【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及三維圖形計(jì)算，具體涉及一種抗噪聲的雙向注意力點(diǎn)云配準(zhǔn)方法。
技術(shù)介紹
1、點(diǎn)云配準(zhǔn)指將存在剛體變換(旋轉(zhuǎn)，平移)的不同點(diǎn)云納入統(tǒng)一坐標(biāo)框架，實(shí)現(xiàn)對(duì)同一目標(biāo)或場(chǎng)景更精確，完整的描述，被廣泛應(yīng)用于機(jī)器人導(dǎo)航，3d重建，光學(xué)測(cè)量等眾多行業(yè)和領(lǐng)域中。以待配準(zhǔn)點(diǎn)云中具有對(duì)應(yīng)關(guān)系的精確幾何特征為基礎(chǔ)，傳統(tǒng)的點(diǎn)云配準(zhǔn)技術(shù)可以實(shí)現(xiàn)剛體變換參數(shù)的直接估計(jì)或迭代優(yōu)化求解；但由于點(diǎn)云數(shù)據(jù)自身非結(jié)構(gòu)化，無(wú)序特點(diǎn)，以及不同點(diǎn)云在獲取機(jī)理，噪聲干擾，空間分布，密度等方面的顯著差異，自動(dòng)高精度點(diǎn)云配準(zhǔn)仍是一項(xiàng)極具挑戰(zhàn)性的任務(wù)。
2、得益于卷積神經(jīng)網(wǎng)絡(luò)cnn在眾多圖像視覺(jué)任務(wù)中的成功應(yīng)用以及點(diǎn)云處理深度學(xué)習(xí)技術(shù)的快速發(fā)展，設(shè)計(jì)可靈活應(yīng)對(duì)各種場(chǎng)景(目標(biāo))，非理想樣本條件下的點(diǎn)云配準(zhǔn)網(wǎng)絡(luò)成為當(dāng)前重要的研究方向。依據(jù)對(duì)傳統(tǒng)點(diǎn)云配準(zhǔn)局部功能或整體過(guò)程的模擬方式，現(xiàn)有點(diǎn)云配準(zhǔn)網(wǎng)絡(luò)可分為特征學(xué)習(xí)框架和參數(shù)學(xué)習(xí)框架2類。基于特征學(xué)習(xí)框架的點(diǎn)云配準(zhǔn)網(wǎng)絡(luò)利用cnn深度學(xué)習(xí)優(yōu)勢(shì)從點(diǎn)云中捕獲有效特征(點(diǎn))，實(shí)現(xiàn)對(duì)應(yīng)關(guān)系的魯棒搜索，替代傳統(tǒng)點(diǎn)云配準(zhǔn)計(jì)算中同名特征提取模塊并改善其性能。與傳統(tǒng)點(diǎn)云配準(zhǔn)過(guò)程相比，特征學(xué)習(xí)框架利于全局上下文，多樣化特征學(xué)習(xí)并可簡(jiǎn)化特征描述符設(shè)計(jì)，但依賴于高質(zhì)量的樣本標(biāo)簽數(shù)據(jù)訓(xùn)練，實(shí)際應(yīng)用難以保證。參數(shù)學(xué)習(xí)框架下的點(diǎn)云配準(zhǔn)網(wǎng)絡(luò)通過(guò)網(wǎng)絡(luò)結(jié)構(gòu)和損失函數(shù)設(shè)計(jì)，實(shí)現(xiàn)待配準(zhǔn)點(diǎn)云特征學(xué)習(xí)，對(duì)應(yīng)關(guān)系搜索及變換參數(shù)優(yōu)化估計(jì)全過(guò)程，端到端地輸出變換參數(shù)(或矩陣)。與特征學(xué)習(xí)框架相比，端到端參數(shù)學(xué)習(xí)框架下的點(diǎn)云配準(zhǔn)網(wǎng)絡(luò)將傳統(tǒng)配準(zhǔn)優(yōu)化策略與點(diǎn)云特征深度學(xué)習(xí)
3、現(xiàn)有的點(diǎn)云特征提取網(wǎng)絡(luò)中，多以目標(biāo)點(diǎn)為采樣中心構(gòu)建鄰域系統(tǒng)實(shí)現(xiàn)非規(guī)則點(diǎn)云數(shù)據(jù)卷積，而卷積操作的權(quán)值共享特性會(huì)通過(guò)犧牲局部噪聲區(qū)域特征提取準(zhǔn)確性以保證全局特征提取的有效性。因此，當(dāng)噪聲點(diǎn)分布于整個(gè)空間時(shí)，網(wǎng)絡(luò)模型難以有效地提取點(diǎn)云特征，將加劇模型對(duì)匹配特征的描述偏差。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的在于提供一種抗噪聲的雙向注意力點(diǎn)云配準(zhǔn)方法，旨在解決解決現(xiàn)有點(diǎn)云配準(zhǔn)網(wǎng)絡(luò)模型易受噪聲干擾，且對(duì)局部細(xì)粒度特征學(xué)習(xí)能力有限的技術(shù)問(wèn)題。
2、為實(shí)現(xiàn)上述目的，本專利技術(shù)提供了一種抗噪聲的雙向注意力點(diǎn)云配準(zhǔn)方法，包括下列步驟：
3、步驟1：基于rpm-net為基礎(chǔ)框架構(gòu)建rpmnet++網(wǎng)絡(luò)，所述rpmnet++網(wǎng)絡(luò)包括copula去噪模塊、局部雙向注意力模塊、退火參數(shù)預(yù)測(cè)模塊、對(duì)應(yīng)關(guān)系估計(jì)模塊和旋轉(zhuǎn)矩陣估計(jì)模塊；
4、步驟2：利用初始/當(dāng)前旋轉(zhuǎn)矩陣對(duì)原點(diǎn)集x進(jìn)行剛性變換得到旋轉(zhuǎn)點(diǎn)集，并通過(guò)rpm-net特征提取模塊分別提取對(duì)應(yīng)數(shù)據(jù)的混合特征；
5、步驟3：在copula去噪模塊中，根據(jù)肯德?tīng)栂嚓P(guān)系數(shù)和clayton?copula模型篩選內(nèi)點(diǎn)，并儲(chǔ)存為新的原點(diǎn)集和新的目標(biāo)點(diǎn)集；
6、步驟4：在局部雙向注意力模塊中，通過(guò)采樣點(diǎn)到鄰域點(diǎn)和鄰域點(diǎn)到采樣點(diǎn)的雙向注意力機(jī)制；
7、步驟5：利用退火參數(shù)預(yù)測(cè)模塊估計(jì)退火參數(shù)；
8、步驟6：在對(duì)應(yīng)關(guān)系估計(jì)模塊中，利用sinkhorn歸一化迭代算法估計(jì)2片點(diǎn)云中的對(duì)應(yīng)點(diǎn)；
9、步驟7：對(duì)應(yīng)點(diǎn)送入旋轉(zhuǎn)矩陣估計(jì)模塊進(jìn)行奇異值分解，計(jì)算新的旋轉(zhuǎn)變換矩陣，并在新一輪迭代中引入該旋轉(zhuǎn)矩陣，直至rpmnet++網(wǎng)絡(luò)收斂，輸出最終配準(zhǔn)結(jié)果。
10、可選的，步驟3中的clayton?copula模型分布函數(shù)為
11、
12、其中，hi和hi,k分別表示從點(diǎn)云數(shù)據(jù)集u中采樣得到的局部鄰域中心點(diǎn)和鄰域點(diǎn)的混合特征，λ是clayton?copula模型參數(shù)，0＜λ＜∞，當(dāng)λ→0時(shí)，c(·)→0，所有點(diǎn)趨向獨(dú)立；當(dāng)λ→∞時(shí)，c(·)→1，所有點(diǎn)之間的相關(guān)性越高。
13、可選的，rmp-net對(duì)于經(jīng)隨機(jī)采樣得到的點(diǎn)云u＝{fi|i＝1,...,n},其中n為點(diǎn)云個(gè)數(shù)，利用近鄰點(diǎn)采樣算法獲取采樣點(diǎn)的k個(gè)鄰近點(diǎn)后，按以下計(jì)算公式進(jìn)行特征編碼：
14、
15、式中，fui是包含采樣中心點(diǎn)ui空間坐標(biāo)和鄰域拓?fù)浣Y(jié)構(gòu)的混合特征；fθ是基于pointnet的編碼計(jì)算公式，其作用是將鄰域內(nèi)的所有點(diǎn)信息匯集到單個(gè)特征描述符中，ui是中心點(diǎn)的空間坐標(biāo)，△ui,k是鄰域點(diǎn)與中心點(diǎn)的相對(duì)位移/方向矢量；ppf(ui,uk)是以旋轉(zhuǎn)不變的方式描述中心點(diǎn)ui和其鄰域點(diǎn)uk之間的表面，其中ni和nk和分別是中心點(diǎn)和鄰域點(diǎn)的法向量，∠(·)是保證值域在[0,)范圍內(nèi)的角度計(jì)算公式，||·||是歐氏距離計(jì)算公式；
16、rpm-net將中心點(diǎn)ui以及其每個(gè)鄰域點(diǎn)uk的特征拼接成一個(gè)10-d的特征向量，并將該特征輸入mlp層和最大池化層以生成更大感受野意義下的全局特征向量；最后將全局特征向量映射到多層感知器并進(jìn)行2歸一化得到單個(gè)混合特征向量fui；
17、基于rpm-net特征提取模塊所提取的混合特征fui計(jì)算所述肯德?tīng)栂嚓P(guān)系數(shù)τ的計(jì)算公式為
18、
19、其中，i≠j，&&表示與邏輯，||表示或邏輯，p{(·)＞0}表示呈正相關(guān)的1對(duì)點(diǎn)具有多少組，判斷方式為ei，pi，di中每項(xiàng)元素均大于ej，pj，dj；n{(·)＜0}表示呈負(fù)相關(guān)的1對(duì)點(diǎn)具有多少組，判斷方式為ei，pi，di中存在任意1項(xiàng)元素小于ej，pj，dj；q{·∪·∪·}表示從k+1個(gè)點(diǎn)中選取2個(gè)點(diǎn)且不考慮排序的組合情況；ei，pi，di分別表示采樣點(diǎn)，鄰域點(diǎn)，鄰域結(jié)構(gòu)信息及相對(duì)位移矢量的自相關(guān)性。
20、可選的，在步驟3中，copula去噪模塊利用肯德?tīng)栔群饬扛鼽c(diǎn)云特征，即點(diǎn)坐標(biāo)特征，鄰域結(jié)構(gòu)特征和相對(duì)位移矢量特征之間的正負(fù)相關(guān)性，通過(guò)循環(huán)迭代的方式濾除負(fù)相關(guān)的點(diǎn)云，具體為異常值點(diǎn)和離群點(diǎn)，最大程度確保局部鄰域內(nèi)的點(diǎn)云均為內(nèi)點(diǎn)。
21、可選的，步驟4中局部雙向注意力模塊將特征編碼過(guò)程明確為以下兩個(gè)步驟：
22、步驟4.1：采樣中心雙向注意力特征編碼，通過(guò)采樣點(diǎn)自增強(qiáng)，采樣點(diǎn)對(duì)鄰域點(diǎn)的相互作用力和鄰域點(diǎn)對(duì)采樣點(diǎn)的影響因子實(shí)現(xiàn)采樣中心點(diǎn)鄰域空間關(guān)系的增強(qiáng)學(xué)習(xí)；
23、步驟4.2：鄰域空間結(jié)構(gòu)特征編碼，通過(guò)采樣點(diǎn)和鄰域點(diǎn)的空間歐幾里得距離，方向矢量以及法向量信息實(shí)現(xiàn)局部特征編碼。
24、可選的，獲得點(diǎn)云數(shù)據(jù)集的退火參數(shù)的過(guò)程，首先需將局部雙向注意力模塊提取的特征送入全連接網(wǎng)絡(luò)，從特征信息中預(yù)估參數(shù)值；其次將估計(jì)得到的退火參數(shù)α、β送入softplus激活函數(shù)進(jìn)行取正處理。
25、可選的，步驟4和步驟5中所提取和估計(jì)的兩片點(diǎn)云特征、退火參數(shù)，利用sinkhorn算法來(lái)對(duì)雙隨機(jī)限制矩陣進(jìn)行最優(yōu)距離求解，該矩陣的初始狀態(tài)如下所示：
26、
27、式中fxj本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種抗噪聲的雙向注意力點(diǎn)云配準(zhǔn)方法，其特征在于，包括下列步驟：
2.如權(quán)利要求1所述的抗噪聲的雙向注意力點(diǎn)云配準(zhǔn)方法，其特征在于，
3.如權(quán)利要求2所述的抗噪聲的雙向注意力點(diǎn)云配準(zhǔn)方法，其特征在于，
4.如權(quán)利要求3所述的抗噪聲的雙向注意力點(diǎn)云配準(zhǔn)方法，其特征在于，
5.如權(quán)利要求4所述的抗噪聲的雙向注意力點(diǎn)云配準(zhǔn)方法，其特征在于，
6.如權(quán)利要求5所述的抗噪聲的雙向注意力點(diǎn)云配準(zhǔn)方法，其特征在于，
7.如權(quán)利要求6所述的抗噪聲的雙向注意力點(diǎn)云配準(zhǔn)方法，其特征在于，
【技術(shù)特征摘要】
1.一種抗噪聲的雙向注意力點(diǎn)云配準(zhǔn)方法，其特征在于，包括下列步驟：
2.如權(quán)利要求1所述的抗噪聲的雙向注意力點(diǎn)云配準(zhǔn)方法，其特征在于，
3.如權(quán)利要求2所述的抗噪聲的雙向注意力點(diǎn)云配準(zhǔn)方法，其特征在于，
4.如權(quán)利要求3所述的抗噪聲的雙向...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：吳軍，陳睿星，羅瀛，
申請(qǐng)(專利權(quán))人：桂林電子科技大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。