局部特征的高精度点云配准算法研究

摘要

点云配准是自动驾驶领域和三维重建的一个关键问题，表示一片点云进行刚性变换对齐到另外一片点云。领域中流行的DCP(deep closest point)算法在局部特征提取方面不够深入，针对这个问题，提出了一个改进算法——GPR。该算法使用多层传播模块进行特征学习，在传播过程中整合局部信息，灵活地将点与其邻域信息结合，通过传播层的多次迭代细化节点特征，有效地解决了高精度局部特征配准问题。GPR算法在ModelNet40数据集上端到端训练模型，并在几个设置中显示它比ICP及其变体(例如Go-ICP、FGR)和已提出的基于学习的方法PointNetLK等表现得更好。除了提供优化的配准技术之外，GPR算法还评估了将学习到的特征转移到看不见的物体上的适用性。在ModelNet40上进行的大量实验表明，GPR算法优于传统GPR算法和近几年流行的DCP算法，达到了先进的性能，具有将配准应用于未来无人系统的现实意义。

关键词

点云配准 / 深度学习 / 注意力机制 / 奇异值分解

基金资助

重庆市科委重点攻关计划项目(2021CCB03); 南京理工大学重点实验室基金项目(2022-JCJQ-LB-061-07)