一种注意力机制的点云配准方法与流程

1.本发明属于三维数字化测量领域，具体涉及一种注意力机制的点云配准方法。


背景技术：

2.随着数字化技术不断向前发展，并在各领域获得积极应用，航空制造领域也不断提出数字化、自动化检测需求。飞机零部件实际制造外形尺寸与理论设计外形尺寸之间的差异直接反映了飞机制造质量。然而，现有的检测方法依然为游标卡尺、塞尺以及深度尺等常规测量工具，从而导致测量精度低、测量效率低、人工密集以及数字化程度低等缺点。这严重阻碍了航空制造业的发展以及制约着航空产品质量的提升。
3.目前，三维测量技术不断趋于成熟，并成功应用于各工业领域。其中，结构光三维测量技术因其测量精度与测量效率高而受到广泛应用。该技术主要通过三维扫描设备获取零部件表面的点云数据，并与设计的数模进行对比来实现数字化测量。然而，航空领域的零部件通常较大，三维扫描设备难以一次性获取零部件完整的点云数据。因此，需要将不同视角下的点云数据进行拼接配准来获取整个零部件的点云数据，同时零部件实际测量点云与其设计数模也需要进行配准来测量两者的偏差。那么，点云配准技术是三维测量技术最为关键的一步。点云配准精度将直接影响实测值与数模值之间的测量偏差，导致零部件尺寸测量失效。因此，许多点云配准方法被提出来提升实测点云与实测点云以及实测点云与数模之间的配准精度。专利号为cn 109472816 a公开了一种点云配准方法。该方法采用先粗匹配再精匹配的策略来实现点云配准。首先通过判断初始匹配点对的特征区域是否相同以及其领域的gan形状是否相同来实现自适应领域匹配。然后，通过点对的初始位置进行精确配准。专利号为cn 111311651 a公开了一种点云配准方法和装置。同样，该方法也利用先粗配准再精配准的策略。该方法对粗配准的点云进行分割，然后在对分割得到的点云进行精配准，并以此往复上述操作，直至满足预设的配准条件。然而，上述方法均为传统的点云配准算法，难以有效利用点云的文本和语义信息，从而导致点云配准精度难以进一步提升。


技术实现要素：

4.为解决上述技术问题，本发明公开一种注意力机制的点云配准方法，本方法能有效改善点云的配准精度与速度，进而提升零部件数字化测量效率与精度。
5.为了实现上述技术效果，本发明通过下述技术方案实现：
6.一种注意力机制的点云配准方法，包括如下步骤：
7.步骤1.获取输入点云与目标点云；
8.步骤2.对输入点云与目标点云进行下采样；
9.步骤3.利用空间注意力机制关注输入点云与目标点云的重叠区域；
10.步骤4.对重叠区域的点云特征运用通道注意力关注每个通道点对应特征；
11.步骤5.通过注意力机制的输入与目标点云特征对齐进行点积操作来获取相似性矩阵；
12.步骤6.获取相似性矩阵的前n个最大值来构造两点云重叠区域掩膜，并掩膜矩阵归一化获得加权矩阵；
13.步骤7.结合加权矩阵与上述两个点云特征通过奇异值分解算法求取刚体变换矩阵；
14.步骤8点云配准完成。
15.进一步地，待配准的点云为输入点云与目标点云其坐标矩阵可分别表示为利用编码器对待配准点云进行下采样，下采样后点云坐标矩阵为与点云配准的需要估计出刚体变换矩阵[r,t]，使得y＝rx+t。
[0016]
进一步地，利用特征提取网络分别提取输入点云与目标点云的特征信息，并共享特征参数，如下所示：
[0017]
f'
x
＝net(p'
x
)
[0018]
f'y＝net(p'y)
[0019]
其中，d表示特征通道数；net(
·
)表示特征提取网络。
[0020]
进一步地，使用空间注意力机制去更多关注输入点云与目标点云之间得重叠区域，便于相关性矩阵计算，如下所示：
[0021][0022][0023]
其中，*表示卷积操作；ω
*
,b
*
分别表示一维卷积层的权重与偏置，通过空间注意力机制加权后点云特征将更多关注两点云重叠区域的特征，两点云特征通过注意力机制加权后可表示为：
[0024][0025][0026]
式子中，d(...,...)表示级联操作；
·
表示逐像素相乘。
[0027]
进一步地，利用通道注意力机制关注输入点云特征f'
x
与目标点云特征f'y每个通道中重叠区域的特征信息，通道注意力机制可以表示为：
[0028][0029][0030]
式子中，avgpool(
·
)表示平均池化操作，经过通道注意力机制加权后的特征为：
[0031][0032][0033]
式子中，
⊙
表示逐特征相乘。
[0034]
进一步地，输入与目标点云特征经过注意力机制关注其重叠区域特征后运用点积操作来获取两个点云特征的相似度量矩阵，如下所示：
[0035][0036]
式子中，
[0037]
进一步地，求取相似度量矩阵s的前n最大值，构建两个点云特征重叠区域的掩膜矩阵，同时对掩膜矩阵进行归一化计算权重矩阵c。
[0038]
进一步地，结合权重矩阵c、输入点云特征以及目标点云特征通过奇异值分解算法(svd)预测刚体变化矩阵[r
pre
,t
pre
]，进而实现点云配准任务。
[0039]
本技术的优点在于：
[0040]
本发明通过引入深度学习中的注意力机制来重点关注待配准点云之间的相似区域，并提取其特征信息来进行相关性度量，以解决点云配准的难题。本发明公开一种注意力机制的点云配准方法来提升点云配准精度与效率，该方法利用空间与通道注意力来关注输入点云与目标点云之间的重叠区域，能充分利用点云的文本和语义信息，进一步提升配准精度。
附图说明
[0041]
图1是本发明地流程示意图。
[0042]
图2是输入点云与目标点云。
具体实施方式
[0043]
为了更清楚地说明本发明所提供的技术方案，下面将结合附图和实施例对本发明作进一步描述。应当指明的是，所提供的实施例仅仅是本发明的一部分实施例，而不是全部实施例，因此不应被看作是对保护范围的限定。基于本发明中的实施例，本领域普通技术工作人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0044]
实施例1
[0045]
如图1所示，一种注意力机制的点云配准方法，包括如下步骤：
[0046]
步骤1.获取输入点云与目标点云；
[0047]
步骤2.对输入点云与目标点云进行下采样；
[0048]
步骤3.利用空间注意力机制关注输入点云与目标点云的重叠区域；
[0049]
步骤4.对重叠区域的点云特征运用通道注意力关注每个通道点对应特征；
[0050]
步骤5.通过注意力机制的输入与目标点云特征对齐进行点积操作来获取相似性矩阵；
[0051]
步骤6.获取相似性矩阵的前n个最大值来构造两点云重叠区域掩膜，并掩膜矩阵归一化获得加权矩阵；
[0052]
步骤7.结合加权矩阵与上述两个点云特征通过奇异值分解算法求取刚体变换矩阵；
[0053]
步骤8点云配准完成。
[0054]
待配准的点云为输入点云与目标点云
其坐标矩阵可分别表示为与利用编码器对待配准点云进行下采样，下采样后点云坐标矩阵为与点云配准的需要估计出刚体变换矩阵[r,t]，使得y＝rx+t。
[0055]
利用特征提取网络分别提取输入点云与目标点云的特征信息，并共享特征参数，如下所示：
[0056]
f'
x
＝net(p'
x
)
[0057]
f'y＝net(p'y)
[0058]
其中，d表示特征通道数；net(
·
)表示特征提取网络。
[0059]
使用空间注意力机制去更多关注输入点云与目标点云之间得重叠区域，便于相关性矩阵计算，如下所示：
[0060][0061][0062]
其中，*表示卷积操作；ω
*
,b
*
分别表示一维卷积层的权重与偏置，通过空间注意力机制加权后点云特征将更多关注两点云重叠区域的特征，两点云特征通过注意力机制加权后可表示为：
[0063][0064][0065]
式子中，d(...,...)表示级联操作；i表示逐像素相乘。
[0066]
利用通道注意力机制关注输入点云特征f'
x
与目标点云特征f'y每个通道中重叠区域的特征信息，通道注意力机制可以表示为：
[0067][0068][0069]
式子中，avgpool(
·
)表示平均池化操作，经过通道注意力机制加权后的特征为：
[0070][0071][0072]
式子中，
⊙
表示逐特征相乘。
[0073]
输入与目标点云特征经过注意力机制关注其重叠区域特征后运用点积操作来获取两个点云特征的相似度量矩阵，如下所示：
[0074][0075]
式子中，
[0076]
求取相似度量矩阵s的前n最大值，构建两个点云特征重叠区域的掩膜矩阵，同时对掩膜矩阵进行归一化计算权重矩阵c。
[0077]
结合权重矩阵c、输入点云特征以及目标点云特征通过奇异值分解算法(svd)预测刚体变化矩阵[r
pre
,t
pre
]，进而实现点云配准任务。
[0078]
实施例2
[0079]
下面结合附图和具体实施方式对本发明进行详细说明。
[0080]
本发明公开一种注意力机制的点云配准方法，如流程图1所示，包括以下步骤。
[0081]
步骤1：利用cad数模来获取输入点云，如图2右边的飞机所示，并对输入点云添加高斯噪声来模拟实测点云，如图2左边的飞机所示。其中，点云分别表示为与输入点云与目标点云存在相对位置关系，需要估计一个刚体变换矩阵来配准这两个点云，用于零部件、整机等尺寸测量。
[0082]
步骤2：利用现有深度学习网络kpcon对待配准点云进行下采样。下采样后点云坐标矩阵为与
[0083]
步骤3：利用特征提取网络分别提取输入点云与目标点云的特征信息，并共享特征参数，如下所示：
[0084]
f'
x
＝net(p'
x
)
[0085]
f'y＝net(p'y)
[0086]
其中，d表示特征通道数；net(
·
)表示特征提取网络。
[0087]
步骤4：使用空间注意力机制去更多关注输入点云与目标点云之间得重叠区域，便于相关性矩阵计算，如下所示：
[0088][0089][0090]
其中，*表示卷积操作；ω
*
,b
*
分别表示一维卷积层的权重与偏置。通过空间注意力机制加权后点云特征将更多关注两点云重叠区域的特征。因此，两点云特征通过注意力机制加权后可表示为：
[0091][0092][0093]
式子中，d(...,...)表示级联操作；
·
表示逐像素相乘。
[0094]
步骤5：利用通道注意力机制关注输入点云特征f'
x
与目标点云特征f'y每个通道中重叠区域的特征信息。通道注意力机制可以表示为：
[0095][0096][0097]
式子中，avgpool(i)表示平均池化操作。因此，经过通道注意力机制加权后的特征为：
[0098][0099][0100]
式子中，
⊙
表示逐特征相乘。
[0101]
步骤6：输入与目标点云特征经过注意力机制关注其重叠区域特征后运用点积操作来获取两个点云特征的相似度量矩阵，如下所示：
[0102][0103]
式子中，
[0104]
步骤7：求取相似度量矩阵s的前n最大值，构建两个点云特征重叠区域的掩膜矩阵。同时，对掩膜矩阵进行归一化计算权重矩阵c。
[0105]
步骤8：结合权重矩阵c、输入点云特征以及目标点云特征通过奇异值分解算法(svd)预测刚体变化矩阵[r
pre
,t
pre
]，进而实现点云配准任务。
[0106]
步骤9：利用刚体变换矩阵的预测值与真值之间的旋转误差与平移误差的均值作为损失函数来更新网络参数，如下所示：
[0107][0108][0109]
式子中，r,r
pre
分别表示真实旋转矩阵与预测旋转矩阵；t,t
pre
分别表示真实平移矩阵和预测平移矩阵。
[0110]
步骤10：利用adam优化算法优化网络模型，并使用python语言以及pytorch深度学习框架来构建整个点云配准模型。
[0111]
本发明尚未详细阐述部分属于本领域技术人员的公知技术。
[0112]
以上内容是结合具体的优选实施方式对本发明作的进一步详细说明，不能认定本发明的具体实施方式只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明的技术方案下得出的其他实施方式，均应包含在本发明的保护范围内。

技术特征：
1.一种注意力机制的点云配准方法，其特征在于：包括如下步骤：步骤1.获取输入点云与目标点云；步骤2.对输入点云与目标点云进行下采样；步骤3.利用空间注意力机制关注输入点云与目标点云的重叠区域；步骤4.对重叠区域的点云特征运用通道注意力关注每个通道点对应特征；步骤5.通过注意力机制的输入与目标点云特征对齐进行点积操作来获取相似性矩阵；步骤6.获取相似性矩阵的前n个最大值来构造两点云重叠区域掩膜，并掩膜矩阵归一化获得加权矩阵；步骤7.结合加权矩阵与上述两个点云特征通过奇异值分解算法求取刚体变换矩阵；步骤8点云配准完成。2.根据权利要求1所述的一种注意力机制的点云配准方法，其特征在于：待配准的点云为输入点云与目标点云其坐标矩阵可分别表示为与利用编码器对待配准点云进行下采样，下采样后点云坐标矩阵为与点云配准的需要估计出刚体变换矩阵[r,t]，使得y＝rx+t。3.根据权利要求2所述的一种注意力机制的点云配准方法，其特征在于：利用特征提取网络分别提取输入点云与目标点云的特征信息，并共享特征参数，如下所示：f'
x
＝net(p'
x
)f'
y
＝net(p'
y
)其中，d表示特征通道数；net(
·
)表示特征提取网络。4.根据权利要求3所述的一种注意力机制的点云配准方法，其特征在于：使用空间注意力机制去更多关注输入点云与目标点云之间得重叠区域，便于相关性矩阵计算，如下所示：力机制去更多关注输入点云与目标点云之间得重叠区域，便于相关性矩阵计算，如下所示：其中，*表示卷积操作；ω
*
,b
*
分别表示一维卷积层的权重与偏置，通过空间注意力机制加权后点云特征将更多关注两点云重叠区域的特征，两点云特征通过注意力机制加权后可表示为：表示为：式子中，d(...,...)表示级联操作；
·
表示逐像素相乘。5.根据权利要求4所述的一种注意力机制的点云配准方法，其特征在于：利用通道注意力机制关注输入点云特征f'
x
与目标点云特征f'
y
每个通道中重叠区域的特征信息，通道注意力机制可以表示为：意力机制可以表示为：式子中，avgpool(
·
)表示平均池化操作，经过通道注意力机制加权后的特征为：
式子中，
⊙
表示逐特征相乘。6.根据权利要求5所述的一种注意力机制的点云配准方法，其特征在于：输入与目标点云特征经过注意力机制关注其重叠区域特征后运用点积操作来获取两个点云特征的相似度量矩阵，如下所示：式子中，7.根据权利要求6所述的一种注意力机制的点云配准方法，其特征在于：求取相似度量矩阵s的前n最大值，构建两个点云特征重叠区域的掩膜矩阵，同时对掩膜矩阵进行归一化计算权重矩阵c。8.根据权利要求7所述的一种注意力机制的点云配准方法，其特征在于：结合权重矩阵c、输入点云特征以及目标点云特征通过奇异值分解算法预测刚体变化矩阵[r
pre
,t
pre
]，进而实现点云配准任务。

技术总结
本发明属于三维数字化测量领域，具体涉及一种注意力机制的点云配准方法，本方法将输入点云与目标点云进行下采样，便于提升配准精度与效率。利用空间与通道注意力机制关注两个点云的重叠区域。该方法将经过加权后的点云特征进行点积操作来获取点对应的相关性矩阵，进而获取加权矩阵。利用加权矩阵与两个点云特征通过奇异值分解算法求取刚体变换矩阵，实现快速且精确的点云配准任务。本发明通过引入深度学习中的注意力机制来重点关注待配准点云之间的相似区域，并提取其特征信息来进行相关性度量，以解决点云配准的难题。以解决点云配准的难题。以解决点云配准的难题。


技术研发人员：马帅 朱绪胜 陈代鑫 周力 蔡怀阳 刘清华 刘磊
受保护的技术使用者：成都飞机工业（集团）有限责任公司
技术研发日：2023.04.26
技术公布日：2023/8/24