991407B (zh) 一种基于非局部操作的点云配准方法
JP2019159940A (ja) 点群特徴抽出装置、点群特徴抽出方法及びプログラム
Zhang et al. Automatic assembly simulation of product in virtual environment based on interaction feature pair
CN111724423B (zh) 基于流体散度损失的微分同胚的非刚体配准方法
CN113658236B (zh) 一种基于图注意力机制的残缺点云配准方法
De Angulo et al. Learning inverse kinematics: Reduced sampling through decomposition into virtual robots
Yang et al. AM-SGCN: Tactile Object Recognition for Adaptive Multichannel Spiking Graph Convolutional Neural Networks
Zhang et al. Partial Point Cloud Registration with Deep Local Feature
CN115908497A (zh) 一种基于人体拓扑感知网络的三维人体姿态估计方法及系统
Yu et al. Multi‐stream adaptive spatial‐temporal attention graph convolutional network for skeleton‐based action recognition
CN114694174A (zh) 一种基于时空图卷积的人体交互行为识别方法
Ghandi et al. Visually guided manipulator based on artificial neural networks
JP7205752B2 (ja) ロボット制御装置、ロボット制御方法、及びロボット制御プログラム
CN108776994B (zh) 基于真三维显示系统的Roesser模型及其实现方法
Hlavac Kinematics control of a redundant planar manipulator with a MLP neural network
Yuan et al. Learning Compact Transformation Based on Dual Quaternion for Point Cloud Registration
Yamazaki Gripping positions selection for unfolding a rectangular cloth product
Korbach et al. Next-Best-View Estimation based on Deep Reinforcement Learning for Active Object Classification
Meng et al. Camera motion estimation and optimization approach

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
GR01 Patent grant
GR01 Patent grant