一种基于神经网络重建高斯混合模型的点云配准方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114119690A(43)申请公布日2022.03.01(21)申请号202111536716.XG06K9/62(2022.01)(22)申请日2021.12.16G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人左一帆地址330000江西省南昌市西湖区八一大道275号10栋3单元402户(72)发明人左一帆黄小水黎盛夏雪方玉明(74)专利代理机构北京科亿知识产权代理事务所(普通合伙)11350代理人李玲玲(51)Int.Cl.G06T7/33(2017.01)G06V10/762(2022.01)G06V10/80(2022.01)G06V10/82(2022.01)权利要求书2页说明书6页附图3页(54)发明名称一种基于神经网络重建高斯混合模型的点云配准方法(57)摘要本发明提供一种基于神经网络重建高斯混合模型的点云配准方法，包括获取真实场景相同物体或者场景在噪声和密度差异下的两个点云描述信息，采用基于三维空间变换模块去除点云之间的位姿差异信息；在特征空间中，使用堆叠信息交互模块融合点云数据；基于更新的特征，设计聚类网络预测每个点属于高斯混合模型中各分量的后验概率；通过非迭代方式结合两个点云数据还原目标物体的高斯混合模型，获取两个点云数据之间的变换矩阵，应用变换矩阵完成两个点云数据的配准。本发明在具有噪声和密度差异的真实场景中，具有鲁棒的算法性能和较低的运行时间的优点。CN114119690ACN114119690A权利要求书1/2页1.一种基于神经网络重建高斯混合模型的点云配准方法，其特征在于，包括：获取真实场景相同物体或者场景在噪声和密度差异下的两个点云描述信息，采用基于三维空间变换模块去除点云之间的位姿差异信息；在特征空间中，使用堆叠信息交互模块融合点云数据；基于更新的特征，设计聚类网络预测每个点属于高斯混合模型中各分量的后验概率；通过非迭代方式结合两个点云数据还原目标物体的高斯混合模型，获取两个点云数据之间的变换矩阵，应用所述变换矩阵完成两个点云数据的配准。2.根据权利要求1所述的基于神经网络重建高斯混合模型的点云配准方法，其特征在于：获取两个点云数据之间的变换矩阵包括：获取两个点云数据之间的旋转变换矩阵与平移变换矩阵。3.根据权利要求1或2所述的基于神经网络重建高斯混合模型的点云配准方法，其特征在于：获取真实场景相同物体在噪声和密度差异下的两个点云描述信息包括：基于三维物体模型数据，对每个目标物体进行至少两次随机采样，对随机采样获得的点云数据进行归一化处理，将两个点云数据的三维坐标统一缩放至相同范围。4.根据权利要求3所述的基于神经网络重建高斯混合模型的点云配准方法，其特征在于：将两个点云数据的三维坐标统一缩放至相同范围后，还对两个点云数据进行随机数据增强，获得训练数据。5.根据权利要求4所述的基于神经网络重建高斯混合模型的点云配准方法，其特征在于：对所述点云数据的随机增强包括：在0至45度范围内随机旋转；和/或在0至50厘米范围内随机平移。6.根据权利要求1或2所述的基于神经网络重建高斯混合模型的点云配准方法，其特征在于：采用基于三维空间变换模块去除点云之间的较大位姿差异信息包括：分别将两个点云描述信息输入共享参数的三维空间变换网络，使用基于学习的方式回归变换矩阵，对两个点云描述信息进行几何变换去除位姿差异。7.根据权利要求1或2所述的基于神经网络重建高斯混合模型的点云配准方法，其特征在于：使用堆叠信息交互模块融合点云数据包括：设计信息交互模块内部的互注意力子网络，根据特征相似度获取每个点在另一个点云上的加权全局信息，结合初始点特征完成对每个点特征的更新。8.根据权利要求1或2所述的基于神经网络重建高斯混合模型的点云配准方法，其特征在于：设计聚类网络预测每个点属于高斯混合模型中各分量的后验概率包括：将两个点云数据的特征图分别进行最大池化获得对应的全局特征向量，该全局特征向量分别与对应点云数据中每个点的局部特征在通道维度合并后输入共享参数的聚类网络，以预测所有点的高2CN114119690A权利要求书2/2页斯分量后验概率。9.根据权利要求8所述的基于神经网络重建高斯混合模型的点云配准方法，其特征在于：基于所述聚类网络预测的后验概率，以非迭代方式构建高斯混合模型的全部参数，并间接得到表示两个点云数据之间旋转和平移的变换矩阵。3CN114119690A说明书1/6页一种基于神经网络重建高斯混合模型的点云配准方法技术领域[0001]本发明涉及三维点云数据的处理领域，具体的，涉及一种基于神经网络重建高斯混合模型的点云配准方法。背景技术[0002]近年来，随着LiDAR和Kinect等三维传感器越来越广泛的应