(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211014222.X (22)申请日 2022.08.23 (71)申请人 同济大学 地址 200092 上海市杨 浦区四平路1239号 (72)发明人 沈小军　徐泽林　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 专利代理师 蔡彭君 (51)Int.Cl. G06T 7/33(2017.01) G06T 3/40(2006.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06V 10/46(2022.01) G06V 10/50(2022.01)G06V 10/74(2022.01) G06V 10/764(2022.01) G06V 10/77(2022.01) G06V 10/82(2022.01) (54)发明名称 一种多时相点云数据配准方法、 装置及存储 介质 (57)摘要 本发明涉及一种基于局部不变特征提取的 多时相点云数据配准方法、 装置及存储介质， 其 中方法包括： 获取点云数据； 点云特征提取： 建立 基于CNN神经网络的点 云局部不变特征提取模型 并进行训练， 提取点云数据的局部不变特征， 其 中， 所述点云局部不变特征提取模型包括： 点云 数据转换模块： 用于将三维点云转换为三维张 量， 邻域信息补充模块： 用于增补三维张量中的 数据， 分辨率提升模块： 用于扩张三维张量的尺 寸， 特征提取模块： 用于学习点云的分布式特征 表示， 全连接输出模块： 用于实现特征分类， 输出 点云局部不变特征； 特征点匹配； 点云的粗配准； 点云的精细化配准。 与现有技术相比， 本发明具 有配准精度高、 处 理效率高等优点。 权利要求书3页 说明书12页 附图5页 CN 115359102 A 2022.11.18 CN 115359102 A 1.一种基于局部不变特征提取的多时相点云数据配准方法， 其特征在于， 包括以下步 骤： 获取点云数据； 点云特征提取： 建立基于CNN神经网络的点云局部不变特征提取模型并进行训练， 提取 点云数据的局部不变特征， 其中， 所述点云局部不变特征提取模型为CNN神经网络结构， 包 括： 点云数据转换模块： 用于将三维点云转换为 三维张量， 邻域信息补充模块： 用于增补三维张量中的数据， 分辨率提升模块： 用于扩张三维张量的尺寸， 特征提取模块： 用于学习点云的分布式特 征表示， 全连接输出模块： 用于将学习到的分布式特征表示映射到样本标记空间中， 完成特征 分类， 输出点云局部不变特 征； 特征点匹配： 通过度量 点云局部不变特 征的相似程度完成特 征点匹配， 得到匹配点对； 点云的粗配准： 基于粗配准算法， 利用匹配点对的一一对应关系， 按照局部不变特征相 似程度从高到低的顺序选取预配置组数 的匹配点对， 计算相 应的刚体变换矩阵， 实现点云 模型的初步重合； 点云的精细化配准： 在粗配准的基础上基于精细化配准算法进行精细化配准， 得到最 优化点云数据配准结果。 2.根据权利要求1所述的一种基于局部不变特征提取的多时相点云数据配准方法， 其 特征在于， 所述点云数据包括三 维点云和特征观测值， 其中， 所述三维点云为目标点云及其 邻域点所构成的三 维点云数据集， 邻域点的选取范围被限定在目标点云的r邻域内， 所述特 征观测值 为FPFH特 征。 3.根据权利要求2所述的一种基于局部不变特征提取的多时相点云数据配准方法， 其 特征在于， 所述点云数据转换模块包括1个点云数据转换层； 输入为目标点云及其邻域点所 构成的三维点云数据 集P＝[pi]， 其中， p0＝(x0,y0,z0)代表目标点云及其三维坐标； 输出为 (2N+1)×(2N+1)×3的三维张量I， 其中， N为三维张量尺寸计算参数， 三维张量I的尺寸为 (H， W， C)， H代 表高， W代 表宽， C代 表通道数； 点云数据转换模块的数据处 理过程包括以下步骤： 步骤2‑1)对输入的点云数据集进行主成分分析， 求解特征值λ0≥λ1≥λ2及其对应的三 个特征向量v0、 v1、 v2， 构建降维矩阵V＝[v0,v1]， 实现点云数据的平面化Q＝VTP＝[qi]， 其 中， q0＝(u0,v0)代表平面化处理后的目标点云； 步骤2‑2)对平面化处理后的点云进行栅格化编码处理， 建立点云数据与三维张量的映 射关系TV(qi)： 其中， r代表以目标点云为圆心进行邻域搜索的半径， 函数ceil(x)取不小于x的最小整权　利　要　求　书 1/3 页 2 CN 115359102 A 2数； 步骤2‑3)根据映射关系TV(qi)， 分别用点云数据的坐标值对三维张量I的二维切片进行 数值填充并做归一化处理， 若同一个张量元素对应多个点云数据则实施平均化操作， 其中， 所述三维张量的通道数被配置为3， 对应于三维张量的通道的二维切片共3个， 分别为I(H, W,1)、 I(H,W,2)、 I(H,W,3)， 所述数值填充 为用点云数据的坐标值x、 y、 z分别填充 I(H,W,1)、 I(H,W,2)、 I(H,W,3)。 4.根据权利要求3所述的一种基于局部不变特征提取的多时相点云数据配准方法， 其 特征在于， 所述邻域信息补 充模块包括1个 分组卷积层、 1个BN层、 1个ReLU层和1个平均池化 层， 其中， 所述分组卷积层依次对三 维张量的每个通道所对应的二 维切片进行卷积操作， 利 用卷积核对感受野内的数据进行学习并完成特征映射， 实现三维张量中数据的增补； 平均 池化层用于对分组卷积后的三维张量数据进行 滤波平滑处理。 5.根据权利要求4所述的一种基于局部不变特征提取的多时相点云数据配准方法， 其 特征在于， 所述分辨率提升模块包括 1个分组转置卷积层、 1个BN层、 1个ReLU层和1个平均池 化层， 其中， 所述分组转置卷积层依 次对三维张量的每个通道所对应的二维切片进行反卷 积操作， 扩张三维张量的尺寸， 其中， 离散形式的反卷积公式为： 其中， I代 表输入的三维张量的二维切片； K代 表二维卷积核。 6.根据权利要求1所述的一种基于局部不变特征提取的多时相点云数据配准方法， 其 特征在于， 所述特征提取模块包括3个卷积层、 3个BN层和3个ReLU层， 利用卷积层的特征提 取能力， 将三维张量中存 储的数据映射到隐层特 征空间， 实现分布式特 征表示的学习。 7.根据权利要求1所述的一种基于局部不变特征提取的多时相点云数据配准方法， 其 特征在于， 所述全连接 输出模块包括2个全连接层和1个Dropout层。 8.根据权利要求2所述的一种基于局部不变特征提取的多时相点云数据配准方法， 其 特征在于， 所述点云局部不变特征提取模型的训练优化采用Adam算法， 所述训练优化过程 包括以下步骤： 步骤S1： 定义CN N神经网络的损失函数为特 征的均方误差： 其中， f(P； θ )是输入为P时CNN神经网络输出的特征预测值； F是特征观测值； ||A||代表 向量A的L2范数； ti是特征预测值的第i个元素； yi是特征观测值的第i个元素； n代表向量的 元素个数； 步骤S2： 定义CN N神经网络的代价 函数： 其中， 是经验分布， m为 参与训练的点云数据样本个数； 步骤S3： 设置步长ε， 矩估计的指数衰减速率ρ1与ρ2， 用于数值稳定的小常数δ； 初始化权　利　要　求　书 2/3 页 3 CN 115359102 A 3