CN115631341A - 一种基于多尺度特征投票的点云配准方法及系统 - Google Patents
一种基于多尺度特征投票的点云配准方法及系统 Download PDFInfo
- Publication number
- CN115631341A CN115631341A CN202211644483.XA CN202211644483A CN115631341A CN 115631341 A CN115631341 A CN 115631341A CN 202211644483 A CN202211644483 A CN 202211644483A CN 115631341 A CN115631341 A CN 115631341A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- feature
- source
- pair matching
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000013598 vector Substances 0.000 claims abstract description 50
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 230000009466 transformation Effects 0.000 claims description 21
- 230000007246 mechanism Effects 0.000 claims description 20
- 230000002776 aggregation Effects 0.000 claims description 15
- 238000004220 aggregation Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 14
- 238000013519 translation Methods 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000008447 perception Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009616 inductively coupled plasma Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009901 attention process Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 244000062645 predators Species 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 101150049349 setA gene Proteins 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明属于控制科学与工程领域,涉及一种基于多尺度特征投票的点云配准方法及系统;本方法针对点云特征描述符生成时卷积核感受野范围固定而导致的特征描述受无关几何信息干扰的问题,设计多尺度特征提取网络对输入点云进行逐点稠密多尺度特征提取,并在多个特征尺度空间下进行特征匹配,得到点对匹配关系;设计高维空间投票模块,将匹配点对坐标组织成高维向量表示,利用高维稀疏卷积网络对匹配点对进行置信度投票,根据置信度进行匹配关系选择,提升了匹配点对集合中正确匹配点对的占比,进而得到更为精确、稳定的点云配准结果;本发明能够完成且不限于低重合度场景下的点云配准任务。
Description
技术领域
本发明属于控制科学与工程领域,涉及一种基于多尺度特征投票的点云配准方法及系统,尤其涉及一种面向单光子雷达测量系统的基于多尺度特征投票的点云配准方法及系统。
背景技术
单光子成像是一种采用脉冲激光光源,利用波分复用等非线性光学技术实现超高精度与强抗噪成像的新型技术。该技术在远距离、恶劣噪声干扰下相较于传统激光雷达具有显著优势,并在微弱信号探测、远距离成像、精密测量等领域具有巨大应用潜力。
在三维成像中,为了获取真实世界物体或场景的完整三维模型,通常使用激光雷达设备如单光子雷达系统对目标物体或场景的点云进行采集。单光子雷达系统在不同角度扫描目标物体或场景得到点云数据,进而通过点云配准技术,将采集得到的位于不同坐标系下的点云进行旋转平移变换至统一的全局坐标系下,生成完整的三维模型。
点云配准技术按照阶段可以分为粗配准与精配准两个阶段。目前,粗配准主要采用特征匹配式方法,核心步骤为:首先对两输入点云进行随机采样作为待匹配点,接着在待匹配点的欧式邻域内利用不同的特征生成方式产生相应的特征描述符进行局部几何描述,接着在特征空间上进行最近邻匹配以形成点对匹配关系,最后利用鲁棒误匹配对剔除方法如RANSAC进行位姿求取,解得配准所需的旋转、平移刚体变换。粗配准阶段求得的旋转平移钢体变换通常并不是最优刚体变换,因此在粗配准后往往会利用ICP算法进行精配准,对粗配准获得的结果进行进一步地优化微调,逐渐减小配准误差以获取最优刚体变换。
由上述可知,在特征匹配式的点云粗配准算法流程框架下,旋转平移矩阵的求取很大程度上取决于构造的点对匹配关系的准确程度,而点对匹配关系由两输入点云生成的点云特征描述符在特征空间上建立,因此如何生成具有充分局部几何描述能力的特征描述符是特征匹配式点云配准算法的关键步骤。
然而,目前常用的基于点云卷积式的特征描述符生成方式在对低重合度场景下的输入点云进行特征提取时,常常由于点云卷积核感受野大小范围固定而产生误匹配对,从而影响最终配准结果。即,当采样点选择在输入点云重叠区域时,采样点周围非重叠区域部分的信息将会作为噪声被局部感知,为采样点处特征的生成带来不必要的几何信息,进而在后续的特征匹配阶段产生错误的匹配点对,在最终的位姿求取阶段产生较大误差。
因此在点云配准问题中,如何针对不同采样点位置控制点云卷积感受野大小以得到准确的点云特征描述符的关键问题仍然没有得到比较好的解决。
发明内容
为解决单光子雷达测试系统场景下扫描得到的低重合度点云配准精度低、成像效果差等问题,本发明通过研究点云多尺度特征,设计了一种基于点云多尺度特征的高维投票机制,以动态选择合适的点云特征进行匹配。本发明的基于多尺度特征投票的点云配准方法,面向单光子雷达探测系统场景,通过设计多尺度特征提取骨干网络对输入点云以不同的卷积核大小提取稠密多尺度特征,进行多尺度特征匹配,得到多尺度匹配点对关系,解决了配准低重叠度点云时点云特征感受野固定而导致的特征受到几何噪声干扰的问题,提升了不限于低重合度场景下点云匹配的特征匹配精确度以及配准召回率。
为实现上述目的,本发明提供了一种基于多尺度特征投票的点云配准方法,包括如下步骤:
S1:对待配准的源点云与目标点云执行点云全卷积特征编码,分别提取源点云和目标点云的特征聚合点及其对应的特征向量;
S2:利用注意力机制对源点云与目标点云的特征向量进行自、交叉注意力信息交互;
S3:基于源点云与目标点云的经过注意力机制的特征向量以及点云全卷积特征编码阶段保存的临时特征,以并行方式提取生成对源点云和目标点云具有不同感受野尺度的点云逐点特征;
S4:利用生成的点云逐点特征,在不同感受野尺度下进行特征匹配,得到不同感受野尺度下的点对匹配关系,组成初始点对匹配集合;
S5:将初始点对匹配集合进行高维向量表示,并利用高维稀疏卷积网络进行初始点对匹配集合中的点对匹配关系的置信度预测,并根据预测到的置信度大小得到最终点对匹配集合;
S6:基于得到的最终点对匹配集合中点对匹配对的点对匹配关系,求解得到旋转与平移的刚体变换;
S7:将得到的刚体变换作用于源点云,使源点云和目标点云变换至统一的全局坐标系下,完成源点云与目标点云的配准,从而重建得到完整的三维模型。
进一步,步骤S1具体过程为:针对源点云和目标点云具有的空间稀疏特性,对待配准的源点云与目标点云利用点云全卷积网络进行连续下采样特征编码,并将每个下采样层得到的临时特征输出进行保存;经过全部下采样层后,得到源点云和目标点云的具有高维表征能力的特征聚合点及其对应的特征向量。
进一步,步骤S2中,采用Transformer模型对源点云与目标点云的特征向量进行显式的信息交互,使源点云与目标点云实现相互整体感知。
进一步,步骤S3具体过程为:设计具有三个并行输出通道的多尺度特征提取网络,分别以源点云的经过注意力机制的特征向量、目标点云的经过注意力机制的特征向量以及点云全卷积特征编码阶段保存的临时特征作为通道输入,分别对应高、中、低纬度的特征生成通道,以并行方式对源点云和目标点云进行逐点稠密多尺度特征提取,生成对源点云和目标点云具有不同感受野尺度的点云逐点特征。
进一步,步骤S4具体过程为:基于所设计的多尺度特征提取网络,利用生成的对源点云和目标点云具有不同感受野尺度的点云逐点特征的描述子,在不同感受野尺度下进行特征最近邻搜索,得到在不同感受野尺度下的点对匹配关系。
进一步,步骤S5具体过程为:将初始点对匹配集合中点对的三维坐标进行拼接,组织成高维的向量表示形式;然后使用高维稀疏卷积神经网络对初始点对匹配集合中的点对匹配对进行置信度分数预测,并将预测得到的置信度分数从高至低进行排序,选择高于设定阈值的点对匹配对组成求取位姿变换时的最终点对匹配集合。
进一步,步骤S6中利用奇异值分解SVD求解得到旋转与平移的刚体变换。
本发明还提供了一种基于多尺度特征投票的点云配准系统,包括:
点云特征编码模块,用于对待配准的源点云与目标点云执行点云全卷积特征编码,分别提取源点云和目标点云的特征聚合点及其对应的特征向量;
注意力机制模块,用于对源点云与目标点云的特征向量进行自、交叉注意力信息交互;
多尺度特征提取网络模块,用于基于源点云与目标点云的经过注意力机制的特征向量以及点云全卷积特征编码阶段保存的临时特征,以并行方式提取生成对源点云和目标点云具有不同感受野尺度的点云逐点特征;
特征匹配模块,用于利用生成的点云逐点特征,在不同感受野尺度下进行特征匹配,得到不同感受野尺度下的点对匹配关系,组成初始点对匹配集合;
高维空间投票模块,用于将初始点对匹配集合进行高维向量表示,并利用高维稀疏卷积网络进行初始点对匹配集合中的点对匹配关系的置信度预测,并根据预测到的置信度大小得到最终点对匹配集合;
位姿变换模块,用于基于得到的最终点对匹配集合中点对匹配对的点对匹配关系,求解得到旋转与平移的刚体变换;并将得到的刚体变换作用于源点云,使源点云和目标点云变换至统一的全局坐标系下,完成源点云与目标点云的配准,从而重建得到完整的三维模型。
本发明还提供了一种电子设备,包括:存储器、处理器和存储在所述存储器上并可在所述处理器上运行的程序,所述处理器执行所述程序,以实现上述点云配准方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有程序,该程序被处理器执行,以实现上述点云配准方法。
本发明的有益效果:
1)本发明采用基于全卷积的神经网络架构进行点云特征提取,相较于传统几何特征描述子提取的方式,能够实现点云逐点稠密特征的快速生成;
2)本发明通过设计多尺度特征提取网络对输入点云提取具有不同感受野尺度的特征,使得点对特征匹配在多个空间尺度上进行,从而增大了点对匹配成功的机率;
3)本发明通过设计高维空间投票模块,利用稀疏卷积网络进行点对匹配对置信度预测,提高了正确匹配对在点对匹配集合中的占比,进一步提高了点云配准的精度与稳定性。
附图说明
图1为本发明实施例的基于多尺度特征投票的点云配准方法流程图;
图2为本发明实施例的多尺度特征提取网络结构示意图;
图3为本发明实施例的注意力机制模块的自、交叉注意力机制过程示意图;
图4为本发明实施例的高维投票机制示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
本实施例提供了一种面向单光子雷达探测系统的基于多尺度特征投票的点云配准方法,其中针对点云特征描述符生成时卷积核感受野范围固定而导致的特征描述受无关几何信息干扰的问题,设计了多尺度特征提取网络对输入点云(源点云和目标点云)进行逐点稠密多尺度特征提取,并在多个特征尺度空间下进行特征匹配,得到点对匹配关系;进一步设计了高维空间投票模块,提升了点对匹配集合中正确匹配点对关系占比,进而得到更为精确、稳定的点云配准结果。
如图1所示,本实施例的基于多尺度特征投票的点云配准方法包括如下步骤:
步骤一:点云全卷积特征编码
针对输入点云具有的空间稀疏特性,利用点云全卷积网络对待配准的源点云与目标点云进行连续下采样特征编码,并将每个下采样层得到的临时特征输出进行保存,以在后续的解码阶段进行融合;经过全部下采样层后,得到具有高维表征能力的特征聚合点坐标及相对应的特征向量。具体过程如下:
其中,表示源点云中的第个点,表示源点云中的点个数;表示目标点云中的第个点,M表示目标点云中的点个数;代表源点云与目标点云之间的真值点对匹配集合,应该理解正确的点对匹配关系只存在于重叠区域中;为欧氏空间中所有环绕原点的旋转矩阵组成的旋转群,解旋转矩阵代表实数。
本实施例的特征编码模块如图2左侧所示的特征解码器,以输入源点云为例,经过层级式下采样与点云卷积操作,输出点数更少的特征聚合点及其相对应的特征向量,同时对于经过每层下采样层所产生的临时特征,,进行保存。同理,输入目标点云Y经过层级式下采样与点云卷积操作,输出点数更少的特征聚合点及其相对应的特征向量,同时对于经过每层下采样层所产生的临时特征,,进行保存。
步骤二:基于步骤1中得到的特征聚合点与其特征向量,采用注意力机制模块进行自、交叉注意力信息交互,分别达到增强特征局部感知以及对待配准点云达到整体感知的效果。本实施例的注意力机制模块包括自注意力机制模块和交叉注意力机制模块,如图3所示。本步骤具体过程如下:
,是由来自于源点云和目标点云各自点云的几何信息所聚合生成的特征向量,仍不具有对方点云的几何信息。为了进一步增强特征向量对自身点云局部几何的描述能力以及实现输入源点云和目标点云之间的信息交互,本实施例采用Transformer模型对特征向量,进行显式的信息交互,Transformer模型的核心操作定义如下:
其中,、、分别代表索引、键值、信息,具体化至点云配准问题中,特征聚合点的特征向量,即为Transformer模型中的、、,以从特征向量至的信息流为例,此时为,为,即为;为特征空间下的余弦相似度计算,以索引与信息做内积,向量维度作为尺度参数以控制相似度在合理的数值范围内。接着将得到的相似度数值通过softmax函数归一化成隶属0~1范围内的加和为1的概率数值分布,将此相似度数值与信息做内积,得到索引与信息间的注意力信息流,本实施例中得到特征向量至的注意力信息流。同理,特征向量至的反向注意力信息流可由相同的计算规律计算得出。
步骤三:多尺度特征解码
将点云全卷积网络的解码阶段网络分成三个并行输出通道,如图2右侧的并行解码器所示。以输入源点云为例,分别以经过注意力机制模块的特征聚合点的特征向量,编码阶段保存的临时特征,作为通道输入,分别对应高、中、低维度的特征生成通道,以并行的方式进行特征生成,实现生成对输入源点云具有不同感受野尺度的点云逐点特征。
具体而言,对于最高维的特征输出通道,在经过每次上采样层前,都会依次与特征编码阶段保存得到的临时特征,,进行特征拼接,对于中、低维度的特征输出通道采用相似的融合策略,以增强特征的感知能力。最终在并行的三个输出通道上得到具有不同感受野尺度的点云逐点特征(即多尺度特征),同理,对输入目标点云也得到多尺度特征。
步骤四:特征匹配
步骤五:高维空间投票
将步骤四中得到的点对匹配集合进行高维向量表示,即将点对的三维坐标进行拼接,组织成高维的向量表示形式;之后使用高维稀疏卷积神经网络对点对匹配关系进行置信度分数预测,即评估每一对匹配关系的可信程度;接着基于以上的置信度得分从高至低进行排序,选择高于设定阈值的点对匹配关系作为求取位姿变换时的最终匹配对集合。
步骤六:反求位姿变换
为进一步说明本发明的点云配准方法,下面将本配准方法与FCGF(稀疏全卷积特征配准网络)、D3Feat(核心关键点卷积特征配准网络)、Predator(重叠区域核心点卷积特征)三种现有方法在配准召回率方面的对比,具体对比数值如下表1所示。
表1本方法与三种现有方法配准召回率比较
从表1可以看出,在标准重合度场景3DMatch以及低重合度场景3DLoMatch数据集上,本方法相较于目前的主流特征匹配式点云配准算法在不同采样点数的设置下,在特征匹配召回率以及配准成功率标准上均获得了指标上的提升,特别是在低重合度场景中,在大点数采样情况下取得了较大的提升。从以上表格可以得出结论,说明本发明在低重合场配准场景下表现出显著优势,证明本发明专门为低重合场景设计的模块的有效性。
本实施例还提供了一种执行上述点云配准方法的点云配准系统,包括:
多尺度特征提取模块,用于基于源点云X与目标点云Y的经过注意力机制的特征向量,以及点云全卷积特征编码阶段保存的临时特征,,和,,,以并行方式提取生成对源点云X和目标点云Y具有不同感受野尺度的点云逐点特征,,,,,;
位姿变换模块,用于基于得到的点对匹配集合中点对匹配对的点对匹配关系,求解得到旋转与平移的刚体变换;并将得到的刚体变换作用于源点云,使源点云和目标点云变换至统一的全局坐标系下,完成源点云与目标点云的配准,从而重建得到完整的三维模型。
对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以对本发明的实施例作出若干变型和改进,这些都属于本发明的保护范围。
Claims (10)
1.一种基于多尺度特征投票的点云配准方法,其特征在于,包括如下步骤:
步骤S1:对待配准的源点云与目标点云执行点云全卷积特征编码,分别提取源点云和目标点云的特征聚合点及其对应的特征向量;
步骤S2:利用注意力机制对源点云与目标点云的特征向量进行自、交叉注意力信息交互;
步骤S3:基于源点云与目标点云的经过注意力机制的特征向量以及点云全卷积特征编码阶段保存的临时特征,以并行方式提取生成对源点云和目标点云具有不同感受野尺度的点云逐点特征;
步骤S4:利用生成的点云逐点特征,在不同感受野尺度下进行特征匹配,得到不同感受野尺度下的点对匹配关系,组成初始点对匹配集合;
步骤S5:将初始点对匹配集合进行高维向量表示,并利用高维稀疏卷积网络进行初始点对匹配集合中的点对匹配关系的置信度预测,并根据预测到的置信度大小得到最终点对匹配集合;
步骤S6:基于得到的最终点对匹配集合中点对匹配对的点对匹配关系,求解得到旋转与平移的刚体变换;
步骤S7: 将得到的刚体变换作用于源点云,使源点云和目标点云变换至统一的全局坐标系下,完成源点云与目标点云的配准,从而重建得到完整的三维模型。
2.根据权利要求1所述的一种基于多尺度特征投票的点云配准方法,其特征在于,步骤S1具体过程为:针对源点云和目标点云具有的空间稀疏特性,对待配准的源点云与目标点云利用点云全卷积网络进行连续下采样特征编码,并将每个下采样层得到的临时特征输出进行保存;经过全部下采样层后,得到源点云和目标点云的具有高维表征能力的特征聚合点及其对应的特征向量。
3.根据权利要求1所述的一种基于多尺度特征投票的点云配准方法,其特征在于,步骤S2中,采用Transformer模型对源点云与目标点云的特征向量进行显式的信息交互,使源点云与目标点云实现相互整体感知。
4.根据权利要求1所述的一种基于多尺度特征投票的点云配准方法,其特征在于,步骤S3具体过程为:设计具有三个并行输出通道的多尺度特征提取网络,分别以源点云的经过注意力机制的特征向量、目标点云的经过注意力机制的特征向量以及点云全卷积特征编码阶段保存的临时特征作为通道输入,分别对应高、中、低纬度的特征生成通道,以并行方式对源点云和目标点云进行逐点稠密多尺度特征提取,生成对源点云和目标点云具有不同感受野尺度的点云逐点特征。
5.根据权利要求4所述的一种基于多尺度特征投票的点云配准方法,其特征在于,步骤S4具体过程为:基于所设计的多尺度特征提取网络,利用生成的对源点云和目标点云具有不同感受野尺度的点云逐点特征的描述子,在不同感受野尺度下进行特征最近邻搜索,得到在不同感受野尺度下的点对匹配关系。
6.根据权利要求1所述的一种基于多尺度特征投票的点云配准方法,其特征在于,步骤S5具体过程为:将初始点对匹配集合中点对的三维坐标进行拼接,组织成高维的向量表示形式;然后使用高维稀疏卷积神经网络对初始点对匹配集合中的点对匹配对进行置信度分数预测,并将预测得到的置信度分数从高至低进行排序,选择高于设定阈值的点对匹配对组成求取位姿变换时的最终点对匹配集合。
7.根据权利要求1所述的一种基于多尺度特征投票的点云配准方法,其特征在于,步骤S6中利用奇异值分解SVD求解得到旋转与平移的刚体变换。
8.一种基于多尺度特征投票的点云配准系统,其特征在于,包括:
点云特征编码模块,用于对待配准的源点云与目标点云执行点云全卷积特征编码,分别提取源点云和目标点云的特征聚合点及其对应的特征向量;
注意力机制模块,用于对源点云与目标点云的特征向量进行自、交叉注意力信息交互;
多尺度特征提取模块,用于基于源点云与目标点云的经过注意力机制的特征向量以及点云全卷积特征编码阶段保存的临时特征,以并行方式提取生成对源点云和目标点云具有不同感受野尺度的点云逐点特征;
特征匹配模块,用于利用生成的点云逐点特征,在不同感受野尺度下进行特征匹配,得到不同感受野尺度下的点对匹配关系,组成初始点对匹配集合;
高维空间投票模块,用于将初始点对匹配集合进行高维向量表示,并利用高维稀疏卷积网络进行初始点对匹配集合中的点对匹配关系的置信度预测,并根据预测到的置信度大小得到最终点对匹配集合;
位姿变换模块,用于基于得到的最终点对匹配集合中点对匹配对的点对匹配关系,求解得到旋转与平移的刚体变换;并将得到的刚体变换作用于源点云,使源点云和目标点云变换至统一的全局坐标系下,完成源点云与目标点云的配准,从而重建得到完整的三维模型。
9.一种电子设备,其特征在于,包括:
存储器、处理器和存储在所述存储器上并可在所述处理器上运行的程序,所述处理器执行所述程序,以实现根据权利要求1-7任一项所述的基于多尺度特征投票的点云配准方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有程序,该程序被处理器执行,以实现根据权利要求1-7任一项所述的基于多尺度特征投票的点云配准方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211644483.XA CN115631341A (zh) | 2022-12-21 | 2022-12-21 | 一种基于多尺度特征投票的点云配准方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211644483.XA CN115631341A (zh) | 2022-12-21 | 2022-12-21 | 一种基于多尺度特征投票的点云配准方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115631341A true CN115631341A (zh) | 2023-01-20 |
Family
ID=84910770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211644483.XA Pending CN115631341A (zh) | 2022-12-21 | 2022-12-21 | 一种基于多尺度特征投票的点云配准方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115631341A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958557A (zh) * | 2023-08-11 | 2023-10-27 | 安徽大学 | 一种基于残差脉冲神经网络的三维室内场景语义分割方法 |
WO2024170182A1 (de) * | 2023-02-15 | 2024-08-22 | Robert Bosch Gmbh | Vorrichtung und verfahren zur verarbeitung von sensordaten, sensorsystem |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114037743A (zh) * | 2021-10-26 | 2022-02-11 | 西北大学 | 一种基于动态图注意力机制的秦俑三维点云鲁棒配准方法 |
CN114926325A (zh) * | 2022-06-07 | 2022-08-19 | 中南大学 | 一种点云配准的方法、系统及存储介质 |
CN115409931A (zh) * | 2022-10-31 | 2022-11-29 | 苏州立创致恒电子科技有限公司 | 一种基于图像与点云数据融合的三维重建方法 |
-
2022
- 2022-12-21 CN CN202211644483.XA patent/CN115631341A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114037743A (zh) * | 2021-10-26 | 2022-02-11 | 西北大学 | 一种基于动态图注意力机制的秦俑三维点云鲁棒配准方法 |
CN114926325A (zh) * | 2022-06-07 | 2022-08-19 | 中南大学 | 一种点云配准的方法、系统及存储介质 |
CN115409931A (zh) * | 2022-10-31 | 2022-11-29 | 苏州立创致恒电子科技有限公司 | 一种基于图像与点云数据融合的三维重建方法 |
Non-Patent Citations (2)
Title |
---|
HAINING GUAN ET AL.: "DOANet: Point Cloud Registration with Deep Overlap Attention" * |
HAINING GUAN ET AL.: "Voting Multi-scale Features for Robust Point Cloud Registration" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024170182A1 (de) * | 2023-02-15 | 2024-08-22 | Robert Bosch Gmbh | Vorrichtung und verfahren zur verarbeitung von sensordaten, sensorsystem |
CN116958557A (zh) * | 2023-08-11 | 2023-10-27 | 安徽大学 | 一种基于残差脉冲神经网络的三维室内场景语义分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | A novel nonlocal-aware pyramid and multiscale multitask refinement detector for object detection in remote sensing images | |
Xie et al. | Point clouds learning with attention-based graph convolution networks | |
CN115631341A (zh) | 一种基于多尺度特征投票的点云配准方法及系统 | |
Cheng et al. | Bi-pointflownet: Bidirectional learning for point cloud based scene flow estimation | |
Zhang et al. | Progressive hard-mining network for monocular depth estimation | |
CN113838109B (zh) | 一种低重合度点云配准方法 | |
CN114550161B (zh) | 一种端到端的三维目标稀疏检测方法 | |
Yang et al. | ANFIS construction with sparse data via group rule interpolation | |
Zhan et al. | FA-ResNet: Feature affine residual network for large-scale point cloud segmentation | |
Xu et al. | GLORN: Strong generalization fully convolutional network for low-overlap point cloud registration | |
Xu et al. | AutoSegNet: An automated neural network for image segmentation | |
Cui et al. | Exploiting more information in sparse point cloud for 3d single object tracking | |
CN110956601B (zh) | 一种基于多传感器样态系数的红外图像融合方法和装置以及计算机可读存储介质 | |
CN116128944A (zh) | 一种基于特征交互和可靠对应关系估计的三维点云配准方法 | |
CN115439669A (zh) | 基于深度学习的特征点检测网络及跨分辨率图像匹配方法 | |
Liu et al. | Playing to Vision Foundation Model's Strengths in Stereo Matching | |
Gao et al. | HDRNet: High‐Dimensional Regression Network for Point Cloud Registration | |
An et al. | PointTr: Low-Overlap Point Cloud Registration with Transformer | |
CN114998630A (zh) | 一种从粗到精的地对空图像配准方法 | |
Sa et al. | Depth grid-based local description for 3D point clouds | |
Faraji et al. | Drone-YOLO: Improved YOLO for Small Object Detection in UAV | |
CN118172398B (zh) | 基于双层聚焦-注意力特征交互的点云配准方法及系统 | |
Zhao et al. | Visible/Infrared Image Registration Based on Region-Adaptive Contextual Multi-Features | |
Chen et al. | Recognition and Classification of High Resolution Remote Sensing Image based on Convolutional Neural Network | |
Wu et al. | A Global Perception Attention-based Network for Point Cloud Completion |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230120 |