(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 202210301546.5 (22)申请日 2022.03.25 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市雁塔区太白南 路2号 (72)发明人 马文萍　刘金生　武越　朱浩　 姚乾林　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 高博 (51)Int.Cl. G06T 7/33(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/82(2022.01)G06V 10/44(2022.01) (54)发明名称 一种基于局部特征学习的点云配准方法及 系统 (57)摘要 本发明公开了一种基于局部特征学习的点 云配准方法及系统， 从数据集读入点云数据并进 行预处理； 利用点的三维坐标构建局部特征； 通 过最大池化操作生成全局特征； 构造包含特征提 取模块的配准网络； 选取训练集和测试集； 利用 训练集对配准网络进行训练； 利用训练好的配准 网络对测试集进行配准， 得到变换参数并评估配 准结果。 本发明属于端到端的点云配准网络， 只 需输入源点云和模板点云 即可得到 配准结果。 权利要求书2页 说明书8页 附图2页 CN 114638866 A 2022.06.17 CN 114638866 A 1.一种基于局部特 征学习的点云配准方法， 其特 征在于， 包括 S1、 读取点云数据， 并对点云数据进行 预处理； S2、 对步骤S1预处 理后的点云数据施加变换， 制作训练集和 测试集； S3、 构建局部特征提取网络， 通过局部特征提取网络获得待配准点云的局部特征， 并通 过最大池化操作得到待配准 点云的全局特 征； S4、 基于步骤S3得到的待配准点云的局部特征和待配准点云的全局特征构建点云配准 网络； S5、 利用步骤S2得到的训练集对步骤S4构建的点云配准网络进行训练； S6、 利用步骤S5训练好的点云配准网络对步骤S2选取的测试集进行配准， 得到变换参 数并评估配准结果。 2.根据权利要求1所述的基于局部特征学习的点云配准方法， 其特征在于， 步骤S1中， 对点云数据进行 预处理具体为： 从ModelNet40数据 集中读入点云数据， 点云数据中每一个点均包括x,y,z三个坐标值， 通过最远点采样从每个点云中采集1024个点， 在每一个点云数据中， 用每个点的坐标值减 去该点云中所有坐标的均值。 3.根据权利要求1所述的基于局部特征学习的点云配准方法， 其特征在于， 步骤S2具体 为： 对步骤S1预处理后的点云数据施加随机变换， 随机变换包含旋转变换与平移变换， 旋 转变换的范围为 ‑45～+45°， 平移变换的范围为 ‑1～+1， 变换前的点云作为模板点云， 变换 后的点云作为源点云； 将 ModelNet40数据集中前20个物体类别中包含的5112个点云数据和 对应的源点云作为训练集， 将 ModelNet40数据集中后20个物体类别中包含的1266个点云数 据和对应的源点云作为测试集。 4.根据权利要求1所述的基于局部特征学习的点云配准方法， 其特征在于， 步骤S3具体 为： 将点云通过第一层多层感知机和第二层多层感知机， 将3维的坐标特征映射到64维的 高维空间； 利用最远点采样对 源点云进行采样， 得到 512个点(512 ×64)； 以每个点为中心， 距离作 为尺度， 在原 1024个点中找出距离每个点最近的32个邻居点， 每个邻居点的特 征减去中心点特 征得到一个由邻居点指向中心点的特 征向量； 将每一个由邻居点指向中心点的特征向量和中心点的特征拼接得到一个128维的组合 特征向量， 对每个邻域内32个点的128维组合特征中的每一 维做最大池化， 得到代表邻域特 征的128维向量， 128维向量中的前64维代表每个邻域内的邻域点在某一维度的最大特征 值， 128维向量中的后64维代 表中心点的特 征； 将512个采样点的特征由64维变成了128维， 利用最远点采样对512个点再 次采样， 得到 256个点， 再次划分256个邻域， 并求得能够代表每个邻域特征的256维组合特征向量， 其中 前128维代 表每个邻域内的邻域 点在某一维度的最大 特征值， 后128维代 表中心点的特 征； ； 通过第三层多层感知机和第四层多层感知机得到1024维特征， 将得到的1024维特征与 第二次采样并划分邻域后得到的256维特征进 行拼接， 得到1280维特征； 再经过第五层 多层 感知机得到1024维特 征向量； 最后经过一个最大池化得到1024维的全局特 征。权　利　要　求　书 1/2 页 2 CN 114638866 A 25.根据权利要求4所述的基于局部特征学习的点云配准方法， 其特征在于， 第 一层多层 感知机的输入维度是3， 输出维度是64； 第二层 多层感知机的输入维度是64， 输入维度是64， 第三层多层感知机的输入维度是256， 输出维度是512； 第四层多层感知机的输入维度是 512， 输入维度是1024， 第五层多层感知机的输入维度是1280， 输出维度是1024。 6.根据权利要求1所述的基于局部特征学习的点云配准方法， 其特征在于， 步骤S4具体 为： 将源点云与模板点云输入点云配准网络， 分别经过局部特征提取网络后得到两个1 × 1024维的全局特征， 将 两个全局特征拼接得到1 ×2048维特征向量， 再经过一系 列全连接层 得到1×7维的向量， 根据1 ×7维向量求得旋转四元 数和平移向量。 7.根据权利要求6所述的基于局部特征学习的点云配准方法， 其特征在于， 7维的向量 中， 前4维代表旋转四元数， 后3维代表平移向量， 全 连接层的参数为： 全连接层一： 输入2048 维， 输出1024维； 全连接层二： 输入1024维， 输出1024维； 全连接层三： 输入1024维， 输出512 维； 全连接层四： 输入512维， 输出512维； 全连接层 五： 输入512维， 输出256维； 全连接层六： 输入256维， 输出 7维。 8.根据权利要求1所述的基于局部特征学习的点云配准方法， 其特征在于， 步骤S5中， 将训练集输入点云配准网络， 源点云与模板点云经过特征提取并拼接到一起经过全连接层 得到变换参数， 根据变换参数对源点云施加 变换， 求得变换后的点云与模板点云的CDloss 值， 通过反向传播算法不断的降低CDLoss值， 优化点云配准网络的网络参数， 得到训练好的 点云配准网络 。 9.根据权利 要求8所述的基于局部特征学习的点云配准方法， 其特征在于， 使用CDLoss 作为点云配准网络训练的损失函数。 10.一种基于局部特 征学习的点云配准系统， 其特 征在于， 包括： 预处理模块， 读取点云数据， 并对点云数据进行 预处理； 选取模块， 对预处 理后的点云数据施加变换， 制作训练集和 测试集； 特征模块， 构建局部特征提取网络， 通过局部特征提取网络获得待配准点云的局部特 征， 并通过最大池化操作得到待配准 点云的全局特 征； 构建模块， 基于特征模块得到的待配准点云的局部特征和待配准点云的全局特征构建 点云配准网络； 训练模块， 利用选取模块得到的训练集对构建模块构建的点云配准网络进行训练； 配准模块， 利用训练模块训练好的点云配准网络对选取模块选取的测试集进行配准， 得到变换参数并评估配准结果。权　利　要　求　书 2/2 页 3 CN 114638866 A 3