申请/专利权人：重庆邮电大学

申请日：2024-03-15

公开（公告）日：2024-06-21

公开（公告）号：CN118229745A

主分类号：G06T7/33

分类号：G06T7/33;G06N3/088;G06V10/42;G06V10/44;G06N3/0475;G06N3/0464;G06V10/764;G06N3/045

优先权：

专利状态码：在审-公开

法律状态：2024.06.21#公开

摘要：本发明涉及一种基于虚拟锚点引导的无监督点云鲁棒配准方法，该方法包括：获取相同场景下不同视角的两个点云，将其输入预训练好的无监督点云配准模型，得到点云配准结果；无监督点云配准模型的训练过程包括：获取源点云和目标点云；通过特征提取分别得到相应的全局特征；分别对相应的全局特征进行虚拟锚点生成，得到相应的虚拟锚点；对相应的虚拟锚点取K最近邻，利用特征提取网络，分别得到相应的局部特征；计算对应的相似度矩阵；进而得到变换矩阵，根据变换矩阵，得到点云配准结果；计算该模型的损失函数，当损失函数收敛时停止训练，得到训练后的无监督点云配准模型。本发明解决了点云配准中的PtP问题，得到的配准结果更准确，无监督点云配准模型的鲁棒性能更优。

主权项：1.一种基于虚拟锚点引导的无监督点云鲁棒配准方法，其特征在于，包括：获取相同场景下不同视角的两个点云，将所述两个点云数据输入预训练好的无监督点云配准模型，得到点云配准结果；所述无监督点云配准模型的训练过程，包括：S1：获取源点云和目标点云；S2：利用全局特征提取网络，对所述源点云和目标点云进行特征提取，分别得到所述源点云的全局特征和目标点云的全局特征；S3：利用锚点生成网络，分别对所述源点云的全局特征和目标点云的全局特征进行数据处理，分别得到所述源点云的虚拟锚点和目标点的虚拟锚点；S4：对所述源点云的虚拟锚点和目标点的虚拟锚点取K最近邻，得到源点云的近邻点云和目标点云的近邻点云，根据所述源点云的近邻点云和目标点云的近邻点云，得到点对应的索引；S5：利用局部特征提取网络，对所述源点云和目标点云进行局部特征提取，分别得到所述源点云的局部特征和目标点云的局部特征，生成点级特征嵌入库；S6：根据所述点级特征嵌入库和所述点对应的索引，得到对应的相似度矩阵，根据所述对应的相似度矩阵得到相应的对应关系矩阵；S7：根据所述对应关系矩阵，得到变换矩阵，根据所述变换矩阵和源点云，得到最终的变换矩阵，根据所述最终的变换矩阵，得到点云配准结果；S8：计算所述无监督点云配准模型的损失函数，当损失函数收敛时停止训练，得到训练后的无监督点云配准模型。

全文数据：

权利要求：

百度查询： 重庆邮电大学 一种基于虚拟锚点引导的无监督点云鲁棒配准方法

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