CN114022523B - 低重叠点云数据配准***及方法 - Google Patents
低重叠点云数据配准***及方法 Download PDFInfo
- Publication number
- CN114022523B CN114022523B CN202111179546.4A CN202111179546A CN114022523B CN 114022523 B CN114022523 B CN 114022523B CN 202111179546 A CN202111179546 A CN 202111179546A CN 114022523 B CN114022523 B CN 114022523B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- low
- overlapping
- registered
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 230000007246 mechanism Effects 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请涉及点云数据技术领域，特别涉及一种低重叠点云数据配准***及方法，其中，***包括：特征提取单元，用于接收待配准低重叠点云，并基于待配准低重叠点云的局部和整体的结构信息提取待配准低重叠点云的点特征；重叠区域预测单元，用于基于待配准低重叠点云的点特征预测潜在的结构信息概率分布，并根据概率分布对点云进行采样，得到待配准低重叠点云的相似结构区域，确定重叠区域；位姿预测单元，用于在重叠区域内形成点到点的空间对应关系，并基于空间对应关系利用最小二乘法计算刚性位姿，利用刚性位姿对齐待配准低重叠点云。本申请实施例能够配准低重叠点云数据，并且对不同重叠率的点云数据保持较高的配准精度，有效保证配准需求。
Description
技术领域
本申请涉及点云数据技术领域，特别涉及一种低重叠点云数据配准***及方法。
背景技术
点云是在三维空间中表征三维结构的点数据集合。点云配准是求解同一坐标系下不同姿态点云的相对位姿，进而基于相对位置关系融合不同姿态采集的点云数据，得到对观测物体更加全面的度量结果。
相关技术中，在现实应用时，往往由于传感器视角限制和物体遮挡等因素，待配准低重叠点云是残缺的，只存在部分区域重叠。由于现有的点云配准技术主要基于点到点的对应关系进行配准，对于此类低重叠点云数据难以构建合适和精确的点到点的对应关系进行位姿求解，急需改进。
申请内容
本申请提供一种低重叠点云数据配准***及方法，以解决相关技术基于点到点的对应关系进行配准，使得对于低重叠点云数据难以构建合适和精确的点到点的对应关系进行位姿求解的问题。
本申请第一方面实施例提供一种低重叠点云数据配准***，包括：特征提取单元，用于接收待配准低重叠点云，并基于所述待配准低重叠点云的局部和整体的结构信息提取所述待配准低重叠点云的点特征；重叠区域预测单元，用于基于所述待配准低重叠点云的点特征预测潜在的结构信息概率分布，并根据所述概率分布对所述点云进行采样，得到所述待配准低重叠点云的相似结构区域，确定重叠区域；位姿预测单元，用于在所述重叠区域内形成点到点的空间对应关系，并基于所述空间对应关系利用最小二乘法计算刚性位姿，利用所述刚性位姿对齐所述待配准低重叠点云。
可选地，在本申请的一个实施例中，所述特征提取单元包括：边卷积层，用于基于点集的空间分布编码点云的局部结构信息；注意力机制模块，用于捕捉长依赖结构关系，其中，所述注意力机制模块分为解码器和编码器，编码器利用自注意力机制融合所述局部结构信息和整体结构信息，所述解码器利用跨越注意力机制融合所述待配准低重叠点云的结构信息，生成所述点特征。
可选地，在本申请的一个实施例中，所述位姿预测单元具体用于度量所述重叠区域内的点特征相似性，并基于所述点特征相似性构建点与点之间的相似性矩阵，得到所述点到点的空间对应关系。
可选地，在本申请的一个实施例中，所述位姿预测单元还用于基于所述空间对应关系利用所述最小二乘法对所述待配准低重叠点云的相对位姿进行求解，并根据得到的刚性位姿配准点云数据。
本申请第二方面实施例提供一种低重叠点云数据配准方法，包括以下步骤：接收待配准低重叠点云，并基于所述待配准低重叠点云的局部和整体的结构信息提取所述待配准低重叠点云的点特征；基于所述待配准低重叠点云的点特征预测潜在的结构信息概率分布，并根据所述概率分布对所述点云进行采样，得到所述待配准低重叠点云的相似结构区域，确定重叠区域；在所述重叠区域内形成点到点的空间对应关系，并基于所述空间对应关系利用最小二乘法计算刚性位姿，利用所述刚性位姿对齐所述待配准低重叠点云。
可选地，在本申请的一个实施例中，所述基于所述待配准低重叠点云的局部和整体的结构信息提取所述待配准低重叠点云的点特征，包括：基于点集的空间分布编码点云的局部结构信息；捕捉长依赖结构关系，其中，所利用自注意力机制融合所述局部结构信息和整体结构信息，利用跨越注意力机制融合所述待配准低重叠点云的结构信息，生成所述点特征。
可选地，在本申请的一个实施例中，所述在所述重叠区域内形成点到点的空间对应关系，包括：度量所述重叠区域内的点特征相似性，并基于所述点特征相似性构建点与点之间的相似性矩阵，得到所述点到点的空间对应关系。
可选地，在本申请的一个实施例中，所述基于所述空间对应关系利用最小二乘法计算刚性位姿，利用所述刚性位姿对齐所述待配准低重叠点云，包括：基于所述空间对应关系利用所述最小二乘法对所述待配准低重叠点云的相对位姿进行求解，并根据得到的刚性位姿配准点云数据。
本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的低重叠点云数据配准方法。
本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上述实施例所述的低重叠点云数据配准方法。
本申请实施例基于点云结构信息应对低重叠点云数据，能够准确预测待配准低重叠点云中的重叠区域，进而形成准确点到点的对应关系求解相对位姿，利用点云结构信息提取的具有独特结构信息的点特征，有效预测出准确的重叠区域，使得针对不同重叠程度的点云数据保持较低的位姿误差和较高的配准精度，可被用于缺陷检测、自动驾驶、即时定位与地图构建等多种任务中。由此，解决了相关技术基于点到点的对应关系进行配准，使得对于低重叠点云数据难以构建合适和精确的点到点的对应关系进行位姿求解的问题。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例的低重叠点云数据配准***的示例图；
图2为根据本申请一个具体实施例的低重叠点云数据配准***的示例图；
图3为根据本申请实施例提供的一种低重叠点云数据配准方法的流程图；
图4为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的低重叠点云数据配准***及方法。针对上述背景技术中心提到的相关技术基于点到点的对应关系进行配准，使得对于低重叠点云数据难以构建合适和精确的点到点的对应关系进行位姿求解的问题，本申请提供了一种低重叠点云数据配准***，在该***中，基于点云结构信息应对低重叠点云数据，能够准确预测待配准低重叠点云中的重叠区域，进而形成准确点到点的对应关系求解相对位姿，利用点云结构信息提取的具有独特结构信息的点特征，有效预测出准确的重叠区域，使得针对不同重叠程度的点云数据保持较低的位姿误差和较高的配准精度，可被用于缺陷检测、自动驾驶、即时定位与地图构建等多种任务中。由此，解决了相关技术基于点到点的对应关系进行配准，使得对于低重叠点云数据难以构建合适和精确的点到点的对应关系进行位姿求解的问题。
具体而言，图1为本申请实施例所提供的一种低重叠点云数据配准***的示例图。
如图1所示，该低重叠点云数据配准***10包括：特征提取单元100、重叠区域预测单元200和位姿预测单元300。
具体地，特征提取单元100，用于接收待配准低重叠点云，并基于待配准低重叠点云的局部和整体的结构信息提取待配准低重叠点云的点特征。
可以理解的是，特征提取单元100用于接收待配准低重叠点云，并提取输入点云的基于点云的局部和整体的结构信息形成的点特征。
可选地，在本申请的一个实施例中，如图2所示，特征提取单元100包括：边卷积层101和注意力机制模块102。
其中，边卷积层101，用于基于点集的空间分布编码点云的局部结构信息。
注意力机制模块102，用于捕捉长依赖结构关系，其中，注意力机制模块102分为解码器和编码器，编码器利用自注意力机制融合局部结构信息和整体结构信息，解码器利用跨越注意力机制融合待配准低重叠点云的结构信息，生成点特征。
在实际执行的过程中，特征提取单元100基于点云结构信息提取点特征，其包括基于图结构的边卷积层101和注意力机制模块102。基于点集的空间分布，边卷积层101可以用于编码点云的局部结构信息；注意力机制模块102用于捕捉长依赖结构关系，分为解码器和编码器两部分，编码器利用自注意力机制融合局部和整体结构信息，解码器利用跨越注意力机制融合待配准低重叠点云的结构信息，进而形成具有独特结构信息的点特征。
重叠区域预测单元200，用于基于待配准低重叠点云的点特征预测潜在的结构信息概率分布，并根据概率分布对点云进行采样，得到待配准低重叠点云的相似结构区域，确定重叠区域。
具体而言，重叠区域预测单元200用于预测待配准低重叠点云的重叠区域。其中，本申请实施例的重叠区域预测单元200基于特征提取单元100输出的点特征预测潜在的结构信息概率分布，从而依据概率对低重叠点云进行采样以得到输入点云的相似结构区域。本申请实施例具有排列不变性，且对不同重叠率的待配准低重叠点云具有鲁棒性。
位姿预测单元300，用于在重叠区域内形成点到点的空间对应关系，并基于空间对应关系利用最小二乘法计算刚性位姿，利用刚性位姿对齐待配准低重叠点云。
最后，位姿预测单元300首先在输入点云的重叠区域内形成点到点的空间对应关系，进而基于对应关系利用最小二乘法计算刚性位姿，以用于对齐待配准低重叠点云。
可选地，在本申请的一个实施例中，位姿预测单元300具体用于度量重叠区域内的点特征相似性，并基于点特征相似性构建点与点之间的相似性矩阵，得到点到点的空间对应关系。
另外，在本申请的一个实施例中，位姿预测单元300还用于基于空间对应关系利用最小二乘法对待配准低重叠点云的相对位姿进行求解，并根据得到的刚性位姿配准点云数据。
基于其他相关实施例的说明可以理解到的是，本申请实施例包括：
步骤S1：输入的低重叠率的待配准低重叠点云，通过特征提取单元100形成点特征。特征提取单元100包括多层密集连接的边卷积层101和注意力机制模块102，使得提取的点特征包含三维点周围的局部结构信息和潜在的长范围结构依赖关系。
步骤S2：基于特征提取单元100提取的点特征，利用重叠区域预测单元200预测待配准低重叠点云的重叠区域；其中重叠区域由基于潜在结构信息的概率分布对输入点云进行采样操作得到，该概率表征了输入点云之间的结构相似性。
步骤S3：利用位姿预测单元300，首先度量重叠区域内的点特征相似性，构建点与点之间的相似性矩阵。进而通过该矩阵形成点到点的对应关系。基于该对应关系利用最小二乘法对输入点云的相对位姿进行求解。所得相对位姿用于配准点云数据。
综上，如图2所示，特征提取单元100用于对待配准低重叠点云进行特征提取，其包括编码局部结构信息的边卷积层101和捕捉长依赖结构关联性的注意力机制模块102，以形成具有独特结构特性的点特征；重叠区域预测模块200用于预测待配准低重叠点云的重叠区域部分，重叠区域由从基于结构信息的概率分布中对点云采样得到；位姿预测单元300用于度量重叠区域内的点特征相似性，形成点到点的对应关系，进而利用最小二乘法计算相对位姿配准点云。本申请实施例能够配准具有位姿差异的低重叠点云数据，可被用于缺陷检测、自动驾驶、即时定位与地图构建等多种任务中。
根据本申请实施例提出的低重叠点云数据配准***，基于点云结构信息应对低重叠点云数据，能够准确预测待配准低重叠点云中的重叠区域，进而形成准确点到点的对应关系求解相对位姿，利用点云结构信息提取的具有独特结构信息的点特征，有效预测出准确的重叠区域，使得针对不同重叠程度的点云数据保持较低的位姿误差和较高的配准精度，可被用于缺陷检测、自动驾驶、即时定位与地图构建等多种任务中。
其次参照附图描述根据本申请实施例提出的低重叠点云数据配准方法。
图3是本申请实施例的低重叠点云数据配准方法的流程图。
如图3所示，该低重叠点云数据配准方法包括以下步骤：
在步骤S301中，接收待配准低重叠点云，并基于待配准低重叠点云的局部和整体的结构信息提取待配准低重叠点云的点特征。
在步骤S302中，基于待配准低重叠点云的点特征预测潜在的结构信息概率分布，并根据概率分布对点云进行采样，得到待配准低重叠点云的相似结构区域，确定重叠区域。
在步骤S303中，在重叠区域内形成点到点的空间对应关系，并基于空间对应关系利用最小二乘法计算刚性位姿，利用刚性位姿对齐待配准低重叠点云。
可选地，在本申请的一个实施例中，基于待配准低重叠点云的局部和整体的结构信息提取待配准低重叠点云的点特征，包括：基于点集的空间分布编码点云的局部结构信息；捕捉长依赖结构关系，其中，所利用自注意力机制融合局部结构信息和整体结构信息，利用跨越注意力机制融合待配准低重叠点云的结构信息，生成点特征。
可选地，在本申请的一个实施例中，在重叠区域内形成点到点的空间对应关系，包括：度量重叠区域内的点特征相似性，并基于点特征相似性构建点与点之间的相似性矩阵，得到点到点的空间对应关系。
可选地，在本申请的一个实施例中，基于空间对应关系利用最小二乘法计算刚性位姿，利用刚性位姿对齐待配准低重叠点云，包括：基于空间对应关系利用最小二乘法对待配准低重叠点云的相对位姿进行求解，并根据得到的刚性位姿配准点云数据。
需要说明的是，前述对低重叠点云数据配准***实施例的解释说明也适用于该实施例的低重叠点云数据配准方法，此处不再赘述。
根据本申请实施例提出的低重叠点云数据配准方法，基于点云结构信息应对低重叠点云数据，能够准确预测待配准低重叠点云中的重叠区域，进而形成准确点到点的对应关系求解相对位姿，利用点云结构信息提取的具有独特结构信息的点特征，有效预测出准确的重叠区域，使得针对不同重叠程度的点云数据保持较低的位姿误差和较高的配准精度，可被用于缺陷检测、自动驾驶、即时定位与地图构建等多种任务中。
图4为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：
存储器401、处理器402及存储在存储器401上并可在处理器402上运行的计算机程序。
处理器402执行程序时实现上述实施例中提供的低重叠点云数据配准方法。
进一步地，电子设备还包括：
通信接口403，用于存储器401和处理器402之间的通信。
存储器401，用于存放可在处理器402上运行的计算机程序。
存储器401可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果存储器401、处理器402和通信接口403独立实现，则通信接口403、存储器401和处理器402可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器401、处理器402及通信接口403，集成在一块芯片上实现，则存储器401、处理器402及通信接口403可以通过内部接口完成相互间的通信。
处理器402可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的低重叠点云数据配准方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种低重叠点云数据配准***，其特征在于，包括：
特征提取单元，用于接收待配准低重叠点云，并基于所述待配准低重叠点云的局部和整体的结构信息提取所述待配准低重叠点云的点特征；
重叠区域预测单元，用于基于所述待配准低重叠点云的点特征预测潜在的结构信息概率分布，并根据所述概率分布对所述点云进行采样，得到所述待配准低重叠点云的相似结构区域，确定重叠区域；以及
位姿预测单元，用于在所述重叠区域内形成点到点的空间对应关系，并基于所述空间对应关系利用最小二乘法计算刚性位姿，利用所述刚性位姿对齐所述待配准低重叠点云；
其中，所述特征提取单元包括：边卷积层，用于基于点集的空间分布编码点云的局部结构信息；注意力机制模块，用于捕捉长依赖结构关系，其中，所述注意力机制模块分为解码器和编码器，编码器利用自注意力机制融合所述局部结构信息和整体结构信息，所述解码器利用跨越注意力机制融合所述待配准低重叠点云的结构信息，生成所述点特征。
2.根据权利要求1所述的***，其特征在于，所述位姿预测单元具体用于度量所述重叠区域内的点特征相似性，并基于所述点特征相似性构建点与点之间的相似性矩阵，得到所述点到点的空间对应关系。
3.根据权利要求1或2所述的***，其特征在于，所述位姿预测单元还用于基于所述空间对应关系利用所述最小二乘法对所述待配准低重叠点云的相对位姿进行求解，并根据得到的刚性位姿配准点云数据。
4.一种低重叠点云数据配准方法，其特征在于，包括以下步骤：
接收待配准低重叠点云，并基于所述待配准低重叠点云的局部和整体的结构信息提取所述待配准低重叠点云的点特征；
基于所述待配准低重叠点云的点特征预测潜在的结构信息概率分布，并根据所述概率分布对所述点云进行采样，得到所述待配准低重叠点云的相似结构区域，确定重叠区域；以及
在所述重叠区域内形成点到点的空间对应关系，并基于所述空间对应关系利用最小二乘法计算刚性位姿，利用所述刚性位姿对齐所述待配准低重叠点云；
其中，所述基于所述待配准低重叠点云的局部和整体的结构信息提取所述待配准低重叠点云的点特征，包括：基于点集的空间分布编码点云的局部结构信息；捕捉长依赖结构关系，其中，所利用自注意力机制融合所述局部结构信息和整体结构信息，利用跨越注意力机制融合所述待配准低重叠点云的结构信息，生成所述点特征。
5.根据权利要求4所述的方法，其特征在于，所述在所述重叠区域内形成点到点的空间对应关系，包括：
度量所述重叠区域内的点特征相似性，并基于所述点特征相似性构建点与点之间的相似性矩阵，得到所述点到点的空间对应关系。
6.根据权利要求4或5所述的方法，其特征在于，所述基于所述空间对应关系利用最小二乘法计算刚性位姿，利用所述刚性位姿对齐所述待配准低重叠点云，包括：
基于所述空间对应关系利用所述最小二乘法对所述待配准低重叠点云的相对位姿进行求解，并根据得到的刚性位姿配准点云数据。
7.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求4-6任一项所述的低重叠点云数据配准方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求4-6任一项所述的低重叠点云数据配准方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111179546.4A CN114022523B (zh) | 2021-10-09 | 2021-10-09 | 低重叠点云数据配准***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111179546.4A CN114022523B (zh) | 2021-10-09 | 2021-10-09 | 低重叠点云数据配准***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114022523A CN114022523A (zh) | 2022-02-08 |
| CN114022523B true CN114022523B (zh) | 2024-07-09 |
Family
ID=80055784
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111179546.4A Active CN114022523B (zh) | 2021-10-09 | 2021-10-09 | 低重叠点云数据配准***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114022523B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024065343A1 (zh) * | 2022-09-29 | 2024-04-04 | 中国科学院深圳先进技术研究院 | 术前术中肝脏点云数据配准***、方法、终端以及存储介质 |
| CN115908519B (zh) * | 2023-02-24 | 2023-05-09 | 南京航空航天大学 | 一种大型复合材料构件三维测量配准误差控制方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111860668A (zh) * | 2020-07-27 | 2020-10-30 | 辽宁工程技术大学 | 一种针对原始3d点云处理的深度卷积网络的点云识别方法 |
| CN112330699A (zh) * | 2020-11-14 | 2021-02-05 | 重庆邮电大学 | 一种基于重叠区域对齐的三维点云分割方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340766B (zh) * | 2020-02-21 | 2024-06-11 | 北京市商汤科技开发有限公司 | 目标对象的检测方法、装置、设备和存储介质 |
| CN112529015A (zh) * | 2020-12-17 | 2021-03-19 | 深圳先进技术研究院 | 一种基于几何解缠的三维点云处理方法、装置及设备 |
-
2021
- 2021-10-09 CN CN202111179546.4A patent/CN114022523B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111860668A (zh) * | 2020-07-27 | 2020-10-30 | 辽宁工程技术大学 | 一种针对原始3d点云处理的深度卷积网络的点云识别方法 |
| CN112330699A (zh) * | 2020-11-14 | 2021-02-05 | 重庆邮电大学 | 一种基于重叠区域对齐的三维点云分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114022523A (zh) | 2022-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114022523B (zh) | 低重叠点云数据配准***及方法 | |
| CN108073519B (zh) | 测试用例生成方法和装置 | |
| CN110553652B (zh) | 机器人多传感器融合定位方法及其应用 | |
| CN112348035B (zh) | 车辆关键点检测方法、装置及电子设备 | |
| CN112739983B (zh) | 校正点云数据的方法和相关装置 | |
| CN111259890A (zh) | 一种水位尺的水位识别方法、装置及设备 | |
| US20220113171A1 (en) | Sensor diagnosis device and computer readable medium | |
| US8355540B2 (en) | Detector and method for identifying a road lane boundary | |
| CN111080682A (zh) | 点云数据的配准方法及装置 | |
| CN115542355A (zh) | 全球导航卫星***（gnss）离群点检测和排除的***和方法及其应用 | |
| WO2024140010A1 (zh) | 一种卫星定向方法、装置、卫星导航芯片及存储介质 | |
| CN109785362A (zh) | 基于目标对象检测的目标对象跟踪方法、装置及存储介质 | |
| CN117252837A (zh) | 一种晶圆测试的数据处理方法、装置、介质和电子设备 | |
| CN110162362B (zh) | 动态控件位置检测与测试方法、装置、设备及存储介质 | |
| CN115393381A (zh) | 一种直线度的检测方法、装置、计算机设备及存储介质 | |
| CN109583511B (zh) | 速度融合方法和装置 | |
| CN115053280B (zh) | 模型生成装置、车载装置和模型生成方法 | |
| CN115147792A (zh) | 基于视觉的定位方法、装置、计算机设备和存储介质 | |
| CN113674358A (zh) | 一种雷视设备的标定方法、装置、计算设备及存储介质 | |
| CN113658268B (zh) | 摄像头标定结果的验证方法、装置及电子设备、存储介质 | |
| CN114663458B (zh) | 动态标定方法、装置、驾驶状态检测方法、介质及设备 | |
| JP7214057B1 (ja) | データ処理装置、データ処理方法及びデータ処理プログラム | |
| CN116664658B (zh) | 一种障碍物检测方法、装置及终端设备 | |
| CN111156973B (zh) | 一种驾校场地测绘方法及装置 | |
| WO2023028823A1 (zh) | 雷达的标定方法、装置、终端设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |