一种基于改进投影方法的点云拼接算法

合集下载

一种无标记点三维点云自动拼接技术

一种无标记点三维点云自动拼接技术郭进;刘先勇;陈小宁;姚一永【摘要】基于相位投影和双目的三维光学测量系统已经广泛应用于各领域.受投影光测量系统单次测量范围大小的限制,对大型物体的测量需要在表面粘贴圆形标记点进行多次拼接的缺点,探讨一种基于SIFT的无标记点自动拼接技术.该技术采用SIFT方法获取两次测量的特征点,其次结合RANSAC求出图像特征点的匹配关系,再根据立体匹配中图像特征点与三维点云之间的对应关系,将二维特征点的对应关系映射到三维点云的对应关系上,最后由SVD奇异值分解算法求得旋转和平移矩阵实现拼接.实验证明:该方法可以避免在被测量对象上粘贴标记点,能够快速准确地实现自动拼接.%The phase projection and binocular vision based 3D optical measurement system is widely applied to many fields. Due to the limitation of projection light measurement system's single measurement range size along with there being a drawback that it requires time and again pastes of circular markers on the surface when measuring a large object, an unmarked automatic registration technology based on SIFT is explored. The technology uses SIFT method to gain feature points for twice measurements;next,by combining RANSAC, works out the matching relation among image feature points; then, according to the corresponding relation between the image feature points in the stereo match and the 3D point cloud,maps the 2D feature points' corresponding relation onto the 3D point cloud;finally depends on SVD algorithm to solve for the rotation and translation matrix to realize registration. Experiments prove that themethod can avoid pasting markers on the measured object;as a result,it can quickly and accurately achieve automatic registration.【期刊名称】《计算机应用与软件》【年(卷),期】2012(029)004【总页数】5页(P144-147,166)【关键词】三维测量;双目视觉;SIFT;SVD;拼接【作者】郭进;刘先勇;陈小宁;姚一永【作者单位】西南财经大学天府学院四川绵阳621000;西南科技大学四川绵阳621000;西南财经大学天府学院四川绵阳621000;西南财经大学天府学院四川绵阳621000【正文语种】中文【中图分类】TI301.60 引言近年机器视觉技术已在许多领域得到广泛应用，尤其是三维光学轮廓测量技术更是研究中的热点［1］。

基于SAC-IA和改进ICP算法的点云配准技术

基于SAC-IA和改进ICP算法的点云配准技术陈学伟;朱耀麟;武桐;王祖全【摘要】点云配准是真实三维世界物体或场景模型重建的关键问题之一.针对传统的ICP算法收敛速度慢,且在两点云集初始位置较大时易陷入局部最优解的问题,提出一种改进的点云配准算法.该算法首先利用基于特征点的采样一致性初始配准算法(SAC-IA)实现两点云的初始变换,使两点云集有相对较好的初始位姿,然后在传统ICP算法基础上使用k-d树(k-dimensional tree)加速对应点对的查找速度,并利用方向向量阈值去除错误点对.实验证明该算法具有相对较好的配准精度和收敛速度.%Point cloud registration is one of the key issues in real three-dimensional world objects or scene model reconstruction.The convergence rate of ICP algorithm is slow.When the two positions are large,the local optimal solution is caught.In response to this problem,an improved ICP algorithm is proposed.The algorithm first uses SAC-IA to realize the initial transformation of the two-point cloud,so that the two points can be in a relatively good initial position.And then the k-dimensional tree and the direction vector threshold are used on the basis of the traditional ICP algorithm.The k-d tree is used to speed up the search speed of the corresponding point pairs.The direction vector threshold is used to remove the error corresponding point.Experiments show that the algorithm has a relatively good registration accuracy and convergence speed.【期刊名称】《西安工程大学学报》【年(卷),期】2017(031)003【总页数】7页(P395-401)【关键词】点云配准;ICP算法;SAC-IA;方向向量阈值【作者】陈学伟;朱耀麟;武桐;王祖全【作者单位】西安工程大学电子信息学院,陕西西安710048;西安工程大学电子信息学院,陕西西安710048;西北工业大学电子信息学院,陕西西安710072;西安工程大学电子信息学院,陕西西安710048;西安工程大学电子信息学院,陕西西安710048【正文语种】中文【中图分类】TP30三维重建[1-3]是计算机视觉领域研究的一个重要研究方向,在虚拟现实、文物保护、逆向工程、人机交互等领域都有广泛的应用[4-5]．在数据采集的过程中,由于受到环境和设备本身的限制,需要从多个角度去采集某一模型表面的数据．为了得到完整的模型表面点云数据,要将不同角度获得点云数据通过坐标转换统一到同一摄像机坐标系下,这一过程叫做点云配准[6]．利用光学三维测量法[7-8]可以得到不同视角下的点云数据,通过对采集到的数据进行拼接,最终获得完整的三维数据模型,而拼接精度直接影响到模型重构的精度．目前,应用最广泛的配准点云的算法是由文献[9-10]提出的经典的迭代最近点算法ICP,它通过不断寻找两点云的对应关系点集和计算对应点集之间的最优刚体变换矩阵,寻找目标点集和参考点集的最优匹配．但传统的ICP算法[11-12]收敛速度较慢,且在点云数据集初始位置相差较大时,易陷入局部最优解．为了改善这一问题,文中给出一种改进的点云配准算法,该算法在初始配准过程中引入SAC-IA算法[13-14],对两片点云集进行初始配准,将所得到的变换矩阵作为ICP 配准算法的初始估计,巧妙地解决了传统ICP算法在点云之间的初始位置偏差较大时易陷入局部最优解的问题．基于精配准中,在传统ICP算法使用k-d树近邻搜索法[15]提高对应点对的查找速度,并使用方向向量阈值去除错误的对应点对,提高了算法效率．该算法首先提取点云的快速点特征直方图(FPFH,fast point fetures histograms)特征,然后通过采样一致性初始配准算法得到这些特征之间的对应关系,从而完成初始配准,使两片点云集获得一个相对较好的初始位置[16],然后利用k-d树加速对应点对的查找,并使用点云方向向量阈值摒弃错误点对,估计对应点对的变换关系，实现点云的精确配准．其流程图如图1所示.为了避免使配准趋向错误的方向,需要在精配准前进行点云的初始配准．在初始配准阶段引入的是采样一致性初始配准算法(SAC-IA)．其算法原理如下:(1) 从待配准点云P中选取n个采样点,为了尽量保证所采样的点具有不同的FPFH 特征,采样点两两之间的距离应满足大于预先给定最小距离阈值d．(2) 在目标点云Q中查找与点云P中采样点具有相似 FPFH特征的一个或多个点,从这些相似点中随机选取一个点作为点云P在目标点云Q中的一一对应点．(3) 计算对应点之间刚体变换矩阵,然后通过求解对应点变换后的“距离误差和”函数来判断当前配准变换的性能．此处的距离误差和函数多使用Huber罚函数表示,记为其中:式中:ml为一预先给定值,li为第i组对应点变换之后的距离差．上述配准的最终目的是在所有变换中找到一组最优的变换,使得误差函数的值最小,此时的变换即为最终的配准变换矩阵[17],进一步可得到配准结果．FPFH 是利用已估计出的点云法线特征,计算出该点与其k个领域点的空间差异,它实际上是改进的点特征直方图(PFH，point features histograms)的快速简化模型．PFH通过计算点与邻域点之间的空间几何关系,并形成一个多维直方图对点的k邻域几何属性进行描述．PFH通过估计法线方向之间所有的相互作用,来描述样本的几何特征．因此,PFH合成特征超空间取决于每个点的表面法线估计的质量．PFH 的计算如图2所示．pq为待计算PFH特征的点,确定一参考半径内(图2中虚线圆)的k个邻域点,计算k邻域内的所有点两两之间的欧式距离、法线的角度偏差(以其中一点的法线为基准构造一个三维坐标系,另外一点的法线相对该参考坐标系三坐标轴的角度差)．k 个邻域点的计算复杂度为O(k2)．本文给出了降低计算的复杂度FPFH快速算法,该特征描述子的计算复杂度为O(nk),同时保证了PFH的大部分特征．FPFH特征描述子的计算过程如下:(1) 对于每个查询点pq,计算出该待求点与其所有邻域点之间的相对关系,记作S(pq);(2) 重新确定每个点k邻域,然后由已计算出的SPFH特征, 估计FPFH特征,记作F(Pq)为式中：wi为第i个邻域点 SPFH 特征的加权值，代表待求点与其第i个邻域点的距离值,用于评定点对(pq,pi)的关系．FPFH 的整个计算过程如图3所示.经过SAC-IA算法配准后两片点云集已大致重合在一起,但仍存在偏差,配准的精度也比较低,为了缩小这种偏差,提高两点云之间的匹配精度,还需要进行精确配准．精配准过程中,在传统ICP[18-19]的基础上使用k-d 树近邻搜索法加速对应点对的查询,同时利用方向向量阈值去除错误点对,提高每次对应点对集[20]之间变换矩阵的估计质量,提高配准的效率．改进的ICP的配准原理如下:(1) 将初始配准后的两片点云P′(经过坐标变换后的源点云)和Q,作为精配准的初始点集;(2) 对源点云P′中的每一点pi,在目标点云Q中寻找距离最近的对应点qi,作为该点在目标点云中的对应点,组成初始对应点对;(3) 初始对应点集中的对应关系并不都是正确的,错误的对应关系会影响最终的配准结果,采用方向向量阈值剔除错误的对应点对;(4) 计算旋转矩阵R和平移向量T,使‖Qi-(RPi+T)‖最小,即对应点集之间的均方误差最小；(5) 设定某一阈值ε=dk-dk-1和最大迭代次数Nmax,将上一步得到的刚体变换作用于源点云P′,得到新点云P′′,计算P′′和Q的距离误差,如果两次迭代的误差小于阈值ε或者当前迭代次数大于Nmax,则迭代结束．否则将初始配准的点集更新为P′′和Q,继续重复上述步骤,直至满足收敛条件．2.1 k-d 树近邻搜索法经典的 ICP 大多数时间花费在最近点搜索上,并且需要多次重复迭代,导致计算效率不高．该系统采用k-d 树对ICP 的搜索进行加速,该数据结构适用于范围搜索和近邻搜索,具有非常好的收敛速度,可以降低 ICP 算法在查询近邻点时的计算复杂度,明显改善算法的执行效率．k-d树近邻搜索原理如下:(1) 将待查询的某一点与根节点的值进行比较,若小于等于根节点的值则进入左子树,若大于根节点的值进入右子树,到达叶子结点时,在当前子空间搜索距待查询点最近的点;(2) 进行“回溯”操作,此方法是为了找到距离查询点更近的点．若在其他结点的子空间有更近点,则跳到子空间结点上去查找距离最近点;(3) 反复进行(1)和(2)直到搜索路径为空结束搜索．2.2 方向向量阈值在点云数据对应点对的选择过程中,会引入噪声点对．而噪声点对的引入会影响最后的配准结果．方向向量阈值法可以有效剔除噪声点对,提高配准的精度．求解点云表面的每个点的法向量并将其单位化,计算各对应点对法向量夹角．给定某一阈值t,如果方向向量夹角小于某一阈值 t,就认为是正确的点对；反之,则认为是错误点对,将之从对应点集中剔除,避免迭代朝着一个错误的方向进行,提高配准效率．为了验证本文算法的有效性,采用了体感摄像头kinect采集的点云数据塔和唐代服装Ⅰ作为试验对比数据,其中模型塔点云有60 000左右个点,唐代服装数据点要稍小．下面在实验平台为CPU主频2.6 GHz,内存4 G的Win8系统下,利用Vistual C++编程,进行3组数据的配准实验,实验结果如图4和5所示．图4(b)和图5(b)为ICP算法配准后的数据,可以看出此时两片点云数据已大致重合．由表1和表2可知,ICP算法消耗的时间分别为123 s和104 s,此时两片点云配准误差分别为5.045×10-5和3.307×10-6．图4(c)和图5(c)为本文算法配准后的数据,两帧点云中的各个部位均得到了较好的融合．与ICP算法相比,点云的配准的精度和收敛的速度都有了明显的改善,提高了配准效率．为了进一步验证该算法的适用性, 选择另一组点云初始位置相差较大的数据做配准实验, 如图(6)所示．从图6可知,传统ICP算法配准并没有成功,两帧点云的位置偏差依然较大．这是因为两片点云初始位置相差较大,ICP算法寻找对应点的时候容易形成局部最优解,而该算法较好地改善了这一情况,图6(c)为本文算法配准的结果,配准精度为4.014×10-5．由上述分析可知,该方法能够在配准结果有效的基础上,在误差允许的范围内,减少迭代次数,大幅提高配准的收敛速度．并且在初始位置相差比较大的情况下,依然有较好的精度和较高的收敛速度．针对ICP算法收敛速度慢，鲁棒性差等问题,给出一种基于SAC-IA和改进ICP的点云配准算法,该算法适用于刚体的配准,对表面有形变的物体该算法的误差会比较大,当两点云重叠区域较少时依然有较高的配准精度．该算法首先利用SAC-IA算法实现点云的初始刚体变换,使两片点云具有一个较好的初始位置,避免算法陷入局部最优解的问题．然后在ICP基础上提出k-d 树近邻搜索方法加速对应点对的查找,并利用方向向量阈值去除错误点对,提高算法的效率．上述实验表明,该算法具有相对较好的配准精度和收敛速度,配准效率也有显著提高．E-mail:**************CHEN Xuewei,ZHU Yaolin,WU Tong,et al.The point cloud registration technology based on SAC-IA and improved ICP[J].Journal of Xi′an Polytechnic University,2017，31(3)：395-401.【相关文献】[1] 朱耀麟,刘雅琪,杨宇峤.基于单幅图片的唐代服饰三维重建[J].西北大学学报(自然科学版),2015,45(3):379-383.ZHU Yaoli,LIU Yaqi,YANG Yuqiao.Three-dimensional reconstruction of the Tang Dynasty costumes based on single images[J].Journal of Northwest University(Natural Science Editon),2015,45(3):379-383.[2] 席小霞,宋文爱,邱子璇,等.基于 RGB-D 值的三维图像重建系统研究[J].测试技术学报,2015(5):409-415.XI Xiaoxia,SONG Wenai,QIU Zixuan,et al.Research on 3D image reconstruction system based on RGB-D values[J].Journal of Testing Technology,2015(5):409-415.[3] 陈晓明,蒋乐天,应忍冬.基于Kinect深度信息的实时三维重建和滤波算法研究[D].上海:上海交通大学,2013.CHEN Xiaoming,JIANG Letian,YING Rendong.Research of 3D reconstruction and filtering algorithm based on depth information Kinect[D].Shanghai:Shanghai Jiaotong University,2013.[4] 郭连朋,陈向宁,徐万朋,等.基于kinect传感器的物体三维重建[J].四川兵工学报,2014(11):119-123.GUO Lianpeng,CHEN Xiangning,XU Wanpeng,et al.3D-object reconstruction based on kinect sensor[J].Journal of Sichuan ordnance,2014(11):119-123.[5] 王欣,袁坤,于晓,等.基于运动恢复的双目视觉三维重建系统设计[J].光学精密工程,2014,22(5):1379-1387.WANG Xin,YUAN Kun,YU Xiao,et al.Design of binocular vision 3D reconstruction system based on motion recovery[J].Optics and Precision Engineering,2014,22(5):1379-1387.[6] 周春艳,李勇,邹峥嵘.三维点云ICP算法改进研究[J].计算机技术与发展,2011,21(8): 75-77. ZHOU ChunYan,LI Yong,ZOU Zhengrong.Three-dimensional cloud ICP algorithm improvement[J].Computer Technology and Development,2011,21(8): 75-77.[7] 吕江昭,达飞鹏,郑东亮.基于Sierra Lite抖动算法的散焦投影光栅测量[J].光学学报,2014(3):127-135.LYU Jiangzhao,DA Feipeng,ZHENG Dongliang.Projector defocusing profilometry based on Sierra Lite dithering algorithm[J].Acta Optica Sinica,2014(3):127-135.[8] 安冬,盖绍彦,达飞鹏.一种新的基于条纹投影的三维轮廓测量系统模型[J].光学学报,2014(5):122-127.AN Dong,GAI Shaoyan,DA Feipeng.A new model of three-dimensional shape measurement system based on fringe projection[J].Acta Optica Sinica,2014(5):122-127. [9] 刘冬秋,景凤宣,谢晓尧.基于特征点提取改进的ICP算法[J].贵州师范大学学报(自然科学版),2013,31(6):106-110.LIU Dongqiu,JING Fengxuan,XIE Xiaoyao.Improved ICP algorithm based on feature points extraction[J].Journal of Guizhou Normal University(Natural Sciences),2013,31(6):106-110.[10] BESL P J,MCKAY N D.A method for registration of 3-d shapes[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1992,14(2): 239-256.[11] 钟莹,张蒙.基于改进ICP算法的点云自动配准技术[J].控制工程,2014,21(1): 37-40. ZHONG Ying,ZHANG Meng.Automatic registration technology of point cloud based on improved ICP algorithm[J].Control Engineering of China,2014,21(1): 37-40.[12] 王欣,张明明,于晓,等.应用改进迭代最近点方法的点云数据配准[J].光学精密工程,2012,20(9):2068-2077.WANG Xin,ZHANG Mingming,YU Xiao,et al.Point cloud registration based on improved iterative closest point method[J].Optics and Precision Engineering,2012,20(9):2068-2077.[13] 陆军,彭仲涛,董东来，等.点云FPFH 特征提取优化配准算法[J].新型工业化,2014,4(7):75-81. LU Jun,PENG Zhongtao,DONG Donglai，et al.The registration algorithm of point cloud based on optimal extraction of FPFH feature[J].New IndustrializationStraregy,2014,4(7):75-81.[14] RADU Bogdan Rusu,NICO Blodow,MICHAL Beetz.Fast point feature histograms (FPFH) for 3D registration[C]//2009 IEEE International Conference On Robotics and Automation.Kobe:IEEE,2009:3212-3217.[15] 戴静兰,陈志扬,叶修梓.ICP 算法在点云配准中的应用[J].中国图象图形学报,2007,12(3):517-521.DAI Jinglan,CHEN Zhiyang,YE Xiuzi.The application of ICP algorithm in point cloud aligment[J].Journal of Image and Graphics,2007,12(3):517-521.[16] 姚晓山,刘健鑫,柯维.多视点云拼接中的ICP算法优化[J].微电子学与计算机,2012,29(8):94-97. YAO Xiaoshan,LIU Jianxin,KE Wei.Improved ICP algorithm in multi-view point cloudssplicing[J].Microelectronics & computer,2012,29(8):94-97.[17] 涂志强,张珂,杨成龙,等.三维模型重建中点云ICP拼接算法的改进[J].焊接学报,2013,34(1):97-100.TU Zhiqiang,ZHANG Ke,YANG Chenglong,et al.The improved ICP stitching algorithm of point cloud on 3D model reconstruction[J].Transactions of the China Welding Institution,2013,34(1):97-100.[18] 解则晓,徐尚.三维点云数据拼接中ICP及其改进算法综述[J].中国海洋大学学报(自然科学版),2010 (1): 99-103.XIE Zexiao,XU Shang.A survey on the ICP algorithm and its variants in registration of 3D point clouds[J].Periodical of Ocean University of China(Natural Sciences),2010 (1): 99-103.[19] 陶海跻,达飞鹏.一种基于法向量的点云自动配准方法[J].中国激光,2013(8):179-184.TAO Haiji,DA Feipeng.Automatic registration algorithm for the point clouds based on the normal vector[J].Chinese Journal of Lasers,2013(8):179-184.[20] 葛宝臻,彭博,田庆国.基于曲率图的三维点云数据配准[J].天津大学学报(自然科学与工程技术版),2013,46(2):174-180.GE Baozhen,PENG Bo,TIAN Qingguo.Registration of three-dimensional point cloud data based on curvature map[J].Journal of Tianjin University(Science andTechnoloy),2013,46(2):174-180.。

pointnet++算法详解

pointnet++算法详解PointNet++是基于PointNet的改进版本，它是一种用于处理点云数据的深度学习算法。

点云是一种由很多离散点构成的三维数据表示方法，被广泛应用于计算机视觉和机器人领域。

在传统的深度学习中，主要是使用卷积神经网络(CNN)处理图像数据，而PointNet和PointNet++则是将这种思想应用到了处理点云数据上。

PointNet提出的初衷是将点云数据映射为高维特征向量，通过该向量来进行分类、分割等任务，而PointNet++则是进一步改进了这个过程。

PointNet++主要有以下几个方面的改进：1.层级结构：PointNet将点云数据作为输入，将其映射为全局特征向量，无法捕捉到点与点之间的局部关系。

为了解决这个问题，PointNet++提出了层级结构，通过逐层聚合信息来构建具有不同尺度的局部特征。

具体而言，PointNet++使用了一种称为"PointNet Set Abstraction"的操作，该操作根据指定的半径来生成一系列的局部区域，并对每个局部区域进行操作。

2.增加了特征传递模块：为了提取更多的特征信息，PointNet++引入了特征传递模块。

该模块可以将更加丰富的特征从低层次传递到高层次，以获取更好的特征表示。

通过这种方式，PointNet++可以同时建模全局和局部特征，提高了算法的性能。

3.多尺度聚合：PointNet++不仅可以聚合局部特征，还可以聚合不同尺度的局部特征。

这种多尺度聚合的方式使得算法能够更好地捕捉点云数据中的细节信息，并提高对点云数据的理解能力。

总体上来说，PointNet++相对于PointNet在处理点云数据方面具有更好的性能和可扩展性。

它通过建立层级结构、引入特征传递模块和实现多尺度聚合等方式，提高了对点云数据的理解能力。

在实际应用中，PointNet++可以用于点云分类、语义分割、物体检测等任务，并取得了较好的效果。

基于改进ICP算法的点云拼接方法

基于改进ICP算法的点云拼接方法杨杰;卢钰仁;田颖;吕晓玲【摘要】针对角度变换较大的两组点云模型因非完全包含关系导致的拼接误差大的问题,提出了一种改进的迭代最近点(ICP)拼接算法.计算点云数据的法向量大小,提取变化较大的点作为预参考点,并优化点云拼接策略得到点云粗拼接模型.基于此模型,对对应点对施加曲率和点距双重约束,得到精确对应点对,即对点云数据进行精确拼接.实验结果表明:算法对角度差异较大模型的拼接处理,能够在完好融合共有部分的同时比较完整地保留两组点云之间互不包含的数据.【期刊名称】《传感器与微系统》【年(卷),期】2018(037)009【总页数】3页(P41-43)【关键词】点云拼接;法向量;预参考点;拼接策略;对应点约束【作者】杨杰;卢钰仁;田颖;吕晓玲【作者单位】河北工业大学机械工程学院,天津300130;河北工业大学机械工程学院,天津300130;河北工业大学机械工程学院,天津300130;河北工业大学机械工程学院,天津300130【正文语种】中文【中图分类】TP391.90 引言点云数据的拼接配准是物体三维重建过程中最重要的环节，直接影响处理后的整体精度[1]。

目前的点云拼接大多是两两拼接配准问题，最初采用的方法是顺序拼接[2]，其核心思想是两两拼接，该方法简单直接，但评估点云之间的包含关系[3]和重复拼接的累积误差，会严重影响整体拼接的精度。

对此，Nishino K[4]根据各个点云之间的对应关系提出了一种多视角拼接算法，但大型场景中多视角的点云数据庞大，计算点云之间的收敛十分缓慢，降低了局部点云拼接的准确性和效率。

近年来，研究由局部拼接转向全局拼接。

利用平差方法[5]估计全局最优坐标转换参数提高配准精度与可靠性是一种最常用的方法。

本文根据拼接中大角度变换存在的问题，提出了一种提取拼接点对的条件约束方法，在对点云数据进行粗拼接时，选取预参考点并对两组点云中对应点关系进行改进，对获取的不同帧数的点云数据进行约束条件的比较，去掉不符合条件的点云数据后，再对粗拼接数据进行精确拼接。

一种新的点云拼接算法_左超

ＡｂｓｔｒａｃｔＩｔｅｒａｔｉｖｅｃｌｏｓｅｓｔｐｏｉｎｔ（ＩＣＰ）ａｌｇｏｒｉｔｈｍｉｓｗｉｄｅｌｙｕｓｅｄｉｎｍｕｌｔｉ－ｖｉｅｗｆｉｎｅｒｅｇｉｓｔｒａｔｉｏｎｏｆ３Ｄｐｏｉｎｔｃｌｏｕｄｓ，ｗｈｉｌｅｉｔｓａｃｃｕｒａｃｙａｎｄｃｏｎｖｅｒｇｅｎｃｅｔｏｇｌｏｂａｌｏｐｔｉｍｉｚａｔｉｏｎｄｅｐｅｎｄｏｎｉｎｉｔｉａｌｒｅｇｉｓｔｒａｔｉｏｎｐｏｓｉｔｉｏｎ．Ｉｔｆａｉｌｓｗｈｅｎａｇｒｅａｔｄｉｆｆｅｒｅｎｃｅｅｘｉｓｔｓｔｏｉｎｉｔｉａｌｐｏｓｉｔｉｏｎｏｆｔｈｅｗａｉｔｅｄｒｅｇｉｓｔｅｒｅｄｐｏｉｎｔｃｌｏｕｄｓ．ＣｏａｒｓｅｒｅｇｉｓｔｒａｔｉｏｎａｉｍｓｔｏｐｒｏｖｉｄｅａｇｏｏｄｉｎｉｔｉａｌｒｅｇｉｓｔｒａｔｉｏｎｐｏｓｉｔｉｏｎｆｏｒＩＣＰ．Ａｎｅｗｃｏａｒｓｅｒｅｇｉｓｔｒａｔｉｏｎａｌｇｏｒｉｔｈｍ—ｉｔｅｒａｔｉｖｅｌｅａｓｔｓｐａｃｅｄｉｓｔｒｉｂｕｔｉｏｎｅｎｔｒｏｐｙｉｓｐｒｏｐｏｓｅｄｂａｓｅｄｏｎｔｈｅｓｐａｃｅｄｉｓｔｒｉｂｕｔｉｏｎｏｆｐｏｉｎｔｃｌｏｕｄｓ，ａｎｄｔｈｅｃｏｎｃｅｐｔｏｆｅｎｔｒｏｐｙｉｓｕｓｅｄｆｏｒｄｅｓｃｒｉｂｉｎｇｔｈｉｓｄｉｓｔｒｉｂｕｔｉｏｎｌａｗａｃｃｏｒｄｉｎｇｔｏｉｎｆｏｒｍａｔｉｏｎｔｈｅｏｒｙ．ＥｘｐｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｃａｎｏｆｆｅｒａｇｏｏｄｉｎｉｔｉａｌｒｅｇｉｓｔｒａｔｉｏｎｐｏｓｉｔｉｏｎｆｏｒＩＣＰａｎｄｉｔｏｗｎｓａｈｉｇｈｅｆｆｉｃｉｅｎｃｙａｎｄｃａｎｒｅａｌｉｚｅｒｅｇｉｓｔｒａｔｉｏｎｗｉｔｈｏｕｔｕｓｉｎｇＩＣＰｕｎｄｅｒｐｒｅｃｉｓｉｏｎｐｅｒｍｉｓｓｉｏｎ．Ｋｅｙｗｏｒｄｓｒｅｍｏｔｅｓｅｎｓｉｎｇ；３Ｄｐｏｉｎｔｃｌｏｕｄ；ｉｎｔｅｒａｔｉｖｅｃｌｏｓｅｓｔｐｏｉｎｔ；ｒｅｇｉｓｔｒａｔｉｏｎ；ｅｎｔｒｏｐｙＯＣＩＳｃｏｄｅｓ２８０．３６４０；１００．６８９０；１００．５０１０

激光雷达点云平面拟合算法

激光雷达点云平面拟合算法激光雷达（Lidar）是一种广泛应用于地形测量、机器人导航、自动驾驶等领域的传感器。

它通过发射激光束并测量其返回时间来获取目标物体的距离信息，进而生成三维点云数据。

然而，由于设备和环境的因素，激光雷达获取到的点云数据通常会包含噪声和杂波，为了提高数据的可靠性和准确性，需要对点云进行处理和分析。

其中，点云平面拟合算法是常用的一种方法，可以提取出点云中的平面结构信息，本文将对该算法进行详细介绍。

一、激光雷达点云数据的处理激光雷达获取到的点云数据通常是由大量离散数据点组成的三维坐标集合。

为了对这些数据进行处理和分析，首先需要进行预处理工作，包括点云的滤波、降采样、坐标变换等操作。

这些步骤可以提高数据的质量和处理效率，并为后续的算法提供更好的输入。

二、点云平面拟合算法的基本原理点云平面拟合算法的基本原理是通过将点云数据拟合成一个平面模型，从而提取出点云中的平面结构信息。

该算法通常使用最小二乘法（Least Squares Method）进行拟合，通过最小化点到平面的距离来找到最优的平面模型。

具体而言，算法将点云上的每个点投影到平面上，计算点到平面的距离，并将所有距离的平方求和，最终得到最小化距离误差的平面模型参数。

三、点云平面拟合算法的实现步骤1. 数据预处理：对输入的激光雷达点云数据进行滤波、降采样和坐标变换等预处理操作，以提高后续算法的处理效率和结果的准确性。

2. 平面参数初始化：选择一个初始平面模型，可以通过随机选择三个点，计算并估计一个初始平面模型。

3. 迭代优化：使用最小二乘法进行迭代优化，不断调整平面模型的参数，使点云到平面的距离误差最小化。

4. 收敛判定：判断优化是否收敛，可以通过设定阈值，当平面参数的变化小于阈值时，认为优化已经收敛。

5. 输出平面结果：将优化得到的平面模型参数输出，以供后续应用使用。

四、点云平面拟合算法的改进方法1. 基于特征点的拟合：传统的平面拟合算法对所有的点均等处理，而有些点云中可能存在特征点，这些点对于平面拟合结果的精度和鲁棒性有着重要影响。

一种无标记点三维点云自动拼接技术

ｅｐｏｅ．ｈｃｎｌｇｓｓＳＦｔｏａｎｆａｕｅｐｉｔｆｒｔｉｅｍｅｓｒｍｅｔ；ｅｔｂｏｉｉｇＲｘｌｒｄＴｅｔｈｏｏｕｅＩｍｅｈｄｔｇｉｅｔｒｏｎｓｏｃａｕｅｎｓｎｘ，ｙｃｍｂｎｎＡＮＳｅｙＴｏｗＡＣ，ｏｋｕｅｍａｃｉｇｗｒｓｏｔｈｔｈｎｔｒｌｔｎａｎｍａｅｆａｕｅｐｉｔ；ｈｎ，ｃｏｄｎｅｃｒｅｐｎｉｇｒｌｔｎｂｔｅｎｔｅｉｇｅｔｒｏｎｓｉｅｓｒｏｍａｃｎｈｅａｉｍｏｇｉｇｅｔｒｏｎｓｔｅａｃｒｉｇｔｔｏｒｓｏｄｎｅａｉｅｗｅｈｏｏｈｏｍａｅｆａｕｅｐｉｔｎｔｔｅｔｈａｄｔｅｈｅ
Ａｓｒｃｂｔａｔ
ＴｅｐａｅｐｏｃｉｎｉｏｕａｉｏａｅＤｏｔａｍｅｓｒｍｅｔｙｔｍｉｗｄｌａｐｉｏｍｎｅｓＤｅｔｔｅｈｈｓｒｊｔｎａｄｂｎｃｌｖｉｂｓｄ３ｐｉｌａｕｅｎｓｉｅｐｌｄｔａｙｆｌ．ｕｏｈｅｏｒｓｎｃｓｅｓｙｅｉｄ
３ｏｎｌｕｍａｓｔｅ２ｅｔｒｏｎｓｃｒｅｐｎｉｇｒｌｔｎｏｔｈＤｏｎｌｕｆａｌｅｅｄｎＳＤｇｒｈｔｏｖｏｅＤｐｉｔｃｏｄ，ｐｈＤｆａｕｅｐｉｔ’ ｏｓｏｄｎｅａｉｎｏｔｅ３ｐｉｔｃｏｄ；ｎｌｄｐｎｓｏＶａｏｉｍｏｓｌｅｆｒｔｏｉｙｌｔｈ

PCU-Net：基于改进PCN_的点云补全均匀算法

ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００３－３１０６．２０２３．０６．００５引用格式：郎超豪，甘兴利，施浩．ＰＣＵＮｅｔ：基于改进ＰＣＮ的点云补全均匀算法［Ｊ］．无线电工程，２０２３，５３（６）：１２６９－１２７４．［ＬＡＮＧＣｈａｏｈａｏ，ＧＡＮＸｉｎｇｌｉ，ＳＨＩＨａｏ．ＰＣＵＮｅｔ：ＰｏｉｎｔＣｌｏｕｄＣｏｍｐｌｅｔｉｏｎＤｅｎｓｅＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎＩｍｐｒｏｖｅｄＰＣＮ［Ｊ］．ＲａｄｉｏＥｎｇｉｎｅｅｒｉｎｇ，２０２３，５３（６）：１２６９－１２７４．］ＰＣＵＮｅｔ：基于改进ＰＣＮ的点云补全均匀算法郎超豪，甘兴利，施　浩（浙江科技学院信息与电子工程学院，浙江杭州３１００２３）摘　要：激光雷达采集的点云数据往往是稀疏且无序的。

对于需要通过处理三维点云的研究来说，直接处理激光雷达采集的数据容易产生差错，需要对采集的点云进行预处理。

现有算法致力于恢复点云的拓扑结构，忽略了稀疏的点云容易丢失特征信息。

针对上述问题，提出了一个神经网络，可以将原来残缺、稀疏的点云生成为完整、密集、均匀的点云，称为点云补全均匀化网络（ＰｏｉｎｔｓＣｏｍｐｌｅｔｉｏｎＵｎｉｆｏｒｍＮｅｔ，ＰＣＵＮｅｔ）。

该网络基于点云补全网络（ＰｏｉｎｔＣｏｍｐｌｅｔｉｏｎＮｅｔｗｏｒｋ，ＰＣＮ）引入了一种能够快速提取全局特征的轻量化结构，并在解码器中补全和稠密化点云。

还提出了一种精炼器模块，从输入中保留原始细节，通过最远点采样（ＦａｒｔｈｅｓｔＰｏｉｎｔＳａｍｐｌｉｎｇ，ＦＰＳ）和点特征残差网络均匀化点云。

在开源数据集Ｖｉｓｉｏｎａｉｒ上通过实验对比，该算法在点云补全上较目前主流补全算法有所提升，并在点云均匀化和稠密化上取得良好的效果。

关键词：三维点云；稠密算法；补全算法；点云均匀化中图分类号：ＴＰ３９１文献标志码：Ａ开放科学（资源服务）标识码（ＯＳＩＤ）：文章编号：１００３－３１０６（２０２３）０６－１２６９－０６ＰＣＵＮｅｔ：ＰｏｉｎｔＣｌｏｕｄＣｏｍｐｌｅｔｉｏｎＤｅｎｓｅＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎＩｍｐｒｏｖｅｄＰＣＮＬＡＮＧＣｈａｏｈａｏ，ＧＡＮＸｉｎｇｌｉ，ＳＨＩＨａｏ（ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎａｎｄＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇ，ＺｈｅｊｉａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｈａｎｇｚｈｏｕ３１００２３，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｅｐｏｉｎｔｃｌｏｕｄｄａｔａｃｏｌｌｅｃｔｅｄｂｙｌｉｄａｒｉｓｏｆｔｅｎｓｐａｒｓｅａｎｄｄｉｓｏｒｄｅｒｅｄ．Ｆｏｒｔｈｅｒｅｓｅａｒｃｈｔｈａｔｎｅｅｄｓｔｏｐｒｏｃｅｓｓｔｈｒｅｅｄｉｍｅｎｓｉｏｎａｌｐｏｉｎｔｃｌｏｕｄｓ，ｉｔｉｓｔｏｍａｋｅｍｉｓｔａｋｅｓｂｙｄｉｒｅｃｔｌｙｐｒｏｃｅｓｓｉｎｇｔｈｅｄａｔａｃｏｌｌｅｃｔｅｄｂｙｌｉｄａｒ，ｓｏｉｔｉｓｎｅｃｅｓｓａｒｙｔｏｐｒｅｐｒｏｃｅｓｓｔｈｅｃｏｌｌｅｃｔｅｄｐｏｉｎｔｃｌｏｕｄｓ．Ｔｈｅｅｘｉｓｔｉｎｇａｌｇｏｒｉｔｈｍｓｆｏｃｕｓｏｎｒｅｓｔｏｒｉｎｇｔｈｅｔｏｐｏｌｏｇｙｏｆｐｏｉｎｔｃｌｏｕｄｓ，ｗｈｉｌｅｉｇｎｏｒｉｎｇｔｈａｔｓｐａｒｓｅｐｏｉｎｔｃｌｏｕｄｓａｒｅｐｒｏｎｅｔｏｌｏｓｅｆｅａｔｕｒｅｉｎｆｏｒｍａｔｉｏｎ．Ｔｏｓｏｌｖｅｔｈｅａｂｏｖｅｐｒｏｂｌｅｍｓ，ａｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｐｒｏｐｏｓｅｄ，ｗｈｉｃｈｃａｎｇｅｎｅｒａｔｅａｃｏｍｐｌｅｔｅ，ｄｅｎｓｅａｎｄｕｎｉｆｏｒｍｐｏｉｎｔｃｌｏｕｄｗｈｉｃｈｃａｌｌｅｄＰｏｉｎｔｓＣｏｍｐｌｅｔｉｏｎＵｎｉｆｏｒｍＮｅｔ（ＰＣＵＮｅｔ）ｂｙｕｓｉｎｇｔｈｅｏｒｉｇｉｎａｌｉｎｃｏｍｐｌｅｔｅａｎｄｓｐａｒｓｅｐｏｉｎｔｃｌｏｕｄ．Ｉｎｔｈｉｓｎｅｔｗｏｒｋ，ｂａｓｅｄｏｎＰｏｉｎｔＣｏｍｐｌｅｔｉｏｎＮｅｔｗｏｒｋ（ＰＣＮ），ａｌｉｇｈｔｗｅｉｇｈｔｓｔｒｕｃｔｕｒｅｉｓｉｎｔｒｏｄｕｃｅｄｔｏｅｘｔｒａｃｔｇｌｏｂａｌｆｅａｔｕｒｅｓｑｕｉｃｋｌｙａｎｄｃｏｍｐｌｅｔｅａｎｄｄｅｎｓｉｆｙｔｈｅｐｏｉｎｔｃｌｏｕｄｉｎｔｈｅｄｅｃｏｄｅｒ．Ｉｎａｄｄｉｔｉｏｎ，ａｒｅｆｉｎｅｒｍｏｄｕｌｅｉｓｐｒｏｐｏｓｅｄ，ｗｈｉｃｈｐｒｅｓｅｒｖｅｓｔｈｅｏｒｉｇｉｎａｌｄｅｔａｉｌｓｆｒｏｍｔｈｅｉｎｐｕｔａｎｄｕｎｉｆｉｅｓｔｈｅｐｏｉｎｔｃｌｏｕｄｔｈｒｏｕｇｈｔｈｅｆａｒｔｈｅｓｔｐｏｉｎｔｓａｍｐｌｉｎｇａｎｄｔｈｅｐｏｉｎｔｆｅａｔｕｒｅｒｅｓｉｄｕａｌｎｅｔｗｏｒｋ．ＴｈｒｏｕｇｈｅｘｐｅｒｉｍｅｎｔａｌｃｏｍｐａｒｉｓｏｎｏｎＶｉｓｉｏｎａｉｒｏｐｅｎｓｏｕｒｃｅｄａｔａｓｅｔ，ｔｈｅｐｏｉｎｔｃｌｏｕｄｃｏｍｐｌｅｔｉｏｎｉｓｉｍｐｒｏｖｅｄｂｙｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｃｕｒｒｅｎｔｍａｉｎｓｔｒｅａｍｃｏｍｐｌｅｔｉｏｎａｌｇｏｒｉｔｈｍ，ａｎｄｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｃａｎａｃｈｉｅｖｅｇｏｏｄｒｅｓｕｌｔｓｉｎｐｏｉｎｔｃｌｏｕｄｈｏｍｏｇｅｎｉｚａｔｉｏｎａｎｄｄｅｎｓｉｆｉｃａｔｉｏｎ．Ｋｅｙｗｏｒｄｓ：３Ｄｐｏｉｎｔｃｌｏｕｄ；ｄｅｎｓｅａｌｇｏｒｉｔｈｍ；ｃｏｍｐｌｅｔｉｏｎａｌｇｏｒｉｔｈｍ；ｐｏｉｎｔｃｌｏｕｄｈｏｍｏｇｅｎｉｚａｔｉｏｎ收稿日期：２０２２－１２－１５基金项目：国家自然科学基金（６２１０１０８８）ＦｏｕｎｄａｔｉｏｎＩｔｅｍ：ＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（６２１０１０８８）０　引言三维点云处理广泛应用于路径规划、自动驾驶等领域。

结合改进FPFH的Super-4PCS点云配准方法

结合改进FPFH的Super-4PCS点云配准方法
曾伟;杨涛;喻翌
【期刊名称】《现代雷达》
【年(卷),期】2024(46)4
【摘要】针对超四点快速鲁棒匹配算法(Super-4PCS)粗匹配过程计算复杂度较高,配准时间长等问题,提出一种结合改进快速点特征直方图(FPFH)的Super-4PCS粗配准算法。

通过主成分分析法(PCA)从快速点特征直方图中筛选出能代表点云特征信息的特征点,并将筛选出的特征点云作为输入数据进行Super-4PCS粗配准,由Super-4PCS粗配准得到初始变换矩阵,再进一步进行最近点迭代算法(ICP)精配准。

为了验证在不同密度点云下的匹配效率,分别使用Bunny、Dragon两种不同密度
的点云数据集进行配准实验,在满足精配准精度的基础上,对比FPFH-SAC和
Super-4PCS粗配准方法,粗配准速率分别提升了72%和58%,总体配准速率分别
提升了43%和32%。

【总页数】6页(P54-59)
【作者】曾伟;杨涛;喻翌
【作者单位】西南科技大学信息工程学院;特殊环境机器人技术四川重点实验室【正文语种】中文
【中图分类】TN957.52
【相关文献】
1.改进的基于FPFH特征配准点云的方法
2.基于FPFH特征的ICP点云配准的改进算法
3.基于FPFH-ICP的三维工件点云配准方法研究
4.利用曲率过滤特征点改进FPFH+ICP点云配准
5.基于改进FPFH-ICP的车载激光雷达点云配准方法
因版权原因，仅展示原文概要，查看原文内容请购买。

基于改进PV-RCNN++算法的三维点云聚焦式特征研究

第１３卷㊀第１２期Ｖｏｌ．１３Ｎｏ．１２㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年１２月㊀Ｄｅｃ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）１２－００１９－０４中图分类号：ＴＰ３９１．４文献标志码：Ａ基于改进ＰＶ－ＲＣＮＮ＋＋算法的三维点云聚焦式特征研究段界余，宁㊀媛，黎玉成（贵州大学电气工程学院，贵阳５５００２５）摘㊀要：为增强ＲｏＩ网格局部特征的表征能力㊁加强细节特征的表达效果，以进一步提高点云语义分割精度，针对ＰＶ－ＲＣＮＮ＋＋网络采用的ＲｏＩ网格池化模块进行了研究㊂在ＰＶ－ＲＣＮＮ＋＋网络中，ＲｏＩ网格池化模块只是将网格点周围的体素特征进行简单的空间位置排序，导致局部特征表达效果欠佳㊂为加强ＲｏＩ网格池化模块对局部特征的表征能力，引入ＣＢＡＭ注意力机制，从通道和空间两个作用域出发，一方面处理特征集通道的分配关系，另一方面可使神经网络更加关注特征集中对分类起决定性作用的体素区域，以强化重要信息在网络的有效传递并提高点云语义分割结果的鲁棒性㊂对自动驾驶领域公开数据集Ｋｉｔｔｉ的语义分割实验表明，所提出的改进ＰＶ－ＲＣＮＮ＋＋的聚焦式特征的算法训练出的模型，较基准模型提升效果显著，有效增强了ＲｏＩ网格池化模块对局部特征的表征能力，强化了细节特征的表达效果，提高了点云语义分割精度㊂关键词：激光雷达；深度学习；卷积神经网络；ＰＶ－ＲＣＮＮ＋＋；ＣＢＡＭ注意力机制Ｒｅｓｅａｒｃｈｏｎ３ＤｐｏｉｎｔｃｌｏｕｄｆｏｃｕｓｉｎｇｆｅａｔｕｒｅｓｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＰＶ－ＲＣＮＮ＋＋ａｌｇｏｒｉｔｈｍＤＵＡＮＪｉｅｙｕ，ＮＩＮＧＹｕａｎ，ＬＩＹｕｃｈｅｎｇ（ＣｏｌｌｅｇｅｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＧｕｉｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，Ｇｕｉｙａｎｇ５５００２５，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ＩｎｏｒｄｅｒｔｏｅｎｈａｎｃｅｔｈｅｒｅｐｒｅｓｅｎｔａｔｉｏｎａｂｉｌｉｔｙｏｆｌｏｃａｌｆｅａｔｕｒｅｓｏｆＲｏＩｇｒｉｄ，ｅｎｈａｎｃｅｔｈｅｅｘｐｒｅｓｓｉｏｎｅｆｆｅｃｔｏｆｄｅｔａｉｌｅｄｆｅａｔｕｒｅｓ，ａｎｄｆｕｒｔｈｅｒｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｃｌｏｕｄｓｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎ，ｔｈｅＲｏＩｇｒｉｄｐｏｏｌｉｎｇｍｏｄｕｌｅｕｓｅｄｉｎＰＶ－ＲＣＮＮ＋＋ｎｅｔｗｏｒｋｗａｓｓｔｕｄｉｅｄ．ＩｎＰＶ－ＲＣＮＮ＋＋ｎｅｔｗｏｒｋ，ＲｏＩｇｒｉｄｐｏｏｌｉｎｇｍｏｄｕｌｅｏｎｌｙｐｅｒｆｏｒｍｓｓｉｍｐｌｅｓｐａｔｉａｌｐｏｓｉｔｉｏｎｏｒｄｅｒｉｎｇｏｆｖｏｘｅｌｆｅａｔｕｒｅｓａｒｏｕｎｄｇｒｉｄｐｏｉｎｔｓ，ｒｅｓｕｌｔｉｎｇｉｎｐｏｏｒｌｏｃａｌｆｅａｔｕｒｅｅｘｐｒｅｓｓｉｏｎｅｆｆｅｃｔ．ＩｎｏｒｄｅｒｔｏｅｎｈａｎｃｅｔｈｅｒｅｐｒｅｓｅｎｔａｔｉｏｎａｂｉｌｉｔｙｏｆＲｏＩｇｒｉｄｐｏｏｌｉｎｇｍｏｄｕｌｅｆｏｒｌｏｃａｌｆｅａｔｕｒｅｓ，ＣＢＡＭａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｗａｓｉｎｔｒｏｄｕｃｅｄ．ＴｈｅＣＢＡＭａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｓｔａｒｔｓｆｒｏｍｔｗｏｄｏｍａｉｎｓｏｆｃｈａｎｎｅｌａｎｄｓｐａｃｅ．Ｏｎｔｈｅｏｎｅｈａｎｄ，ｉｔｄｅａｌｓｗｉｔｈｔｈｅｄｉｓｔｒｉｂｕｔｉｏｎｒｅｌａｔｉｏｎｓｈｉｐｏｆｆｅａｔｕｒｅｓｅｔｃｈａｎｎｅｌｓ；ｏｎｔｈｅｏｔｈｅｒｈａｎｄ，ｉｔｅｎａｂｌｅｓｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｔｏｐａｙｍｏｒｅａｔｔｅｎｔｉｏｎｔｏｔｈｅｖｏｘｅｌｒｅｇｉｏｎｗｈｅｒｅｆｅａｔｕｒｅｓｅｔｐｌａｙｓａｄｅｃｉｓｉｖｅｒｏｌｅｉｎｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｓｏａｓｔｏｅｎｈａｎｃｅｔｈｅｅｆｆｅｃｔｉｖｅｔｒａｎｓｍｉｓｓｉｏｎｏｆｉｍｐｏｒｔａｎｔｉｎｆｏｒｍａｔｉｏｎｉｎｔｈｅｎｅｔｗｏｒｋａｎｄｉｍｐｒｏｖｅｔｈｅｒｏｂｕｓｔｎｅｓｓｏｆｔｈｅｓｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎｒｅｓｕｌｔｓｏｆｔｈｅｈｉｇｈｐｏｉｎｔｃｌｏｕｄ．ＳｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎｅｘｐｅｒｉｍｅｎｔｓｏｎＫｉｔｔｉ，ａｎｏｐｅｎｄａｔａｓｅｔｉｎｔｈｅｆｉｅｌｄｏｆａｕｔｏｍａｔｉｃｄｒｉｖｉｎｇ，ｓｈｏｗｔｈａｔｔｈｅｍｏｄｅｌｔｒａｉｎｅｄｂｙｔｈｅｐｒｏｐｏｓｅｄｉｍｐｒｏｖｅｄＰＶ－ＲＣＮＮ＋＋ｆｏｃｕｓｉｎｇｆｅａｔｕｒｅａｌｇｏｒｉｔｈｍｈａｓａｓｉｇｎｉｆｉｃａｎｔｉｍｐｒｏｖｅｍｅｎｔｅｆｆｅｃｔｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｂｅｎｃｈｍａｒｋｍｏｄｅｌ，ｗｈｉｃｈｅｆｆｅｃｔｉｖｅｌｙｅｎｈａｎｃｅｓｔｈｅｒｅｐｒｅｓｅｎｔａｔｉｏｎａｂｉｌｉｔｙｏｆＲｏＩｇｒｉｄｐｏｏｌｍｏｄｕｌｅｆｏｒｌｏｃａｌｆｅａｔｕｒｅｓ，ｓｔｒｅｎｇｔｈｅｎｓｔｈｅｅｘｐｒｅｓｓｉｏｎｅｆｆｅｃｔｏｆｄｅｔａｉｌｅｄｆｅａｔｕｒｅｓ，ａｎｄｉｍｐｒｏｖｅｓｔｈｅｓｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎａｃｃｕｒａｃｙｏｆｐｏｉｎｔｃｌｏｕｄ．Ｋｅｙｗｏｒｄｓ：Ｌｉｄａｒ；ｄｅｅｐｌｅａｒｎｉｎｇ；ＣＮＮ；ＰＶ－ＲＣＮＮ＋＋；ＣＢＡＭ－ａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ基金项目：国家自然科学基金（６１６６３００５）㊂作者简介：段界余（１９９７－），男，硕士研究生，主要研究方向：计算机视觉㊁三维点云处理㊂通讯作者：宁㊀媛（１９６８－），女，硕士，教授，硕士生导师，主要研究方向：检测技术与自动化装置㊁人工智能㊂Ｅｍａｉｌ：ｅｅ．ｙｎｉｎｇ＠ｇｚｕ．ｅｄｕ．ｃｎ收稿日期：２０２２－１１－２９０㊀引㊀言近年来，深度传感器技术快速发展，其中激光雷达设备获取３Ｄ点云数据的质量和效率不断提升，被广泛应用于自动驾驶㊁智能交通系统㊁机器人等领域和行业㊂迄今为止，以卷积神经网络（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＣＮＮ）为代表的深度学习技术已在图像分割㊁分类识别等多类视觉任务中大获成功［１］㊂与２Ｄ图像不同，３Ｄ点云不规则㊁非均匀和无序性的数据特点，使快速㊁精确的点云语义分割处理成为一项极具挑战性的任务㊂设计针对大规模㊁复杂场景３Ｄ点云的语义分割网络模型，成为当前研究重点［２］㊂目前，为了从稀疏和不规则的点云中学习识别特征，然后对学习到的特征进行点云语义分割，出现了两种主流的语义分割方法，主要分为直接点云语义分割和间接点云语义分割㊂间接的点云语义分割方法，主要是基于２Ｄ投影的多视图卷积神经网络（Ｍｕｌｔｉ－ＶｉｅｗＣＮＮ，ＭＶＣＮＮ）［３］和基于３Ｄ体素的ＶｏｘＮｅｔ［４］㊂Ｓｕ等［３］提出，先获取点云数据在不同视角下的２Ｄ投影图像，再利用传统ＣＮＮ提取投影图像特征，并通过池化层㊁全连接层聚合不同投影图像特征，得到最终语义分割结果㊂与多视角融合图像特征相比，体积离散意义下的点云体素化处理较好地维护了其数据内在几何关系㊂以Ｍａｔｕｒａｎａ等［４］提出的ＶｏｘＮｅｔ为代表的３ＤＣＮＮ，可以充分学习３Ｄ空间上下文信息用于场景分割㊂直接的点云语义分割方法，对原始的点云数据直接进行卷积神经网络操作，通过学习全局特征来进行点级的语义分割㊂Ｑｉ等［５］构建的ＰｏｉｎｔＮｅｔ成功解决了点云无序性㊁置换不变性等问题，但每个点的操作过于独立，不能很好的捕捉局部特征㊂针对这一问题，Ｑｉ等［６］在ＰｏｉｎｔＮｅｔ的基础上结合分层结构㊁最远距离点采样，提出通过融合不同层次区域特征，来捕获不同空间感知域的点云上下文信息的ＰｏｉｎｔＮｅｔ＋＋㊂为实现更高效㊁更准确的三维目标检测，Ｓｈａｏｓｈｕａｉ等［７］先将输入的原始点通过３Ｄ体素ＣＮＮ划分为分辨率为ＬˑＨˑＷ的小体素，再利用一系列的３ˑ３ˑ３的三维稀疏卷积，将点云转化为下采样大小为１ˑ㊁２ˑ㊁４ˑ㊁８ˑ的特征集，之后再转换为２Ｄ鸟瞰图以生成３Ｄ建议框㊂但是，体素量过大会导致内存不足，实际应用中计算效率低下㊂为了解决这个问题，Ｓｈａｏｓｈｕａｉ等［８］将不同层级的体素编码为少量的关键点特征，然后将关键点特征聚合到ＲＯＩ网格中，用于进一步的置信度预测和包围盒回归㊂在此基础上又提出ＰＶ－ＲＣＮＮ＋＋框架，引入两个新模块来提高ＰＶ－ＲＣＮＮ框架的准确性和效率㊂一个是以建议框为中心的扇区并行计算的关键点采样算法，另一个是ＲｏＩ网格池化聚合模块，用于从大规模的点云中聚合有效的局部特征㊂为更好地学习点云的细粒度局部特征，在ＰＶ－ＲＣＮＮ＋＋网络的基础上，本文将ＣＢＡＭ注意力机制嵌入到ＲｏＩ网格池化模块，通过调试和优化模型参数，可构建出改进的ＰＶ－ＲＣＮＮ＋＋算法，不仅增强了信息在网络间的有效传递，也得到了细粒度更饱满的局部特征㊂１㊀ＰＶ－ＲＣＮＮ＋＋目标检测算法ＰＶ－ＲＣＮＮ＋＋目标检测算法主要由两部分组成：第一部分为体素到关键点的场景特征编码㊂先通过带有扇区并行计算结构的，并以建议框为中心扩展半径区域内的最远距离点采样（ＳｅｃｔｏｒｉｚｅｄＰｒｏｐｏｓａｌ－ＣｅｎｔｒｉｃＦａｒｔｈｅｓｔＰｏｉｎｔＳａｍｐｌｉｎｇ，ＳＰＣ－ＦＰＳ）算法，从原始输入点云Ｐ中采样少量关键点Ｋ＝｛ｐ１，，ｐｎ｝，其中ｎ为超参数（本文ｎ＝２０４８）；再通过体素集抽象模块（ＶｏｘｅｌＳｅｔＡｂｓｔｒａｃｔ，ＶＳＡ）编码，从３Ｄ体素ＣＮＮ到关键点的多尺度语义特征，即ｆｉ（ｐｖ）＝［ｆｉ（ｐｖ１），ｆｉ（ｐｖ２），ｆｉ（ｐｖ３），ｆｉ（ｐｖ４）］，ｉ＝１，，ｎ（１）㊀㊀其中，ｐｖ１㊁ｐｖ２㊁ｐｖ３㊁ｐｖ４分别表示不同层级的神经网络㊂第二部分为关键点到网格点的ＲｏＩ网格池化模块㊂首先在每个由２Ｄ鸟瞰特征图生成的３Ｄ建议框中，统一采样６ˑ６ˑ６个网格点，记为Ｇ＝｛ｇ１，，ｇ２１６｝；再在网格点周围设置３ˑ３ˑ３的小体素；采用３个最近关键点特征插值的方法，可以得到体素局部特征㊂计算公式为ｆ（ｖ）ｉｘ，ｉｙ，ｉｚ＝ð３ｊ＝１（ωσ（ｊ）ｆσ（ｊ））ð３ｊ＝１ωσ（ｊ）（２）㊀㊀其中，ωσ（ｊ）＝（ｐσ（ｊ）－ｖｉｘ，ｉｙ，ｉｚ）－１，ｖｉｘ，ｉｙ，ｉｚ为该体素的中心位置㊂考虑到不同局部体素的特征存在较大的差异性，对这些体素局部使用不同的局部内核权重进行编码，公式为Ｕ＾（ｉｘ，ｉｙ，ｉｚ）＝Ｅ（ｒɡｉｘ，ｉｙ，ｉｚ，ｆ（ｖ）ｉｘ，ｉｙ，ｉｚ）ˑＷｖ（３）㊀㊀其中，Ｕ＾（ｉｘ，ｉｙ，ｉｚ）ɪＲＣｒ２，ｒ＾ｉｘ，ｉｙ，ｉｚɪＲ（３ˑ３）为３个最邻近关键点的相对位置，Ｅ（）是融合相对位置和特征的拼接操作，ＷｖɪＲ（９＋Ｃｒ１）ˑＣｒ２是对局部体素进行特征编码的可学习核权值矩阵，不同位置的局部体素的核权值不同㊂最后网格点周围的这些局部体素特征将通过一个多层感知机（ＭＬＰ）进行聚合，得到Ｃｏｕｔ特征通道的网格点特征用于后续处理㊂２㊀ＣＢＡＭ注意力机制为了更好地学习点云的细粒度局部特征，在ＰＶ－ＲＣＮＮ＋＋目标检测框架中引入注意力机制，通过忽略无关信息㊁关注重点信息，进一步提升语义分０２智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀割精度㊂不同于ＳＥＮｅｔ［９］（Ｓｑｕｅｅｚｅ－ａｎｄ－ＥｘｃｉｔａｔｉｏｎＮｅｔｗｏｒｋｓ）和ＥＣＡＮｅｔ［１０］（ＥｆｆｉｃｉｅｎｔＣｈａｎｎｅｌＡｔｔｅｎｔｉｏｎＮｅｔｗｏｒｋｓ），ＣＢＡＭ［１１］（ＣｏｎｖｏｌｕｔｉｏｎａｌＢｌｏｃｋＡｔｔｅｎｔｉｏｎＭｏｄｕｌｅ）注意力机制从通道和空间两个维度出发，实现从通道到空间的顺序注意力结构㊂通道注意力机制模块用于处理特征集通道的分配关系，空间注意力机制模块可以使神经网络更加关注点云中对分类起决定作用的体素区域而忽略无关紧要的区域㊂ＣＢＡＭ中的通道注意力机制模块首先通过平均池化和最大池化操作聚合特征集的空间信息，生成两个富含上下文信息的特征矢量Ｆｃａｖｇ和Ｆｃｍａｘ，再经过一个共享的多层感知机（ＭＬＰ），得到通道注意力映射ＭｃɪＲＣˑ１ˑ１ˑ１，公式为Ｍｃ（Ｆ）＝σ（ＭＬＰ（Ｆｃａｖｇ）＋ＭＬＰ（Ｆｃｍａｘ））（４）㊀㊀其中，σ表示ｓｉｇｍｏｉｄ函数㊂ＣＢＡＭ中的空间注意力机制模块首先沿通道轴通过平均池化和最大池化操作聚合特征集的通道信息，生成两个３Ｄ的特征集ＦｓａｖｇɪＲ１ˑＬˑＷˑＨ和ＦｓｍａｘɪＲ１ˑＬˑＷˑＨ（本文Ｌ㊁Ｗ㊁Ｈ均设置为３），再经过一个３ˑ３ˑ３的卷积核操作，生成三维空间注意力映射Ｍｓ（Ｆ）ɪＲ１ˑＬˑＷˑＨ，公式为Ｍｓ（Ｆ）＝σ（ｆ３ˑ３ˑ３（［Ｆｓａｖｇ；Ｆｓｍａｘ］））（５）㊀㊀其中，σ表示ｓｉｇｍｏｉｄ函数㊂３㊀改进的ＰＶ－ＲＣＮＮ＋＋目标检测算法改进的ＰＶ－ＲＣＮＮ＋＋目标检测算法如图１所示㊂卷积操作最大池化，平均池化空间注意力模块FFFF ′M cM sF ′F ″M s通道注意力模块F ′M cF最大池化平均池化M L P图１㊀嵌入ＣＢＡＭ注意力机制的改进ＰＶ－ＲＣＮＮ＋＋Ｆｉｇ．１㊀ＩｍｐｒｏｖｅｄＰＶ－ＲＣＮＮ＋＋ｗｉｔｈＣＢＡＭ㊀㊀改进的方法是在网格点周围的局部体素特征被编码后，加入ＣＢＡＭ注意力机制模块㊂在前向网络训练过程中，添加ＣＢＡＭ模块，会在通道和空间双维度上得到局部体素的聚焦式特征，相较于其他注意力机制只在单通道或单空间上聚焦，此改进方提高了网格点周围局部体素的细节特征提取效率和点云的分割精度㊂４㊀实验与分析４．１㊀数据集准备和平台搭建Ｋｉｔｔｉ［１２］数据集是目前自动驾驶视觉算法领域应用最广泛的数据集，为度量和测试算法性能提供了可靠的评估基准㊂实验所采用的数据集样本数量共有１５０００个，其中包括７４８２个训练样本数据和７５１８个测试样本数据㊂实验使用的开发平台为Ｕｂｕｎｔｕ１８．０４，内核是Ｌｉｎｕｘ，平台配置参数见表１㊂表１㊀实验平台参数Ｔａｂｌｅ１㊀Ｅｘｐｅｒｉｍｅｎｔａｌｐｌａｔｆｏｒｍｐａｒａｍｅｔｅｒｓ软硬件版本或型号操作系统Ｕｂｕｎｔｕ１８．０４ＣＰＵｉ７－１２８００ＨＸＧＰＵＧＴＸ３０８０Ｔｉ内存３２ＧＢＣＵＤＡ１１．４．０Ｔｏｒｃｈ１．１０．０Ｔｏｒｃｈｖｉｓｉｏｎ０．１１．０Ｐｙｔｈｏｎ３．７４．２㊀实验结果分析训练得到Ｃ－ＰＶ－ＲＣＮＮ＋＋的模型后，在Ｋｉｔｔｉ测１２第１２期段界余，等：基于改进ＰＶ－ＲＣＮＮ＋＋算法的三维点云聚焦式特征研究试集上对模型进行了评估，其中汽车的ＩｏＵ阈值设置为０．７，以４０个召回位置的平均精度作为评估结果，不同模型对不同难度目标的ｍＡＰ（％）对比结果详见表２㊂其中，简单㊁中等㊁困难分别对应目标完全可见㊁部分遮挡㊁大部分遮挡㊂表２㊀不同模型对不同难度汽车的准确率对比Ｔａｂｌｅ２㊀Ｃｏｍｐａｒｉｓｏｎｏｆａｃｃｕｒａｃｙｏｆｄｉｆｆｅｒｅｎｔｍｏｄｅｌｓｆｏｒｃａｒｓｏｆｄｉｆｆｅｒｅｎｔｄｉｆｆｉｃｕｌｔｙ％模型简单中等困难ＰｏｉｎｔＰｉｌｌａｒｓ［１３］８２．５８７４．３１６８．９９ＰｏｉｎｔＲＣＮＮ［１４］８６．９６７５．６４７０．７０ＰＶ－ＲＣＮＮ［７］９０．２５８１．４３７６．８２ＰＶ－ＲＣＮＮ＋＋［８］９０．１４８１．８８７７．１５Ｃ－ＰＶ－ＲＣＮＮ＋＋９０．１５８１．９８７７．４０㊀㊀实验结果表明，嵌入ＣＢＡＭ注意力机制的ＰＶ－ＲＣＮＮ＋＋算法，面对中等㊁困难的汽车的识别精度得到了有效的提升，证明本文改进的关于局部体素的聚焦式特征，在识别中等㊁困难目标时提升效果显著㊂５㊀结束语自动驾驶是未来道路交通发展的必然趋势，运用更高精度的目标检测算法，将大大保证汽车道路行驶的安全性，减少交通事故的发生频次㊂改进的ＰＶ－ＲＣＮＮ＋＋检测算法通过在ＲｏＩ网格池化模块嵌入ＣＢＡＭ注意力机制，确保网格点周围的重要信息可以有效传递，模型检测精度得到了有效的提升㊂参考文献［１］ＳＨＥＬＨＡＭＥＲＥ，ＬＯＮＧＪ，ＤＡＲＲＥＬＬＴ．Ｆｕｌｌｙｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋｓｆｏｒｓｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２０１５，３９（４）：６４０－６５１．［２］ＧＵＯＹＬ，ＷＡＮＧＨＹ，ＨＵＱＹ，ｅｔａｌ．Ｄｅｅｐｌｅａｒｎｉｎｇｆｏｒ３Ｄｐｏｉｎｔｃｌｏｕｄｓ：ａｓｕｒｖｅｙ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２０２１，４３（１２）：４３３８－４３６４［３］ＳＵＨ，ＭＡＪＩＳ，ＫＡＬＯＧＥＲＡＫＩＳＥ，ｅｔａｌ．Ｍｕｌｔｉ－ｖｉｅｗｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｆｏｒ３Ｄｓｈａｐｅｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ．ＬｏｓＡｌａｍｉｔｏｓ：ＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅｔｙＰｒｅｓｓ，２０１５：９４５－９５３［４］ＭＡＴＵＲＡＮＡＤ，ＳＣＨＥＲＥＲＳ．ＶｏｘＮｅｔ：ａ３Ｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒｒｅａｌ－ｔｉｍｅｏｂｊｅｃｔｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥ／ＲＳＪＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｎｔｅｌｌｉｇｅｎｔＲｏｂｏｔｓａｎｄＳｙｓｔｅｍｓ．ＬｏｓＡｌａｍｉｔｏｓ：ＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅｔｙＰｒｅｓｓ，２０１５：９２２－９２８［５］ＱＩＣＲ，ＳＵＨ，ＭＯＫ，ｅｔａｌ．ＰｏｉｎｔＮｅｔ：ｄｅｅｐｌｅａｒｎｉｎｇｏｎｐｏｉｎｔｓｅｔｓｆｏｒ３Ｄｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｓｅｇｍｅｎｔａｔｉｏｎ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．ＬｏｓＡｌａｍｉｔｏｓ：ＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅｔｙＰｒｅｓｓ，２０１７：７７－８５［６］ＱＩＣＲ，ＹＩＬ，ＳＵＨ，ｅｔａｌ．ＰｏｉｎｔＮｅｔ＋＋：ｄｅｅｐｈｉｅｒａｒｃｈｉｃａｌｆｅａｔｕｒｅｌｅａｒｎｉｎｇｏｎｐｏｉｎｔｓｅｔｓｉｎａｍｅｔｒｉｃｓｐａｃｅ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２４ｔｈＡｎｎｕａｌＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓ．Ｃａｍｂｒｉｄｇｅ：ＭＩＴＰｒｅｓｓ，２０１７：５０９９－５１０８．［７］ＳＨＩＳ，ＧＵＯＣ，ＪＩＡＮＧＬ，ｅｔａｌ．Ｐｖ－ｒｃｎｎ：Ｐｏｉｎｔ－ｖｏｘｅｌｆｅａｔｕｒｅｓｅｔａｂｓｔｒａｃｔｉｏｎｆｏｒ３ｄｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥ／ＣＶＦＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．２０２０：１０５２９－１０５３８．［８］ＳＨＩＳ，ＪＩＡＮＧＬ，ＤＥＮＧＪ，ｅｔａｌ．ＰＶ－ＲＣＮＮ＋＋：Ｐｏｉｎｔ－ｖｏｘｅｌｆｅａｔｕｒｅｓｅｔａｂｓｔｒａｃｔｉｏｎｗｉｔｈｌｏｃａｌｖｅｃｔｏｒｒｅｐｒｅｓｅｎｔａｔｉｏｎｆｏｒ３Ｄｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，２０２３，１３１（２）：５３１－５５１．［９］ＨＵＪ，ＳＨＥＮＬ，ＳＵＮＧ．Ｓｑｕｅｅｚｅ－ａｎｄ－ｅｘｃｉｔａｔｉｏｎｎｅｔｗｏｒｋｓ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．２０１８：７１３２－７１４１．［１０］ＷＡＮＧＱ，ＷＵＢ，ＺＨＵＰ，ｅｔａｌ．ＥＣＡ－Ｎｅｔ：Ｅｆｆｉｃｉｅｎｔｃｈａｎｎｅｌａｔｔｅｎｔｉｏｎｆｏｒｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥ／ＣＶＦＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．２０２０：１１５３４－１１５４２．［１１］ＷＯＯＳ，ＰＡＲＫＪ，ＬＥＥＪＹ，ｅｔａｌ．Ｃｂａｍ：Ｃｏｎｖｏｌｕｔｉｏｎａｌｂｌｏｃｋａｔｔｅｎｔｉｏｎｍｏｄｕｌｅ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ（ＥＣＣＶ）．２０１８：３－１９．［１２］ＧＥＩＧＥＲＡ，ＬＥＮＺＰ，ＵＲＴＡＳＵＮＲ．Ａｒｅｗｅｒｅａｄｙｆｏｒａｕｔｏｎｏｍｏｕｓｄｒｉｖｉｎｇ？ｔｈｅｋｉｔｔｉｖｉｓｉｏｎｂｅｎｃｈｍａｒｋｓｕｉｔｅ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２０１２ＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．ＩＥＥＥ，２０１２：３３５４－３３６１．［１３］ＬＡＮＧＡＨ，ＶＯＲＡＳ，ＣＡＥＳＡＲＨ，ｅｔａｌ．Ｐｏｉｎｔｐｉｌｌａｒｓ：Ｆａｓｔｅｎｃｏｄｅｒｓｆｏｒｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎｆｒｏｍｐｏｉｎｔｃｌｏｕｄｓ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥ／ＣＶＦＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．２０１９：１２６９７－１２７０５．［１４］ＳＨＩＳ，ＷＡＮＧＸ，ＬＩＨ．Ｐｏｉｎｔｒｃｎｎ：３ｄｏｂｊｅｃｔｐｒｏｐｏｓａｌｇｅｎｅｒａｔｉｏｎａｎｄｄｅｔｅｃｔｉｏｎｆｒｏｍｐｏｉｎｔｃｌｏｕｄ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥ／ＣＶＦＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．２０１９：７７０－７７９．２２智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｐｉｔａｋｐｏｃｅｅｄｓｎｔｎｐｉｔｌｕｆｈＤｉａｅｐａｅａｄｔｅｒａｄｐｏｃｄｔｅｓｕｃｏｔｏｔｅｏｃｒｅｔｔｔｅｔａｏｏｎｃｏｄｏｔ２ｇｌｎ，ｎｈｎｆｗｒ—ｒｅｔｏｒｅｐｉｈｎｂｊｄｏｈｉｉｅｍｏｊｅｈｎｔｄｓｎｔｎｓｒｃ．ｈａｅｏｅａｉｒｔｅｐｏｃｉｓｆｈｒｊｔｄｄｓｎｔｎｔｔｅｎｒａｖｃｒｏｖｒｅｅｔａｉｕａｅＴｅｐｐｒｈｗｄｔｔｔａｖｒｅｔｎｅｐｏｃｅｅｔａｉｏｍｅｔｎｅｇｔｔｉｏｆｓｈｅｉｊｏｏｔｅｉｏｏｈｌｏｃｅｏｈ
（ｃｏｌｆＩｏｍａｉｎＥｇｎｅｉｇＳｕｈｅｔｎｖｎｔＳｉｃＴｃｎｌｇ，ａｙｎｗｕｎ６１１ＣｉａＳｈｏｎｒｔｎｉｒ，ｏｔｗｓＵｉｉｏｃｅｅ＆ｅｈｏｏｙＭｉｎａＳｈａ２００，ｈｎ）ｏｆｏｅｎｅｙｆｎｇ
ｓｉｂｅｆｒｓｎｌｎｉｏｕａｔｃｕｅｇｔｈｅ－ｉｎｉｎｍｅｓｒｍｅｔｙｔｍ．ｉｔｈｅｅｅｃｏｎｌｕａｌｇｕｔｌｏｉｇｅａｄｂｎｃｌｒｓｒｔｒｄｌｈｒｅｄｍｅｓｏａｕｅｎｓａｕｉｔｓｅＦｒｅｒｆｒｎｅｐｉｔｏｄｓｍｐｉｓｔｃｎ
关键词：最近点迭代算法；点云拼接；结构光测量；反求工程
中图分类号：Ｔ３１Ｐ９文献标志码：Ａ文章编号：１０ —６５２１）０３５・３０１３９（０１１ — ９４０
ｄｉ１．９９ｊｉｎ１０－６５２１．００７ｏ：０３６／．ｓ．０１３９．０１１．９ｓ
ＡｂｔａｔＡｃｏｄｎｏｔｅｔａｉｏａＩＰａｇｒｈｉｏｖｒｅｃｐｅｒｔｅｒｇｓａｉｎａｃｒｃａｌｄｔｅｈｅｓｒｃ：ｃｒｉｇｔｈｒｄｔｎｌＣｌｏｔｍｎｃｎｅｇｎｅｓｅｄｏｅｉｔｔｃｕａｙｆｉｏｍｅｔｔｅｄ — ｉｉｈｒｏｅｍａｄｆｔｅｒａ－ｍｅｍｅｓｒｍｅｔｈｓｐｐｒｄｓｒｂｄａｃｕａｅａｄｅｉｉｎｇｒｈｏｏｎｌｕｅｉｔａｉｎｔａｎｓｏｅｔａｕｅｎ，ｔｉａｅｅｃｅｎａｃｒｔｎｆｃｅｔａｏｔｍｆｐｉｔｃｏｄｒｇｓｒｔｈｔｈｌｉｉｌｉｏ
杨英保，刘先勇，杨俊平
（西南科技大学信息工程学院，Ｐｉｒｉｏｅｔｏｔ算法在收敛速度或拼接精度上无法同时满足实时测量要求的问题，Ｃ（ｅｔｅｌｓｐｉ）ｔａｖｃｓｎ
提出了一种适用于单、目结构光三维测量系统的快速且高精度的点云拼接算法。该算法首先将参考视点云上双
的采样点反向投影到目标视点云的２Ｄ成像平面上，然后再将２Ｄ反向投影点正向投影到目标视点云上，示了展
一
种由目标视投影点到采样点法线上的投影直至收敛于线一面交点的迭代过程。实际测量结果表明，算法在该
保证拼接精度的同时显著提高了收敛速度，一种具有很高实用价值的拼接算法。是
Ｐｉｔｌｕｓｅｉｒｔｎａｇｒｈｂｓｄｏｒｖｒｊｃｉｏｎ— ｏｄｇｓａｉｌｏｉｍａｅｎｉｏｅｐｏｅｔｎｃｒｔｏｔｍｐｏ
ＹＡＮＧｎ－ａ，Ｉａ－ｏｇ，ＹＡＮＧＪｎｐｎＹｉｇｂｏＡＵＸｉｎｙｎｕ —ｉｇ
第２８卷第１０期２１年１０１０月
计算机应用研究
ＡｐｌａｉｎＲｅｅｒｈｏｏｕｅｓｐｉｔｓａｃｆＣｍｐｔｒｃｏ
Ｖ０＿８Ｎｏ１ｌ２．０Ｏｃ．２１ｔ０１
一
种基于改进投影方法的点云拼接算法
ｉｔｒｅｔｎｐｉｔＡｃｕａｕｅｎｅｕｔｈｗｓｔａｈｔｏｏｅｓｒｈｃｕａｙｏｅｉｔａｉｎｗｉｅｃｎｅｇｎｅｎｅｓｃｉｏｎ．ｔａｍｅｓｒｍｅｔｓｌｓｏｔｅｍｅｈｄｔｎｕｅｔｅａｃｒｃｆｇｓｒｔｈｌｔｏｖｒｅｃｏｌｒｈｔｒｏｅｈｒｔｓｓｎｆａｔｒｅａｄｉｉａｈｒｃｉａｆｒｇｓｒｔｎａｇｒｈａｅｉｉｉｃｎｙｐｃｙ，ｎｔｓｉｈｐａｔｌｏｅｉａｉｏｉｍ．ｇｉｌｉｇｃｔｏｌｔＫｅｒｓ：ｉｒｔｅｃｏｅｔｐｉｔｏｎ－ｌｕｓｒｇｓａｉｎｔｃｕｅｌｈａｕｅ；ｒｖｒｅｅｇｎｅｎｙｗｏｄｔａｉｌｓｓｏｎ；ｐｉｔｃｏｄｅｉｔｔ；ｓｕｔｒｉｔｍｅｓｒｅｖｒｏｒｇｅｅｓｎｉｅｒｇｉ