申请/专利权人：湖南大学

申请日：2021-02-06

公开（公告）日：2024-05-31

公开（公告）号：CN112837356B

主分类号：G06T7/33

分类号：G06T7/33;G06N3/045;G06N3/0475;G06N3/094;G06N3/088

优先权：

专利状态码：有效-授权

法律状态：2024.05.31#授权;2021.06.11#实质审查的生效;2021.05.25#公开

摘要：本发明提供了一种基于WGAN的无监督多视角三维点云联合配准方法包括如下步骤：步骤S1、获取不同视角的点云；步骤S1、对所有视角的点云进行下采样；步骤S3、从标准模型中采样；步骤S4、对多视角点云联合配准WGAN的生成器网络进行训练；步骤S5、对多视角点云联合配准WGAN的判别器网络进行训练；步骤S6、判断是否终止训练：设定生成器和判别器训练的次数均为M次，若达到M次则终止训练，若未达到M次则回到步骤S4。本发明设计了一种多视角点云配准网络生成点云模型，相较于传统的配准方法，具有对初始化更强的鲁棒性，有利于在生产线上实时运行，既不存在视角偏置，也不存在累计误差。

主权项：1.一种基于WGAN的无监督多视角三维点云联合配准方法，其特征在于，包括如下步骤：步骤S1、获取不同视角的点云：从不同视角进行扫描，扫描后获得个点云表示第i个点云；Ni表示第i个点云所包含的点的个数，pij表示第i个点云中的第j个点，pij＝R3，R表示实数，R3表示笛卡尔三维坐标系；步骤S2、对所有视角的点云进行下采样：点云Pi为分别处理与前后相邻两个视角的关系，存在两个相邻的点云，处理不同相邻点云时，共进行两次点云下采样，即对于每个点云，分别对前后相邻视角点云下采样：对于Pi-1，对Pi和Pi-1进行随机采样，采样数量NiL为：NiL＝min{Ni-1s，Nis}1对于Pi+1，对Pi和Pi+1进行随机采样，采样数量NiR为：NiR＝min{Nis，Ni+1s}2式中，Ni-1表示第i-1个点云所包含的点的个数，Ni表示第i个点云所包含的点的个数，Ni+1表示第i+1个点云所包含的点的个数，s为人为设定的采样参数；步骤S3、从标准模型中采样；从标准模型点集Ps中采样出m个样本，记为标准样本步骤S4、对多视角点云联合配准WGAN的生成器网络进行训练：将各个视角点云逐一转换到统一的坐标系下，将所有转换后的点云融合成一个完整的点云模型P′，并对P′进行均匀采样，从P′采样m个点作为生成样本具体包括如下步骤：步骤S41、设计生成器；所述步骤S41具体包括如下步骤：步骤S411、构建特征向量转换网络层，对点云表示Ni×3矩阵，逐点生成高维特征向量Fi∈RN×D，D表示每个点提取的D维的特征向量，RN×D表示N×D矩阵；步骤S412、构建匹配点计算网络层，逐点计算匹配点：提取相邻点云Pi-1与Pi+1对应的经过高维特征向量转换的特征矩阵Fi-1R和Fi+1L；分别计算Pi与Pi-1及Pi+1的匹配概率，分别得到匹配点对集合步骤S413、滤除基于注意力机制的外点：计算上一次迭代得到的第i个姿态的转置与匹配点对Cij之间的相关性度量simij，j表示索引；步骤S414、联合配准求姿态的闭式解T：根据当前匹配点对及其权重计算点云的相对姿态及约束条件，获得点云的相对姿态优化唯一最优解，即最优姿态；步骤S415、生成点云模型并进行采样：根据最优姿态，将各个视角点云逐一转换到统一的坐标系下，融合成一个完整的点云模型P′，并对P′进行均匀采样；步骤S42、生成器网络进行训练；步骤S5、对多视角点云联合配准WGAN的判别器网络进行训练：对生成样本与标准样本进行判别；具体包括如下步骤：步骤S51、设计判别器；步骤S52、判别器网络进行训练；步骤6：判断是否终止训练：设定生成器和判别器训练的次数均为M次，若达到M次则终止训练，若未达到M次则回到步骤S4。

全文数据：

权利要求：

百度查询： 湖南大学 一种基于WGAN的无监督多视角三维点云联合配准方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD