基于坐标几何采样的点云配准方法

作     者：梁杰涛 罗兵 付兰慧 常青玲 李楠楠 易宁波 冯其 何鑫 邓辅秦 

作者机构：五邑大学电子与信息工程学院 澳门科技大学创新工程学院 五邑大学应用物理与材料学院 五邑大学纺织材料与工程学院 

出 版 物：《计算机应用》 (Journal of Computer Applications)

年 卷 期：2024年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

基　　金：国家自然科学基金项目(62073274) 江门科技计划项目(2020030103000008537) 五邑大学港澳联合基金(2022WGALH17,2021WGALH18) 深圳市人工智能与机器人研究院探索性研究项目(AC01202101103) 

主　　题：点云配准 深度学习 几何采样 特征提取 Transformer 

摘      要：为了提高点云配准的精度、鲁棒性和泛化性，以及解决最近点配准(ICP)算法容易陷入局部最优解的问题，提出一种基于坐标几何采样的点云配准方法(GSDCP)。首先，基于每个点周围点的坐标估计中心点曲率，通过曲率大小筛选出能够保留点云几何特征的点，完成点云下采样，然后，使用动态图卷积神经网络(DGCNN)配合下采样点云学习融入了局部几何信息的点云特征，通过Transformer捕获两个特征嵌入之间的上下文信息和软指针近似组合匹配，最后，利用一个可微的奇异值分解(SVD)层估计最终的刚性变换。在数据集ModelNet40进行点云配准实验，GSDCP与ICP、Go-ICP(Globally Optimal ICP)、PointNetLK、FGR(Fast Global Registration)、ADGCNNLK(Attention Dynamic Graph Convolutional Neural Network Lucas-Kanade)、DCP(Deep Closest Point)和MFGNet(Multi-Features Guidance Network)相比，实验结果表明，在无噪声、有噪声和看不见点云类别的情况下配准精度和鲁棒性最好，在无噪声的情况下，与MFGNet相比，GSDCP的旋转均方误差降低了31.3%，平移均方误差降低了58.3%；在有噪声的情况下，与MFGNet相比，GSDCP的旋转均方误差降低了33.9%，平移均方误差降低了73.4%；在看不见点云类别的情况下，与MFGNet相比，GSDCP的旋转均方误差降低了57.7%，平移均方误差降低了77.9%。除此之外，对不完整点云数据(设置随机遮挡、点云残缺)实验，在点云完整度75%以下时，与MFGNet相比，GSDCP的旋转均方误差降低了35.1%，平移均方误差降低了39.8%。