多特征引导网络实现部分点云配准方法研究.pdfVIP

多特征网络用于部分到部分的点云配准

王鸿源

fountainhy@163.com19B921006@

闫志强

19B921007@18B921006@

1

2

0

2

p王冰文宁乾浩

e19B921012@

S17B921012@

0

1

]

V机器人定位、姿态估计等应用中起着至关重要的作用。

C

.采样一致性初始对齐(SAC‑IA)和迭代点

s为消除混合特征带来的维度差异大、语义鸿沟大

c(ICP)[2]被广泛用于求解点云之间的刚性变换。

[以及相互干扰等问题，本文提出了一种新的用于部分到

SAC‑IA使用FPFH[15]特征进行对应点搜索，通过

2部分点云配准的多特征网络（MFG）。该网络主

v要包括四个部分：关键点特征提取、对应关系搜索、对RANSAC剔除不可靠的点对[4],，最后计算点云之间

9的刚性变换。SAC‑IA使用具有判别性的特征描述符来

7应关系可信度计算和奇异值分解（SVD），其中对应指导匹配点的分配，使算法对点云初始化不敏感，但

0关系搜索和对应关系可信度计算是网络的。与以往

2其性能劣于局部配准算法。ICP迭代地将一个点云中

1.工作不同，我们利用形状特征和空间坐标分别对应的每个点分配到另一个点云中空间上的点，并计

1关系搜索，并融合匹配结果以获得最终匹配矩阵。在对算对应关系之间的最小二乘刚性变换。然而，由于仅

1应关系可信度计算模块中，基于特征匹配矩阵与坐标匹

0使用空间坐标来指导对应点搜索，ICP对初始化和离

2配矩阵之间的关系，我们对每个对应关系的可靠性群点非常敏感，这限制了其在实际应用中的使用。因

:进行评分，从而减少误匹配点或未匹配点的影响。实验

v此，许多配准框架结合使用特征描述符和点云的空间

i结果表明，我们的网络在保持计算效率的同时优于当前

X位置，利用特征描述符进行粗略的初始预对齐，然后

r最先进的方法。

a基于空间位置进行更精确的精配准步骤。

受益于深度学习技术的兴起，研究人员开始研究

1.引言使用数据驱动的点云处理方法。然而，与传统的二维

图像不同，点云由一系列点组成，其无序性特征使得

随着传感器技术的快速发展，获取目标场景三维

它们在深度学习架构中的使用存在问题。P