基于深度学习的点云配准方法研究.pdf

基于深度学习的点云配准方法研究

摘要

近年来，三维点云作为一种包含丰富信息的数据表示形式，在自动驾驶、机器人

视觉等领域中有广泛的应用，而点云配准则是相关技术的关键环节，同时由于计算机

算力的提升，深度学习技术也逐渐应用于诸多领域，尤其在二维图像数据上取得了很

好的效果，因此通过深度学习方法来完成点云配准任务也成为相关技术研究的重要方

向。目前点云配准流程各个环节仍存在很多技术问题，如小规模点云下采样时易剔除

具有重要几何特征的点，特征提取步骤则需在适应点云不变性等特性的同时提取更多

特征信息。因此本文对基于深度学习的三维点云配准方法进行了研究，以利用深度学

习技术的优势提高配准精度。

本文首先介绍了点云配准的研究现状、点云配准和深度学习相关技术理论以及基

于深度学习技术的相关点云配准算法。然后针对点云下采样及特征提取步骤中存在的

问题进行研究，提出相应的算法以求获得更好的配准效果。

针对点云目前下采样方法所存在的问题，如随机采样方法易剔除关键信息点，最

远点采样方法效率较低等，在原有算法的基础上提出了一种基于全局特征的网络采样

方法，并对特征提取及匹配矩阵建立等步骤进行相应修改，使网络在下采样步骤中能

够在保证效率的同时筛选出原始点云中对点云全局特征贡献更大的点，以保留更多的

空间几何信息，能够解决信息丢失问题，进而提高点云配准精度。

针对特征提取步骤中所建立的特征描述符需在适应点云特性的前提下保留更多特

征信息等问题，提出了基于多面体群的点云配准算法，通过多面体群变换使算法在集

合内部具有旋转不变性，并通过多角度点云对神经网络进行训练以使其在集合外部也

能有较好的鲁棒性，同时使用分组卷积的方法完成不同角度特征图的信息交换，并通

过选取初始旋转矩阵及神经网络修正的方法代替常规变换矩阵求取方法完成点云配准

任务。

最后本文在现有数据集上对所提算法进行了性能评估，并设计了对比实验和消融

实验进行分析，验证了本文算法的有效性。

关键字：三维点云；深度学习；点云配准；网络采样；特征提取；

基于深度学习的点云配准方法研究

Abstract

Inrecentyears,3Dpointcloudhasbeenwidelyusedinautonomousdriving,robotvision

andotherfieldsasadatarepresentationwithrichinformation.Pointcloudregistrationisa

keystepinrelatedtechnology.Meanwhile,duetotheimprovementofcomputingpower,deep

learningtechnologyhasbeengraduallyappliedinmanyfields,especiallyinthe2Dimage

data.Therefore,usingdeeplearningmethodstoaccomplishpointcloudregistrationtaskshas

becomeanimportantresearchdirection.Atpresent,therearestillmanytechnicalproblemsin

variousstagesofpointcloudregistration,suchastheremovalofpointswithimportant

geometricfeaturesareeasytobeeliminatedwhendown-samplingsmall-scalepointclouds,

andmorefeatureinformationneedstobeextractedinthefeatureextractionstepwhile

adaptingtotheinvarianceofpoi