本發(fā)明屬于計(jì)算機(jī)三維視覺，具體涉及一種基于自適應(yīng)變形交叉注意力漸進(jìn)匹配的多源點(diǎn)云配準(zhǔn)方法的設(shè)計(jì)。

背景技術(shù)：

1、點(diǎn)云配準(zhǔn)是計(jì)算機(jī)視覺和三維重建領(lǐng)域的重要研究方向，其目的是通過(guò)將來(lái)自不同視角的點(diǎn)云數(shù)據(jù)對(duì)齊，生成一個(gè)統(tǒng)一的三維模型。在自動(dòng)駕駛、機(jī)器人導(dǎo)航、三維測(cè)量、文化遺產(chǎn)保護(hù)等領(lǐng)域，點(diǎn)云配準(zhǔn)技術(shù)都有著廣泛的應(yīng)用。

2、傳統(tǒng)的點(diǎn)云配準(zhǔn)方法主要分為基于特征的配準(zhǔn)和基于迭代優(yōu)化的配準(zhǔn)。基于特征的配準(zhǔn)方法通過(guò)提取點(diǎn)云中的關(guān)鍵特征點(diǎn)及其描述子，將這些特征點(diǎn)進(jìn)行匹配，從而實(shí)現(xiàn)點(diǎn)云的配準(zhǔn)。然而，這類方法的匹配精度和魯棒性依賴于特征點(diǎn)的選擇和描述子的穩(wěn)定性，在面對(duì)點(diǎn)云數(shù)據(jù)稀疏、噪聲干擾和局部遮擋等復(fù)雜情況時(shí)，容易出現(xiàn)匹配失敗或精度下降的問(wèn)題?；诘鷥?yōu)化的配準(zhǔn)方法，如迭代最近點(diǎn)（ icp），在處理大規(guī)模點(diǎn)云數(shù)據(jù)時(shí)，計(jì)算復(fù)雜度較高，難以滿足實(shí)時(shí)性要求。

3、近年來(lái)，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于深度學(xué)習(xí)的點(diǎn)云配準(zhǔn)方法逐漸興起。此類方法利用神經(jīng)網(wǎng)絡(luò)的強(qiáng)大學(xué)習(xí)能力，從大量數(shù)據(jù)中學(xué)習(xí)到特征提取和匹配的最佳策略，從而提升了配準(zhǔn)精度和魯棒性。但是多源點(diǎn)云數(shù)據(jù)往往來(lái)自不同的傳感器或不同的視角，其數(shù)據(jù)分布和結(jié)構(gòu)存在顯著差異?，F(xiàn)有深度學(xué)習(xí)方法在處理這類數(shù)據(jù)時(shí)，通常未能充分考慮這些差異，導(dǎo)致配準(zhǔn)精度下降。特別對(duì)于多源遙感激光雷達(dá)點(diǎn)云，通常點(diǎn)的規(guī)模龐大，因此常用的通過(guò)求解密集點(diǎn)對(duì)的對(duì)應(yīng)關(guān)系非常耗時(shí)，而稀疏關(guān)鍵點(diǎn)匹配又會(huì)由于其有限重復(fù)性而容易出現(xiàn)關(guān)鍵點(diǎn)檢測(cè)錯(cuò)誤。

4、針對(duì)多源遙感應(yīng)用場(chǎng)景，提出一種能夠有效處理多源點(diǎn)云數(shù)據(jù)、并且具備高精度和魯棒性的配準(zhǔn)方法，是當(dāng)前點(diǎn)云配準(zhǔn)的一個(gè)重要方向。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是為了解決多源點(diǎn)云一致性較差，導(dǎo)致配準(zhǔn)精度下降的問(wèn)題，提出了一種基于自適應(yīng)變形交叉注意力漸進(jìn)匹配的多源點(diǎn)云配準(zhǔn)方法。

2、本發(fā)明的技術(shù)方案為：一種基于自適應(yīng)變形交叉注意力漸進(jìn)匹配的多源點(diǎn)云配準(zhǔn)方法，所述方法包括以下步驟：

3、s1.對(duì)多源點(diǎn)云進(jìn)行預(yù)處理，得到處理后的密集點(diǎn)云和密集點(diǎn)云；

4、s2.對(duì)密集點(diǎn)云和密集點(diǎn)云分別進(jìn)行特征提取和下采樣，得到密集點(diǎn)云的特征、密集點(diǎn)云的稀疏點(diǎn)云、密集點(diǎn)云的特征和密集點(diǎn)云的稀疏點(diǎn)云；

5、s3.基于密集點(diǎn)云的特征、密集點(diǎn)云的稀疏點(diǎn)云、密集點(diǎn)云的特征和密集點(diǎn)云的稀疏點(diǎn)云，建立雙分支稀疏到密集的軟匹配關(guān)系；

6、s4.根據(jù)軟匹配關(guān)系和自適應(yīng)變形交叉注意力網(wǎng)絡(luò)進(jìn)行局部特征細(xì)化，得到稀疏匹配關(guān)系；

7、s5.對(duì)稀疏匹配關(guān)系進(jìn)行篩選過(guò)濾，得到篩選后的稀疏匹配關(guān)系；

8、s6.根據(jù)篩選后的稀疏匹配關(guān)系進(jìn)行局部密集匹配，恢復(fù)點(diǎn)云剛性變化，實(shí)現(xiàn)多源點(diǎn)云配準(zhǔn)。

9、本發(fā)明的有益效果是：

10、1.通過(guò)執(zhí)行雙分支稀疏到密集的匹配降低了大規(guī)模點(diǎn)云對(duì)應(yīng)關(guān)系求解開銷、雙向匹配挖掘了更多的多源點(diǎn)云一致性。

11、2.通過(guò)引入自適應(yīng)變形交叉注意力來(lái)進(jìn)一步增強(qiáng)多源點(diǎn)云之間的特征交互，從而得到了更魯棒的點(diǎn)云特征和更精確的點(diǎn)云對(duì)應(yīng)關(guān)系，實(shí)現(xiàn)了大規(guī)模多源激光點(diǎn)云高效精確的配準(zhǔn)融合。

12、作為優(yōu)選，步驟s1所述對(duì)多源點(diǎn)云進(jìn)行預(yù)處理，具體為：根據(jù)多源點(diǎn)云的密度，采用不同的下采樣參數(shù)對(duì)多源點(diǎn)云進(jìn)行體素化下采樣。

13、上述優(yōu)選方案的有益效果是：

14、通過(guò)對(duì)多源點(diǎn)云進(jìn)行體素化下采樣，使得點(diǎn)云能夠輸入到網(wǎng)絡(luò)模塊當(dāng)中進(jìn)行處理。

15、作為優(yōu)選，所述步驟s2具體包括以下步驟：

16、s21.通過(guò)核點(diǎn)卷積網(wǎng)絡(luò)對(duì)密集點(diǎn)云和密集點(diǎn)云進(jìn)行特征提取，得到密集點(diǎn)云的特征，密集點(diǎn)云的特征；

17、s22.利用最遠(yuǎn)點(diǎn)采樣算法分別對(duì)密集點(diǎn)云和密集點(diǎn)云進(jìn)行下采樣，得到密集點(diǎn)云的稀疏點(diǎn)云和密集點(diǎn)云的稀疏點(diǎn)云。

18、作為優(yōu)選，所述步驟s3中軟匹配關(guān)系通過(guò)雙分支結(jié)構(gòu)建立，分支一進(jìn)行稀疏點(diǎn)云和密集點(diǎn)云的匹配，分支二進(jìn)行稀疏點(diǎn)云和密集點(diǎn)云的匹配；具體包括以下步驟：

19、所述步驟s3中軟匹配關(guān)系通過(guò)雙分支結(jié)構(gòu)建立，分支一進(jìn)行稀疏點(diǎn)云和密集點(diǎn)云的匹配，分支二進(jìn)行稀疏點(diǎn)云和密集點(diǎn)云的匹配；具體包括以下步驟：

20、s31.對(duì)稀疏點(diǎn)云中的采樣點(diǎn)，計(jì)算采樣點(diǎn)的特征與特征之間的歐式距離，得到分支一的特征匹配相似度；

21、s32.選擇分支一中特征匹配相似度最高的前個(gè)密集點(diǎn)作為軟匹配結(jié)果，得到分支一的軟匹配關(guān)系矩陣；

22、s33.對(duì)稀疏點(diǎn)云中的采樣點(diǎn)，計(jì)算采樣點(diǎn)的特征與特征之間的歐式距離，得到分支二的特征匹配相似度，并選擇分支二中特征匹配相似度最高的前個(gè)的密集點(diǎn)作為軟匹配結(jié)果，得到分支二的軟匹配關(guān)系矩陣；

23、s34.根據(jù)軟匹配關(guān)系矩陣和軟匹配關(guān)系矩陣，得到雙分支稀疏到密集的軟匹配關(guān)系。

24、作為優(yōu)選，所述步驟s4具體包括以下步驟：

25、s41.基于軟匹配關(guān)系矩陣和軟匹配關(guān)系矩陣，獲取分支一中稀疏點(diǎn)云對(duì)應(yīng)的密集點(diǎn)云中的軟匹配候選點(diǎn)集，以及分支二中的稀疏點(diǎn)云對(duì)應(yīng)的密集點(diǎn)云中的軟匹配候選點(diǎn)集；

26、s42.分別對(duì)兩個(gè)軟匹配候選點(diǎn)集進(jìn)行計(jì)算，得到兩個(gè)軟匹配候選點(diǎn)集的質(zhì)心和質(zhì)心特征，并將采樣點(diǎn)的特征以及采樣點(diǎn)的特征作為注意力機(jī)制當(dāng)中的查詢；

27、s43.將查詢、各軟匹配候選點(diǎn)集的質(zhì)心和質(zhì)心特征輸入自適應(yīng)變形交叉注意力網(wǎng)絡(luò)，輸出分支一細(xì)化的局部特征和分支二細(xì)化的局部特征；

28、s44.根據(jù)分支一細(xì)化的局部特征和分支二細(xì)化的局部特征，計(jì)算各采樣點(diǎn)的特征相似度，并選擇特征相似度最高的采樣點(diǎn)作為稀疏匹配結(jié)果，得到稀疏匹配關(guān)系矩陣和稀疏匹配關(guān)系矩陣；

29、s45.根據(jù)稀疏匹配關(guān)系矩陣和稀疏匹配關(guān)系矩陣，得到稀疏匹配關(guān)系。

30、作為優(yōu)選，所述兩個(gè)軟匹配候選點(diǎn)集的質(zhì)心的計(jì)算公式為：

31、

32、其中，表示軟匹配候選點(diǎn)總個(gè)數(shù)，表示第個(gè)軟匹配候選點(diǎn)，表示第個(gè)源點(diǎn)所對(duì)應(yīng)的第個(gè)軟匹配候選點(diǎn)的軸坐標(biāo)，表示第個(gè)源點(diǎn)所對(duì)應(yīng)的第個(gè)軟匹配候選點(diǎn)的軸坐標(biāo)，表示第個(gè)源點(diǎn)所對(duì)應(yīng)的第個(gè)軟匹配候選點(diǎn)的軸坐標(biāo)；

33、所述質(zhì)心特征的計(jì)算公式為：

34、

35、其中，表示第個(gè)源點(diǎn)所對(duì)應(yīng)的第個(gè)軟匹配候選點(diǎn)的特征；

36、所述自適應(yīng)變形交叉注意力網(wǎng)絡(luò)的公式為：

37、

38、其中，表示注意力機(jī)制當(dāng)中的鍵，有=，表示對(duì)查詢值的映射，表示對(duì)鍵值的映射，表示第1個(gè)多層感知機(jī)，表示第2個(gè)多層感知機(jī)，表示多層感知機(jī)預(yù)測(cè)得到的坐標(biāo)偏移值，表示原始坐標(biāo)，有=，表示真實(shí)的采樣點(diǎn)坐標(biāo)，表示對(duì)點(diǎn)坐標(biāo)執(zhí)行最近鄰搜索，表示第個(gè)注意力頭下第個(gè)采樣點(diǎn)的權(quán)重分配，表示每一個(gè)注意力頭所得到的特征的映射，表示可變形注意力網(wǎng)絡(luò)所得到的特征輸出，即細(xì)化的局部特征，表示注意力頭的總個(gè)數(shù)，表示總采樣點(diǎn)數(shù)，表示第個(gè)真實(shí)的采樣點(diǎn)坐標(biāo)。

39、作為優(yōu)選，所述步驟s5具體包括以下步驟：

40、s51.根據(jù)稀疏匹配關(guān)系矩陣和稀疏匹配關(guān)系矩陣，獲取稀疏匹配關(guān)系的特征；

41、s52.將稀疏匹配關(guān)系的特征輸入到 filternet網(wǎng)絡(luò)中，輸出各組稀疏匹配關(guān)系的置信度；

42、s53.選擇置信度大于給定閾值的稀疏匹配關(guān)系，得到篩選后的稀疏匹配關(guān)系。

43、作為優(yōu)選，所述 filternet網(wǎng)絡(luò)的公式為：

44、

45、其中，表示線性神經(jīng)網(wǎng)絡(luò)，表示激活函數(shù)，表示稀疏匹配關(guān)系的特征。

46、作為優(yōu)選，所述步驟s6具體包括以下步驟：

47、s61.對(duì)各篩選后的稀疏匹配關(guān)系，通過(guò)近鄰搜索的方式構(gòu)建各匹配點(diǎn)的局部空間鄰域簇，并獲取局部空間鄰域簇的相鄰特征；

48、s62.對(duì)于任意給定的一組稀疏匹配關(guān)系，根據(jù)其兩組局部空間鄰域簇的相鄰的鄰域點(diǎn)特征，構(gòu)造對(duì)應(yīng)的成本矩陣；

49、s63.根據(jù)成本矩陣，利用 sinkhorn迭代算法計(jì)算得到軟分配矩陣；

50、s64.將軟分配矩陣作為候選匹配的置信度矩陣，得到局部密集匹配集；

51、s65.基于局部密集匹配集，利用 lgr算法計(jì)算得到目標(biāo)點(diǎn)云到源點(diǎn)云的旋轉(zhuǎn)矩陣和平移矩陣，實(shí)現(xiàn)點(diǎn)云配準(zhǔn)。

52、作為優(yōu)選，步驟s62中所述成本矩陣中的元素的計(jì)算公式為：

53、

54、其中，和表示兩組相鄰特征，表示計(jì)算特征向量之間的二范數(shù)。