本發(fā)明屬于三維信息重構(gòu)，具體涉及一種基于深度學(xué)習(xí)的三維點云自動化糾偏方法和系統(tǒng)。

背景技術(shù)：

1、在高精度地圖制作及地理信息區(qū)域成圖的相關(guān)的業(yè)務(wù)中，需要對不同時刻同一地點的數(shù)據(jù)拼接融合，融合后可以保障數(shù)據(jù)區(qū)域類型數(shù)據(jù)可以完整建模/繪圖；但原始數(shù)據(jù)中的相關(guān)特性決定了存在誤差，使拼接時需要進行糾偏；糾偏進行的前置依賴是同名點配準的相關(guān)信息，同名點的匹配對象可以是同源的，例如rgb圖與rgb圖、點云投影圖與點云投影圖、深度圖與深度圖等等；同樣同名點的匹配對象也可以是多源的，例如點云與rgb圖中的同名點，點云圖與rgb圖中的同名點、rgb圖與深度圖之間的同名點等等。而糾偏的最大問題是糾偏后正常數(shù)據(jù)與糾偏過程數(shù)據(jù)的平滑連接問題；因此目前行業(yè)內(nèi)并無全自動化糾偏的實現(xiàn)。

技術(shù)實現(xiàn)思路

1、為了實現(xiàn)全自動糾偏，本發(fā)明提出了一種基于深度學(xué)習(xí)的三維點云自動化糾偏方法和系統(tǒng)。

2、實現(xiàn)本發(fā)明目的之一的一種基于深度學(xué)習(xí)的三維點云自動化糾偏方法，包括：

3、通過軌跡匹配算法對同一物理世界中不同時刻采集的兩份三維點云數(shù)據(jù)逐一進行軌跡匹配，得到多對點云數(shù)據(jù)集；

4、將每對點云數(shù)據(jù)集中的數(shù)據(jù)進行二維轉(zhuǎn)換，得到多對點云投影圖；

5、使用深度學(xué)習(xí)的自監(jiān)督網(wǎng)絡(luò)對每對點云投影圖進行特征點的匹配，得到多對同名點；

6、根據(jù)每對同名點中兩個特征點的線性關(guān)系從同名點中挑選出基準點；

7、根據(jù)上述基準點計算糾偏矩陣；利用所述糾偏矩陣對所述同一物理世界中不同時刻采集的三維點云信息進行糾偏。

8、進一步地，每對點云數(shù)據(jù)集的獲取方法包括：

9、從所述同一物理世界中不同時刻采集的三維點云數(shù)據(jù)信息中提取出數(shù)據(jù)空間位置有重疊的三維點云數(shù)據(jù)；

10、遍歷提取的所有三維點云數(shù)據(jù)，當兩個不同源的三維點云數(shù)據(jù)的空間位置均和某一行駛軌跡點的物理距離小于設(shè)定距離時，則獲取所述行駛軌跡點行駛方向前后設(shè)定距離的兩個不同源的三維點云信息，進而得到一對點云數(shù)據(jù)集。

11、此步驟的技術(shù)效果是：確保所關(guān)注的三維點云信息與車輛的行駛狀態(tài)有足夠的關(guān)聯(lián)性，從而能夠用于后續(xù)的軌跡糾偏。

12、進一步地，得到多對同名點的方法包括：

13、使用第一深度學(xué)習(xí)自監(jiān)督網(wǎng)絡(luò)提取每對點云投影圖的特征點；

14、使用第二深度學(xué)習(xí)自監(jiān)督網(wǎng)絡(luò)對所述每對點云投影圖中的特征點進行兩兩匹配，根據(jù)匹配概率得到多對同名點。

15、進一步地，還包括對得到的多對同名點進行篩選，篩選方法包括：

16、將所有同名點反投影到三維空間；

17、計算每對同名點中兩個點的旋轉(zhuǎn)矩陣，當所述旋轉(zhuǎn)矩陣的角度大于設(shè)定閾值時則剔除；

18、將剩余的同名點按線性關(guān)系劃分成多個線性區(qū)域；對于同一線性區(qū)域內(nèi)的同名點，剔除掉線性關(guān)系異常的同名點。

19、進一步地，上述篩選方法中，由于路面兩邊的樹木變化范圍較大，但是路面目標幾乎沒有變化，因此將所有同名點反投影到三維空間之前，還包括：剔除掉非路面的同名點，以減少后續(xù)反投影和旋轉(zhuǎn)矩陣的計算量，提高本發(fā)明所述方法的效率和準確度。

20、進一步地，上述篩選方法中，將所有同名點反投影到三維空間之前還包括：將同名點的匹配概率值進行排序，輸出前n個同名點對，所述匹配概率值由第二深度學(xué)習(xí)自監(jiān)督網(wǎng)絡(luò)輸出；保留匹配概率值較高的同名點的技術(shù)效果是：匹配概率越高，表明其為同名點的可能性越大，剔除掉匹配概率較低的點以提高本發(fā)明所述方法的效率和準確度。

21、進一步地，得到多個基準點的方法還包括：

22、計算每對同名點的線性關(guān)系的值；當所述線性關(guān)系的值小于規(guī)定誤差值時，則認為是基準點；剩余的同名點記為矩陣計算點。所述線性相關(guān)關(guān)系如斜率、截距；由于傳感器在短時間內(nèi)掃描的數(shù)據(jù)通常不會發(fā)生大的形變或折點，因此可以假設(shè)在一定時間范圍內(nèi)形成的一定距離的數(shù)據(jù)之間存在線性關(guān)系，因此此步驟的技術(shù)效果是：基于線性關(guān)系較小的同名點計算糾偏矩陣，杺使糾偏矩陣計算的過程更快收斂。

23、進一步地，利用所述糾偏矩陣對所述同一物理世界中不同時刻采集的三維點云信息進行糾偏的方法包括：

24、根據(jù)基準點計算糾偏矩陣與誤差平均值；

25、在接邊位置，將計算得到的所述誤差平均值平均分配到相鄰的圖像片段上，以減少拼接處的錯位或模糊，從而實現(xiàn)更好的視覺連續(xù)性。

26、進一步地，利用所述糾偏矩陣對所述同一物理世界中不同時刻采集的三維點云信息進行糾偏的方法還包括：

27、不對基準點附近設(shè)定范圍內(nèi)的三維點云數(shù)據(jù)進行變換，以使數(shù)據(jù)之間的銜接不會扭曲和其他形變。

28、實現(xiàn)本發(fā)明目的之二的一種基于深度學(xué)習(xí)的三維點云自動化糾偏系統(tǒng)，包括：

29、點云數(shù)據(jù)集獲取模塊：用于通過軌跡匹配算法對同一物理世界中不同時刻采集的兩份三維點云數(shù)據(jù)逐一進行軌跡匹配，得到多對點云數(shù)據(jù)集；

30、點云投影圖獲取模塊：用于將每對點云數(shù)據(jù)集中的數(shù)據(jù)進行二維轉(zhuǎn)換，得到多對點云投影圖；

31、同名點獲取模塊：用于使用深度學(xué)習(xí)的自監(jiān)督網(wǎng)絡(luò)對每對點云投影圖進行特征點的匹配，得到多對同名點；

32、基準點獲取模塊：用于根據(jù)每對同名點中兩個特征點的線性關(guān)系從同名點中挑選出基準點；

33、糾偏模塊：用于根據(jù)上述基準點計算糾偏矩陣；利用所述糾偏矩陣對所述同一物理世界中不同時刻采集的三維點云信息進行糾偏。

34、進一步地，所述點云數(shù)據(jù)集獲取模塊包括：

35、三維點云數(shù)據(jù)獲取模塊：用于從所述同一物理世界中不同時刻采集的三維點云數(shù)據(jù)信息中提取出數(shù)據(jù)空間位置有重疊的三維點云數(shù)據(jù)；

36、三維點云數(shù)據(jù)篩選模塊：用于遍歷提取的所有三維點云數(shù)據(jù)，當兩個不同源的三維點云數(shù)據(jù)的空間位置均和某一行駛軌跡點的物理距離小于設(shè)定距離時，則獲取所述行駛軌跡點行駛方向前后設(shè)定距離的兩個不同源的三維點云信息，進而得到一對點云數(shù)據(jù)集。

37、進一步地，所述同名點獲取模塊包括：

38、特征點提取模塊：用于使用第一深度學(xué)習(xí)自監(jiān)督網(wǎng)絡(luò)提取每對點云投影圖的特征點；

39、特征點匹配模塊：用于使用第二深度學(xué)習(xí)自監(jiān)督網(wǎng)絡(luò)對所述每對點云投影圖中的特征點進行兩兩匹配，根據(jù)匹配概率得到多對同名點。

40、進一步地，還包括同名點篩選模塊，用于對得到的多對同名點進行篩選，篩選方法包括：

41、將所有同名點反投影到三維空間；

42、計算每對同名點中兩個點的旋轉(zhuǎn)矩陣，當所述旋轉(zhuǎn)矩陣的角度大于設(shè)定閾值時則剔除；

43、將剩余的同名點按線性關(guān)系劃分成多個線性區(qū)域；對于同一線性區(qū)域內(nèi)的同名點，剔除掉線性關(guān)系異常的同名點。

44、進一步地，基準點獲取模塊中，挑選出基準點的方法包括：

45、計算每對同名點的線性關(guān)系的值；當所述線性關(guān)系的值小于規(guī)定誤差值時，則認為是基準點；

46、除基準點外的其它同名點記為矩陣計算點。

47、進一步地，所述糾偏模塊中，對所述同一物理世界中不同時刻采集的三維點云信息進行糾偏的方法包括：

48、根據(jù)基準點計算糾偏矩陣與誤差平均值；

49、在接邊位置，將計算得到的所述誤差平均值平均分配到相鄰的圖像片段上。

50、進一步地，利用所述糾偏矩陣對所述同一物理世界中不同時刻采集的三維點云信息進行糾偏的方法還包括：

51、不對基準點附近設(shè)定范圍內(nèi)的三維點云數(shù)據(jù)進行變換。

52、本發(fā)明的有益效果包括：

53、自動化程度高：該發(fā)明能夠自動對三維點云數(shù)據(jù)進行糾偏處理，大大減少了人工干預(yù)和操作的時間成本，提高了生產(chǎn)效率。

54、糾偏精度高：通過深度學(xué)習(xí)技術(shù)，該發(fā)明能夠精確地識別和糾正點云數(shù)據(jù)中的偏差，從而獲得更高精度的三維模型。

55、適用范圍廣：該發(fā)明不僅可以應(yīng)用于各種不同的三維點云數(shù)據(jù)，還可以在不同的領(lǐng)域中進行應(yīng)用，如逆向工程、三維建模、機器人視覺等。

56、可擴展性強：隨著深度學(xué)習(xí)技術(shù)的發(fā)展，該發(fā)明的糾偏方法和裝置可以通過不斷更新和優(yōu)化模型來提高其糾偏效果和性能。

57、用戶友好性高：該發(fā)明的糾偏方法和裝置具有友好的用戶界面，使得用戶可以方便地進行操作和管理，同時也提供了豐富的接口和函數(shù)庫供用戶進行二次開發(fā)和定制。