(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 202210857776.X (22)申请日 2022.07.21 (71)申请人 太原理工大 学 地址 030024 山西省太原市迎泽西大街79 号 (72)发明人 程兰　张文丽　任密蜂　续欣莹　 阎高伟　张喆　 (74)专利代理 机构 太原晋科知识产权代理事务 所(特殊普通 合伙) 14110 专利代理师 祁宏伟 (51)Int.Cl. G06T 7/33(2017.01) G06T 7/32(2017.01) G06V 10/44(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于图结构局部特征描述符的点云配 准方法 (57)摘要 本发明涉及计算机视觉及机器人技术领域， 具体是一种基于图结构局部特征描述符的点云 配准方法。 包括以下步骤， S1： 对训练样本数据和 待配准数据进行Pat ch提取并规范化处理； S2： 搭 建基于图结构的深度神经网络模 型， 使得模型适 用于点云数据的处理； S3： 利用步骤S1中经过预 处理的训练样本数据对步骤S2搭建的深度神经 网络进行训练； S4： 将经过预处理的待配准数据 输入到步骤S3训练好的深度神经网络中， 待配准 数据为待配准一对点云， 分别得到对应点的特征 描述符向量； S5： 利用步骤S4生成的对应点的特 征描述符向量， 计算刚性变 换矩阵[R,t],利用最 终的刚性变换矩阵[R,t]实现点 云的配准， 其中R 表示旋转矩阵， t 表示平移向量。 权利要求书2页 说明书8页 附图8页 CN 115457091 A 2022.12.09 CN 115457091 A 1.一种基于图结构局部特 征描述符的点云配准方法， 其特 征在于： 包括以下步骤， S1： 对训练样本数据和待配准数据进行Patc h提取并规范化处 理； S2： 搭建基于图结构的深度神经网络模型， 使得模型适用于点云数据的处 理； S3： 利用步骤S1中经过预处理的训练样本数据对步骤S2搭建的深度神经网络进行训 练； S4： 将经过预处理的待配准数据输入到步骤S3训练好的深度神经网络中， 待配准数据 为待配准的一对点云， 分别得到对应点的特 征描述符向量； S5： 利用步骤S4生成的对应点的特征描述符向量， 计算刚性变换矩阵[R,t],利用最终 的刚性变换矩阵[R,t]实现点云的配准， 其中R表示旋转矩阵， t 表示平移向量。 2.根据权利要求1所述的基于图结构局部特征描述符的点云配准方法， 其特征在于： 所 述的步骤S1具体包括以下分步骤： S11： 利用真实变换矩阵T提取训练样本数据中两组点云的重 叠区域； S12： 在重 叠区域采用最远点采样进行 下采样； S13： 取出以采样点 为质心， 半径为r的局部Patc h内包含的所有点， 定义如下： 其中 为输入Patc h中的点， 包含Patch内的所有点， a为质心， r为半径； S14： 利用Patch内的点计算相应 的局部参考坐标系LRF， LRF的三个坐标轴组合成一个 旋转矩阵 ； S15： 使用LRF对Patc h进行旋转变换并从Patc h中随机采样； S16： 将随机采样点的坐标相对于Patc h的中心表示， 并进行归一 化， 以具有单位半径。 3.根据权利要求2所述的基于图结构局部特征描述符的点云配准方法， 其特征在于： 所 述的步骤S2具体包括以下分步骤： S21： 基于图结构网络搭建特征提取模型， 使得Patch中的点能直接输入图结构网络， 最 后以全连接网络形式映射 提取的特 征； S22： 基于图结构网络搭建孪生网络模型， 使得模型分支分别作用于不同点云， 通过全 连接映射后的输出对应点的特 征描述符。 4.根据权利要求3所述的基于图结构局部特征描述符的点云配准方法， 其特征在于： 所 述的步骤S21中搭建特 征提取模型的具体过程 为， S211： 首先将输入的Patch经过可训练的转换网络Sp atial T‑Net， 它将原始点云作为 输入并回归到一个 的仿射变换矩阵A对Patc h内的点进行坐标对齐； S212： 紧接着连续输入到四组GraphConv模块中提取每个点的局部几何特征， 每组 GraphConv模块先采用Ball  Query选取K个近邻点构成图的范围， 分别通过一个共享权值的 多层感知机 （64,64,128,256） 来提取经过Ball  Query图结构的边缘信息， 经过图卷积进行 特征提取后得到k个边特征信息， 再将该信息经过Maxpooling进行最大池化以聚合k个边特 征， 得到质心a的特 征向量； S213： 然后将每组图卷积的输出特征向量进行连接用于提取多尺度特征， 使用一层Mlp 聚合多尺度特 征并使用Maxpo oling获得点云Patc h的全局特 征；权　利　要　求　书 1/2 页 2 CN 115457091 A 2S214： 最后通过一组MLP输出d维的特征向量， 并使用局部响应归一化层来生成单位长 度的描述符。 5.根据权利要求1所述的基于图结构局部特征描述符的点云配准方法， 其特征在于： 所 述的步骤S3中， 将规范化后的Patc h随机旋转 [0, π/30]来扩充训练样本进行模型训练。 6.根据权利要求1所述的基于图结构局部特征描述符的点云配准方法， 其特征在于： 所 述的步骤S5中， 采用RANSAC策略计算刚性变换矩阵[R,t],利用最终的刚性变换矩阵[R,t] 实现点云的配准， 其中R表示旋转矩阵， t 表示平移向量。权　利　要　求　书 2/2 页 3 CN 115457091 A 3