采用多尺度特征融合的点云配准算法

摘要

为了解决深度学习方法在处理部分重叠点云配准时出现的泛化性和精度下降问题，提出一种多尺度特征融合的点云配准算法.首先，对不同尺度的点云进行特征描述以获得局部结构信息，通过加权和对不同尺度下的特征进行融合，以增强特征的表示能力；然后，利用多注意力机制增强点云之间的特征关联性,发现更准确的对应关系；最后，使用位置估计模块计算源点云的虚拟对应点，并通过奇异值分解（SVD）求解源点云与虚拟对应点的最佳变换.在ModelNet40数据集的完整点云场景下，旋转与平移的均方误差分别为6.3×10^-2与1.0×10^-5；在部分重叠点云场景下旋转平移的均方误差分别为2.29×10^-4与3×10^-4，均低于深度最近点（DCP）算法.对于未知种类点云和噪声点云，本算法的误差仍低于迭代最近点（ICP）、快速全局配准（FGR）以及深度最近点（DCP）等代表性对比方法，进一步验证了算法的有效性.

关键词

点云 / 点云配准 / 多尺度特征融合 / 多注意力机制 / 虚拟对应点