基于深度学习的点云配准技术研究.pdf

摘要

点云配准是点云数据之间的变换估计问题，目的是将同一个三维场景或物体的

部分扫描点云数据正确配准到同一个坐标系下，从而形成场景或物体的更完整的点

云数据。近年来基于深度学习的点云配准方法逐渐兴起，不仅可以得到点云的高维特

征，而且还能够减少人为特征设计的需求，使得模型能够更好地适应不同类型和复杂

度的三维点云数据。但是现有的描述符提取方法可能导致点云结构信息不显著以及

点云数据细节信息不能被有效提取的问题，并且由于特征提取方法通常更关注于点

云的几何结构信息，而忽略了点云数据在空间位置上的感知。那么如何提取到点云数

据的细节信息以及增强模型的空间位置感知能力来提高点云描述符的显著性是值得

去探讨的问题。鉴于对现有问题的分析，本文就以下两个部分进行研究与分析：

（1）提出一种基于多尺度特征融合的多模态三维点云配准算法

针对现有描述符提取方法导致的点云结构信息不显著以及点云数据细节信息未

被有效提取的问题，提出了基于多尺度特征融合的多模态三维点云配准算法(Multi-

modalNetworkbasedonMulti-scaleFeatureFusion，MSFNet)。首先在编码器中采用基

于稀疏卷积的通道注意力模块(ChannelAttentionModulebasedonSparseConvolution，

SCCAM)使得该算法能够自适应地关注点云的特征结构，然后利用多尺度空间点云编

码结构(Multi-scaleSpatialPointCloudEncoding，MSPCE)提取并有效融合不同尺度下

的点云特征，从而增加点云描述符的感受野。最后利用多模态特征融合模块融合点云

特征与图片特征，并将其送入解码器进行监督训练，以生成最终的点云描述符。采用

FMR(Feature-matchRecall)作为评价指标，在数据集3DMatch上进行实验，实验结果

表明MSFNet网络其FMR精度达到了98.4%，与基线模型相比，提升了0.8个百分

点，明显优于其它三维点云配准方法。

（2）提出一种基于几何信息增强与跨帧空间感知的三维点云配准算法

针对现有描述符提取方法忽略点云数据的空间位置感知的问题，提出了基于几

何信息增强与跨帧空间感知的三维点云配准算法（GeometricInformationEnhancement

andCross-frameSpatialPerception，GIEACSP）。首先利用改进的基于几何增强的编

码器模块（Geometry-enhancedEncoderModule，GEEmodule）提取点云的增强几何

结构。其次利用空间位置感知的特征增强转换器模块（SpatialPosition-awareFeature

EnhancementTransformerModule，SPAFETmodule）增加模型对点云数据的空间位置

I

感知能力，该模块利用自注意力机制学习点云旋转不变的跨帧空间位置，从而使模型

能够更好地处理复杂的空间位置变换。然后寻求超点上的对应关系，再将其传播到单

个点形成密集的点对应，从而完成点云配准任务。在3DMatch数据集上的实验结果

表明，该算法在高重叠率的点云数据上配准精度仅低于MSFNet算法0.2个百分点，

同时在低重叠率上配准精度达到了88.7%，比MSFNet算法提高了8个百分点，并且

相比其他算法展现出了明显的优势。在Kitti以及ModelNet40数据集上同样说明了

该算法的先进性。

关键词：三维点云配准；多尺度点云编码；特征融合；空间位置感知；注意力机制

II

ABSTRACT

Pointcloudregistrationistheproblemofestimatingtransformationsbetweenpoint

clouddata,withtheaimofaligningpartialscansofthesame3Dsceneorobjectintoa

commoncoordinate