基于概率分布距离特征描述的配准方法、设备及存储介质与流程

1.本发明涉及数据处理技术领域，尤其涉及基于概率分布距离特征描述的配准方法、设备及存储介质。


背景技术：

2.在深度传感技术和元宇宙行业的双重发展与推动下，三维模型已被广泛应用在娱乐、消费等日常生活领域，并有望成为未来世界数字信息流转的中枢，且基于深度图像的三维点云数据通常是在多个视角下采样得到，常伴随噪声、环境遮挡和目标重叠等问题。因此，点云配准是三维成像及其应用前最重要的数据处理环节，目前常用于配准的相关技术为基于迭代最近点(iterative closest point，icp)的算法，点云配准时需要满足高重叠率、无噪声和数据完整等要求，使得icp的普及受到了制约，另外，基于概率模型的配准算法将配准问题转化为求解概率密度最大估计，对噪声鲁棒性好但在含有数据缺失的情况下容易发生配准失败，基于局部特征点提取及其特征描述进行粗配准，而后再使用迭代式计算进行精配准，这种粗到精的配准方式能够有效降低计算代价且对数据重叠率和完整性鲁棒性好，但是容易受到噪声的干扰且点特征缺乏全局特性容易造成误匹配关系，最终造成配准点云的准确性较低、稳定性较差以及泛化能力较弱等一系列的问题。
3.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

4.本发明的主要目的在于提供一种基于概率分布距离特征描述的配准方法、设备及存储介质，旨在解决现有技术配准点云的准确性较低、稳定性较差以及泛化能力较弱的技术问题。
5.为实现上述目的，本发明提供了一种基于概率分布距离特征描述的配准方法，所述基于概率分布距离特征描述的配准方法包括以下步骤：
6.根据源点云生成源点云混合概率分布图，以及根据目标点云生成目标点云混合概率分布图；
7.分别对所述源点云混合概率分布图和所述目标点云混合概率分布图进行非线性计算，并将计算结果分别作为源点云特征和目标点云特征；
8.根据所述源点云特征和所述目标点云特征生成点云对应关系矩阵；
9.根据所述点云对应关系矩阵确定所述源点云到所述目标点云的配准结果。
10.可选地，所述根据源点云生成源点云混合概率分布图，以及根据目标点云生成目标点云混合概率分布图，包括：
11.获取初始源点云和初始点云，对所述初始源点云和初始点云进行标定；
12.分别对标定后的初始源点云和初始点云进行质量增强，得到源点云和目标点云；
13.根据所述源点云生成源点云模型，以及根据所述目标点云生成目标点云模型；
14.通过目标邻近算法分别对所述源点云模型和所述目标点云模型进行语义分割，得到源点云分割结果和目标点云分割结果；
15.根据所述源点云分割结果生成源点云混合概率分布图，以及根据所述目标点云分割结果生成目标点云混合概率分布图。
16.可选地，所述根据所述源点云分割结果生成源点云混合概率分布图，以及根据所述目标点云分割结果生成目标点云混合概率分布图，包括：
17.对所述源点云分割结果进行计算，得到源点云分割部分高斯分布和源点云各点的邻域高斯分布；
18.对所述源点云各点的邻域高斯分布和源点云各点所属的源点云分割部分高斯分布进行拼接，得到源点云混合高斯分布；
19.根据所述源点云混合高斯分布和预设图结构生成源点云混合概率分布图；
20.对所述目标点云分割结果进行计算，得到目标点云分割部分高斯分布和目标点云各点的邻域高斯分布；
21.对所述目标点云各点的邻域高斯分布和目标点云各点所属的目标点云分割部分高斯分布进行拼接，得到目标点云混合高斯分布；
22.根据所述目标点云混合高斯分布和预设图结构生成目标点云混合概率分布图。
23.可选地，所述分别对所述源点云混合概率分布图和所述目标点云混合概率分布图进行非线性计算，并将计算结果作为源点云特征和目标点云特征，包括：
24.计算所述源点云混合概率分布图中目标顶点与所述目标点云混合概率分布图中各个顶点的第一概率分布距离；
25.根据所述第一概率分布距离和源顶点数量生成源顶点向量；
26.计算所述源点云混合概率分布图中目标顶点与源点云分割部分的第二概率分布距离；
27.根据所述第二概率分布距离和源顶点数量生成第一顶点矩阵；
28.计算所述源点云混合概率分布图中目标顶点与目标点云分割部分的第三概率分布距离；
29.根据所述第三概率分布距离和源顶点数量生成第二顶点矩阵；
30.将所述目标顶点向量分别扩展至所述第一顶点矩阵和第二顶点矩阵；
31.根据扩展后的第一顶点矩阵、第二顶点矩阵以及目标顶点向量生成源点云特征矩阵；
32.计算所述目标点云混合概率分布图中目标顶点与所述源点云混合概率分布图中各个顶点的第四概率分布距离；
33.根据第四概率分布距离和目标顶点数量生成目标顶点向量；
34.计算所述目标点云混合概率分布图中目标顶点与目标点云分割部分的第五概率分布距离；
35.根据所述第五概率分布距离和目标顶点数量生成第三顶点矩阵；
36.计算所述目标点云混合概率分布图中目标顶点与源点云分割部分的第六概率分布距离；
37.根据所述第六概率分布距离和目标顶点数量生成第四顶点矩阵；
38.将所述目标顶点向量分别扩展至所述第三顶点矩阵和第四顶点矩阵；
39.根据扩展后的第三顶点矩阵和第四顶点矩阵以及目标顶点向量生成目标点云特征矩阵；
40.根据所述源点云特征矩阵和所述目标点云特征矩阵得到源点云特征和目标点云特征。
41.可选地，所述根据所述源点云特征矩阵和所述目标点云特征矩阵得到源点云特征和目标点云特征，包括：
42.分别对所述源点云特征矩阵和所述目标点云特征矩阵进行多层感知机计算，，得到源点云特征描述矩阵和目标点云特征描述矩阵；
43.分别对所述源点云特征描述矩阵和目标点云特征描述矩阵进行预处理，得到源点云特征描述和目标点云特征描述；
44.根据所述源点云特征描述和目标点云特征描述得到源点云特征和目标点云特征。
45.可选地，所述根据所述源点云特征和所述目标点云特征生成点云对应关系矩阵，包括：
46.对所述源点云特征和所述目标点云特征进行点积计算，得到若干数量的特征相似度；
47.根据所述若干数量的特征相似度构建特征相似度矩阵；
48.通过sinkhorn算法对所述特征相似度矩阵进行行列计算，得到点云对应关系矩阵。
49.可选地，所述根据所述点云对应关系矩阵确定所述源点云到所述目标点云的配准结果，包括：
50.根据所述点云对应关系矩阵得到匹配点云对；
51.根据若干数量的维度通过svd算法对所述匹配点云对进行计算，得到旋转矩阵和平移向量；
52.根据所述旋转矩阵和平移向量构建源点云和目标点云之间的刚性变换关系；
53.根据所述刚性变换关系对所述源点云的各点进行旋转和/或平移，得到所述源点云到所述目标点云的配准结果。
54.此外，为实现上述目的，本发明还提出一种基于概率分布距离特征描述的配准装置，所述基于概率分布距离特征描述的配准装置包括：
55.生成模块，用于根据源点云生成源点云混合概率分布图，以及根据目标点云生成目标点云混合概率分布图；
56.计算模块，用于分别对所述源点云混合概率分布图和所述目标点云混合概率分布图进行非线性计算，并将计算结果作为源点云特征和目标点云特征；
57.所述生成模块，还用于根据所述源点云特征和所述目标点云特征生成点云对应关系矩阵；
58.确定模块，用于根据所述点云对应关系矩阵确定所述源点云到所述目标点云的配准结果。
59.此外，为实现上述目的，本发明还提出一种基于概率分布距离特征描述的配准设备，所述基于概率分布距离特征描述的配准设备包括：存储器、处理器及存储在所述存储器
上并可在所述处理器上运行的基于概率分布距离特征描述的配准程序，所述基于概率分布距离特征描述的配准程序配置为实现如上文所述的基于概率分布距离特征描述的配准方法。
60.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于概率分布距离特征描述的配准程序，所述基于概率分布距离特征描述的配准程序被处理器执行时实现如上文所述的基于概率分布距离特征描述的配准方法。
61.本发明提出的基于概率分布距离特征描述的配准方法，根据源点云生成源点云混合概率分布图，以及根据目标点云生成目标点云混合概率分布图；分别对所述源点云混合概率分布图和所述目标点云混合概率分布图进行非线性计算，并将计算结果作为源点云特征和目标点云特征；根据所述源点云特征和所述目标点云特征生成点云对应关系矩阵；根据所述点云对应关系矩阵确定所述源点云到所述目标点云的配准结果；通过上述方式，根据源点云特征和目标点云特征生成点云对应关系矩阵，然后根据点云对应关系矩阵确定源点云到目标点云的配准结果，从而能够有效提高配准点云的准确性、稳定性以及泛化能力。
附图说明
62.图1是本发明实施例方案涉及的硬件运行环境的基于概率分布距离特征描述的配准设备的结构示意图；
63.图2为本发明基于概率分布距离特征描述的配准方法第一实施例的流程示意图；
64.图3为本发明基于概率分布距离特征描述的配准方法第二实施例的流程示意图；
65.图4为本发明基于概率分布距离特征描述的配准装置第一实施例的功能模块示意图。
66.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
67.应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
68.参照图1，图1为本发明实施例方案涉及的硬件运行环境的基于概率分布距离特征描述的配准设备结构示意图。
69.如图1所示，该基于概率分布距离特征描述的配准设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)存储器，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
70.本领域技术人员可以理解，图1中示出的结构并不构成对基于概率分布距离特征描述的配准设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
71.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于概率分布距离特征描述的配准程序。
72.在图1所示的基于概率分布距离特征描述的配准设备中，网络接口1004主要用于与网络一体化平台工作站进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明基于概率分布距离特征描述的配准设备中的处理器1001、存储器1005可以设置在基于概率分布距离特征描述的配准设备中，所述基于概率分布距离特征描述的配准设备通过处理器1001调用存储器1005中存储的基于概率分布距离特征描述的配准程序，并执行本发明实施例提供的基于概率分布距离特征描述的配准方法。
73.基于上述硬件结构，提出本发明基于概率分布距离特征描述的配准方法实施例。
74.参照图2，图2为本发明基于概率分布距离特征描述的配准方法第一实施例的流程示意图。
75.在第一实施例中，所述基于概率分布距离特征描述的配准方法包括以下步骤：
76.步骤s10，根据源点云生成源点云混合概率分布图，以及根据目标点云生成目标点云混合概率分布图。
77.需要说明的是，本实施例的执行主体为基于概率分布距离特征描述的配准设备，还可为其他可实现相同或相似功能的设备，例如点云配准控制器等，本实施例对此不作限制，在本实施例中，以点云配准控制器为例进行说明。
78.应当理解的是，源点云混合概率分布图指的是图数据结构，该图的每个顶点是源点云各目标点邻域概率分布和目标点所属的分割部分概率分布，同样，目标点云混合概率分布图指的是图数据结构，该图的每个顶点是目标点云各目标点邻域概率分布和目标点所属分割部分概率分布。
79.步骤s20，分别对所述源点云混合概率分布图和所述目标点云混合概率分布图进行非线性计算，并将计算结果作为源点云特征和目标点云特征。
80.进一步地，步骤s20，包括：计算所述源点云混合概率分布图中目标顶点与所述目标点云混合概率分布图中各个顶点的第一概率分布距离；根据所述第一概率分布距离和源顶点数量生成源顶点向量；计算所述源点云混合概率分布图中目标顶点与源点云分割部分的第二概率分布距离；根据所述第二概率分布距离和源顶点数量生成第一顶点矩阵；计算所述源点云混合概率分布图中目标顶点与目标点云分割部分的第三概率分布距离；根据所述第三概率分布距离和源顶点数量生成第二顶点矩阵；将所述目标顶点向量分别扩展至所述第一顶点矩阵和第二顶点矩阵；根据扩展后的第一顶点矩阵、第二顶点矩阵以及目标顶点向量生成源点云特征矩阵；计算所述目标点云混合概率分布图中目标顶点与所述源点云混合概率分布图中各个顶点的第四概率分布距离；根据第四概率分布距离和目标顶点数量生成目标顶点向量；计算所述目标点云混合概率分布图中目标顶点与目标点云分割部分的第五概率分布距离；根据所述第五概率分布距离和目标顶点数量生成第三顶点矩阵；计算所述目标点云混合概率分布图中目标顶点与源点云分割部分的第六概率分布距离；根据所述第六概率分布距离和目标顶点数量生成第四顶点矩阵；将所述目标顶点向量分别扩展至所述第三顶点矩阵和第四顶点矩阵；根据扩展后的第三顶点矩阵和第四顶点矩阵以及目标顶点向量生成目标点云特征矩阵；根据所述源点云特征矩阵和所述目标点云特征矩阵得到源点云特征和目标点云特征。
81.应当理解的是，源点云和目标点云的数量可以为n，在得到源点云混合概率分布图和目标点云混合概率分布图后，计算源点云混合概率分布图中目标顶点与目标点云混合概率分布图中每个顶点的概率分布距离，即为第一概率分布距离，然后对第一概率分布距离的向量进行sum操作，以得到目标顶点的一维特征，然后由n个顶点形成n*1向量；在源点云混合概率分布图中计算目标顶点与m个源点云分割部分(按照从小到大标号顺序)的第二概率分布距离，然后根据第二概率分布距离与源顶点数量形成1*m维向量，n个顶点形成n*m维的第一顶点矩阵；对源点云混合概率分布图中目标顶点与m个目标点云分割部分(按照从小到大标号顺序)的第三概率分布距离计算1*m维向量，然后根据1*m维向量和n个顶点形成n*m维第二顶点矩阵；将n*1目标顶点向量复制拼接扩展至n*m的第一顶点矩阵和第二顶点矩阵，再将扩展后的第一顶点矩阵、第二顶点矩阵以及目标源顶点向量进行拼接形成n*3m维的源点云特征矩阵，采用相同的方式生成目标点云特征矩阵，在得到第三顶点矩阵和第四顶点矩阵后，将生成的目标顶点向量拓展至第三顶点矩阵和第四顶点矩阵，然后扩展后的第三顶点矩阵和第四顶点矩阵以及目标顶点向量生成n*3m维的目标点云特征矩阵。
82.需要说明的是，概率分布距离也成为概率分布之间的差异性度量，采用emd(earth mover's distance)距离进行衡量，emd距离是通过最小化两个概率分布之间的转换代价量化二者之间的相似性，三维点云数据的高斯分布为：
[0083][0084][0085]
其中，s表示源点云，t表示目标点云，μ1表示源点云各维度变量的均值，μ2表示目标点云各维度变量的均值，∑1表示源点云各维度变量的协方差矩阵，∑2表示目标点云各维度变量的协方差矩阵，x表示点云集合中的点，k表示维度此处为3。
[0086]
然后，emd距离可分别描述为：
[0087]
emd
kl
(s(x|μ1，∑1)||t(x|μ2，∑2))＝(μ
1-μ2)+tr(∑1+∑
2-2(∑
11/2
∑2∑
11/2
)
1/2
)
[0088]
其中，kl表示kl散度，一般指相对熵。
[0089]
进一步地，所述根据所述源点云特征矩阵和所述目标点云特征矩阵得到源点云特征和目标点云特征，包括：分别对所述源点云特征矩阵和所述目标点云特征矩阵进行多层感知机计算，得到源点云特征描述矩阵和目标点云特征描述矩阵；分别对所述源点云特征描述矩阵和目标点云特征描述矩阵进行预处理，得到源点云特征描述和目标点云特征描述；根据所述源点云特征描述和目标点云特征描述得到源点云特征和目标点云特征。
[0090]
可以理解的是，在得到源点云特征矩阵和目标点云特征矩阵后，分别对源点云特征矩阵和目标点云特征矩阵进行相同层数的多层感知机计算源点云特征描述矩阵和目标点云特征描述矩阵，该源点云特征描述矩阵和目标点云特征描述矩阵的维度均为n*1024，然后对源点云特征描述矩阵和目标点云特征描述矩阵进行汇聚，得到表达能力强的特征描述，即源点云特征描述和目标点云特征描述。
[0091]
需要说明的是，特征描述矩阵汇聚可以结合注意力机制实现，自注意力机制和交叉注意力机制进行图内卷积和跨图卷积，实现原特征信息有效聚合为最终的特征描述矩
阵。
[0092]
步骤s30，根据所述源点云特征和所述目标点云特征生成点云对应关系矩阵。
[0093]
应当理解的是，点云对应关系矩阵指的是源点云与目标点云之间的关系矩阵，该点云对应关系矩阵是由sinkhorn算法交替进行行列计算得到的。
[0094]
进一步地，步骤s30，包括：对所述源点云特征和所述目标点云特征进行点积计算，得到若干数量的特征相似度；根据所述若干数量的特征相似度构建特征相似度矩阵；通过sinkhorn算法对所述特征相似度矩阵进行行列计算，得到点云对应关系矩阵。
[0095]
可以理解的是，特征相似度指的是源点云特征与目标点云特征之间的相似度，该特征相似度的数量为多个，在点积计算出若干数量的特征相似度后，构建特征相似度矩阵，此时为了提高得到点云对应关系矩阵的准确性，将图匹配问题转化为线性指派问题进行处理，即通过sinkhorn算法对特征相似度矩阵交替进行行列计算，以得到点云对应关系矩阵，另外，该点云对应关系矩阵会根据分割模块的标号和标记进行修正，当源点云和目标点云任意两点之间所在各自分割部分标记不同时，两点之间的对应权重降为零。
[0096]
步骤s40，根据所述点云对应关系矩阵确定所述源点云到所述目标点云的配准结果。
[0097]
进一步地，步骤s40，包括：根据所述点云对应关系矩阵得到匹配点云对；根据若干数量的维度通过svd算法对所述匹配点云对进行计算，得到旋转矩阵和平移向量；根据所述旋转矩阵和平移向量构建源点云和目标点云之间的刚性变换关系；根据所述刚性变换关系对所述源点云的各点进行旋转和/或平移，得到所述源点云到所述目标点云的配准结果。
[0098]
应当理解的是，匹配点云对指的是源点云与目标点云之间匹配的点云对，若干数量的维度指的是计算匹配点云对的维度，该维度包括但不限于旋转维度和平移维度，即对匹配点云对进行旋转和平移计算，然后根据旋转矩阵和平移向量构建源点云和目标点云之间的刚性变换关系，再根据刚性变换关系将源点云中的每个点进行旋转和/或平移，得到源点云到目标点云的配准结果。
[0099]
本实施例根据源点云生成源点云混合概率分布图，以及根据目标点云生成目标点云混合概率分布图；分别对所述源点云混合概率分布图和所述目标点云混合概率分布图进行非线性计算，并将计算结果作为源点云特征和目标点云特征；根据所述源点云特征和所述目标点云特征生成点云对应关系矩阵；根据所述点云对应关系矩阵确定所述源点云到所述目标点云的配准结果；通过上述方式，根据源点云特征和目标点云特征生成点云对应关系矩阵，然后根据点云对应关系矩阵确定源点云到目标点云的配准结果，从而能够有效提高配准点云的准确性、稳定性以及泛化能力。
[0100]
在一实施例中，如图3所述，基于第一实施例提出本发明基于概率分布距离特征描述的配准方法第二实施例，所述步骤s10，包括：
[0101]
步骤s101，获取初始源点云和初始点云，对所述初始源点云和初始点云进行标定。
[0102]
应当理解的是，在得到初始源点云和初始点云后，由于深度传感设备在测量过程中容易受到环境干扰，得到的采集数据常伴随噪声、孔洞和异常点等干扰，因此，在三维点云(初始源点云和初始点云)在正式执行计算任务之前需要进行预处理，例如，该预处理包括但不限于标定和质量增强，即首先对初始源点云和初始点云进行标定，该标定可以通过借助外部物体参照和棋盘格法实现半自动和自动校准，且该标定可以为相机标定。
[0103]
步骤s102，分别对标定后的初始源点云和初始点云进行质量增强，得到源点云和目标点云。
[0104]
可以理解的是，源点云指的是对初始源点云进行标定和质量增强后的点云，同样，目标点云指的是对初始点云进行标定和质量增强后的点云，该质量增强可以通过采样优化、滤波降噪和孔洞填充实现。
[0105]
步骤s103，根据所述源点云生成源点云模型，以及根据所述目标点云生成目标点云模型。
[0106]
步骤s104，通过目标邻近算法分别对所述源点云模型和所述目标点云模型进行语义分割，得到源点云分割结果和目标点云分割结果。
[0107]
可以理解的是，在得到源点云模型和目标点云模型后，通过目标邻近算法分别对源点云模型和目标点云模型进行语义分割，实现点云数据内部的分组，能够帮助点云特征嵌入一定的全局特性，在一些特征分布比较明显的点云中，在语义分割完成后，得到源点云分割结果和目标点云分割结果。
[0108]
步骤s105，根据所述源点云分割结果生成源点云混合概率分布图，以及根据所述目标点云分割结果生成目标点云混合概率分布图。
[0109]
应当理解的是，在得到源点云分割结果和目标点云分割结果后，分别对源点云分割结果和目标点云分割结果进行标号，在标号进行匹配，匹配的具体过程为提取各分割部分的特征进行相似度求解，在求解的相似度大于相似度阈值时，认为源点云和目标点云中具有最高相似度的分割部分互相匹配并具有相同的标记，然后在匹配完成后，根据源点云分割结果生成源点云混合概率分布图，以及根据目标点云分割结果生成目标点云混合概率分布图。
[0110]
进一步地，步骤s105，包括：对所述源点云分割结果进行计算，得到源点云分割部分高斯分布和源点云各点的邻域高斯分布；对所述源点云各点的邻域高斯分布和源点云各点所属的源点云分割部分高斯分布进行拼接，得到源点云混合高斯分布；根据所述源点云混合高斯分布和预设图结构生成源点云混合概率分布图；对所述目标点云分割结果进行计算，得到目标点云分割部分高斯分布和目标点云各点的邻域高斯分布；对所述目标点云各点的邻域高斯分布和目标点云各点所属的目标点云分割部分高斯分布进行拼接，得到目标点云混合高斯分布；根据所述目标点云混合高斯分布和预设图结构生成目标点云混合概率分布图。
[0111]
可以理解的是，在得到源点云分割结果后，根据源点云分割结果将源点云划为m个部分并计算对应的高斯分布，即源点云分割部分高斯分布guass(s_mi)，然后通过设定邻域半径r值为源点云中的每个点搜寻相邻点并计算邻域高斯分布作为该点的分布，即源点云各点的邻域高斯分布guass(s_pi)，同样，根据目标点云分割结果将目标点云划分为m个部分并计算对应的高斯分布，即目标点云分割部分高斯分布guass(t_mi)，然后通过设定邻域半径r值为目标点云中的每个点搜寻相邻点并计算邻域高斯分布作为该点的分布，即目标点云各点的邻域高斯分布guass(t_pi)，再分别计算源点云混合高斯分布《guass(s_pi)，guass(s_mi)》以及目标点云混合高斯分布《guass(t_pi)，guass(t_mi)》，然后根据源点云混合高斯分布和预设图结构生成源点云混合概率分布图，以及根据目标点云混合高斯分布和预设图结构生成目标点云混合概率分布图，具体为使用预设图结构分别对源点云混合高斯
分布和目标点云混合高斯分布进行建模，将每个混合高斯分布作为图中的顶点，以全连接的方式为任意两个顶点建立一条边，以得到源点云混合概率分布图和目标点云混合概率分布图。
[0112]
本实施例通过获取初始源点云和初始点云，对所述初始源点云和初始点云进行标定；分别对标定后的初始源点云和初始点云进行质量增强，得到源点云和目标点云；根据所述源点云生成源点云模型，以及根据所述目标点云生成目标点云模型；通过目标邻近算法分别对所述源点云模型和所述目标点云模型进行语义分割，得到源点云分割结果和目标点云分割结果；根据所述源点云分割结果生成源点云混合概率分布图，以及根据所述目标点云分割结果生成目标点云混合概率分布图；通过上述方式，在对初始源点云和初始点云进行标定和质量增强后生成源点云模型和目标点云模型，然后通过目标邻近算法分别对源点云模型和目标点云模型进行语义分割，再根据源点云分割结果和目标点云分割结果生成源点云混合概率分布图和目标点云混合概率分布图，从而能够有效提高生成点云混合概率分布图的准确性。
[0113]
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有基于概率分布距离特征描述的配准程序，所述基于概率分布距离特征描述的配准程序被处理器执行时实现如上文所述的基于概率分布距离特征描述的配准方法的步骤。
[0114]
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
[0115]
此外，参照图4，本发明实施例还提出一种基于概率分布距离特征描述的配准装置，所述基于概率分布距离特征描述的配准装置包括：
[0116]
生成模块10，用于根据源点云生成源点云混合概率分布图，以及根据目标点云生成目标点云混合概率分布图。
[0117]
计算模块20，用于分别对所述源点云混合概率分布图和所述目标点云混合概率分布图进行非线性计算，并将计算结果作为源点云特征和目标点云特征。
[0118]
所述生成模块10，还用于根据所述源点云特征和所述目标点云特征生成点云对应关系矩阵。
[0119]
确定模块30，用于根据所述点云对应关系矩阵确定所述源点云到所述目标点云的配准结果。
[0120]
本实施例根据源点云生成源点云混合概率分布图，以及根据目标点云生成目标点云混合概率分布图；分别对所述源点云混合概率分布图和所述目标点云混合概率分布图进行非线性计算，并将计算结果作为源点云特征和目标点云特征；根据所述源点云特征和所述目标点云特征生成点云对应关系矩阵；根据所述点云对应关系矩阵确定所述源点云到所述目标点云的配准结果；通过上述方式，根据源点云特征和目标点云特征生成点云对应关系矩阵，然后根据点云对应关系矩阵确定源点云到目标点云的配准结果，从而能够有效提高配准点云的准确性、稳定性以及泛化能力。
[0121]
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
[0122]
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的
基于概率分布距离特征描述的配准方法，此处不再赘述。
[0123]
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0124]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0125]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(read only memory，rom)/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，一体化平台工作站，或者网络设备等)执行本发明各个实施例所述的方法。
[0126]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种基于概率分布距离特征描述的配准方法，其特征在于，所述基于概率分布距离特征描述的配准方法包括以下步骤：根据源点云生成源点云混合概率分布图，以及根据目标点云生成目标点云混合概率分布图；分别对所述源点云混合概率分布图和所述目标点云混合概率分布图进行非线性计算，并将计算结果分别作为源点云特征和目标点云特征；根据所述源点云特征和所述目标点云特征生成点云对应关系矩阵；根据所述点云对应关系矩阵确定所述源点云到所述目标点云的配准结果。2.如权利要求1所述的基于概率分布距离特征描述的配准方法，其特征在于，所述根据源点云生成源点云混合概率分布图，以及根据目标点云生成目标点云混合概率分布图，包括：获取初始源点云和初始点云，对所述初始源点云和初始点云进行标定；分别对标定后的初始源点云和初始点云进行质量增强，得到源点云和目标点云；根据所述源点云生成源点云模型，以及根据所述目标点云生成目标点云模型；通过目标邻近算法分别对所述源点云模型和所述目标点云模型进行语义分割，得到源点云分割结果和目标点云分割结果；根据所述源点云分割结果生成源点云混合概率分布图，以及根据所述目标点云分割结果生成目标点云混合概率分布图。3.如权利要求2所述的基于概率分布距离特征描述的配准方法，其特征在于，所述根据所述源点云分割结果生成源点云混合概率分布图，以及根据所述目标点云分割结果生成目标点云混合概率分布图，包括：对所述源点云分割结果进行计算，得到源点云分割部分高斯分布和源点云各点的邻域高斯分布；对所述源点云各点的邻域高斯分布和所述源点云各点所属的源点云分割部分的高斯分布进行拼接，得到源点云混合高斯分布；根据所述源点云混合高斯分布和预设图结构生成源点云混合概率分布图；对所述目标点云分割结果进行计算，得到目标点云分割部分高斯分布和目标点云各点的邻域高斯分布；对所述目标点云各点的邻域高斯分布和所述目标点云各点所属的目标点云分割部分高斯分布进行拼接，得到目标点云混合高斯分布；根据所述目标点云混合高斯分布和预设图结构生成目标点云混合概率分布图。4.如权利要求1所述的基于概率分布距离特征描述的配准方法，其特征在于，所述分别对所述源点云混合概率分布图和所述目标点云混合概率分布图进行非线性计算，并将计算结果作为源点云特征和目标点云特征，包括：计算所述源点云混合概率分布图中目标顶点与所述目标点云混合概率分布图中各个顶点的第一概率分布距离；根据所述第一概率分布距离和源顶点数量生成源顶点向量；计算所述源点云混合概率分布图中目标顶点与源点云分割部分的第二概率分布距离；根据所述第二概率分布距离和源顶点数量生成第一顶点矩阵；
计算所述源点云混合概率分布图中目标顶点与目标点云分割部分的第三概率分布距离；根据所述第三概率分布距离和源顶点数量生成第二顶点矩阵；将目标顶点向量分别扩展至所述第一顶点矩阵和第二顶点矩阵；根据扩展后的第一顶点矩阵、第二顶点矩阵以及目标顶点向量生成源点云特征矩阵；计算所述目标点云混合概率分布图中目标顶点与所述源点云混合概率分布图中各个顶点的第四概率分布距离；根据第四概率分布距离和目标顶点数量生成目标顶点向量；计算所述目标点云混合概率分布图中目标顶点与目标点云分割部分的第五概率分布距离；根据所述第五概率分布距离和目标顶点数量生成第三顶点矩阵；计算所述目标点云混合概率分布图中目标顶点与源点云分割部分的第六概率分布距离；根据所述第六概率分布距离和目标顶点数量生成第四顶点矩阵；将所述目标顶点向量分别扩展至所述第三顶点矩阵和第四顶点矩阵；根据扩展后的第三顶点矩阵和第四顶点矩阵以及目标顶点向量生成目标点云特征矩阵；根据所述源点云特征矩阵和所述目标点云特征矩阵得到源点云特征和目标点云特征。5.如权利要求4所述的基于概率分布距离特征描述的配准方法，其特征在于，所述根据所述源点云特征矩阵和所述目标点云特征矩阵得到源点云特征和目标点云特征，包括：分别对所述源点云特征矩阵和所述目标点云特征矩阵进行多层感知机计算，得到源点云特征描述矩阵和目标点云特征描述矩阵；分别对所述源点云特征描述矩阵和目标点云特征描述矩阵进行预处理，得到源点云特征描述和目标点云特征描述；根据所述源点云特征描述和目标点云特征描述得到源点云特征和目标点云特征。6.如权利要求1所述的基于概率分布距离特征描述的配准方法，其特征在于，所述根据所述源点云特征和所述目标点云特征生成点云对应关系矩阵，包括：对所述源点云特征和所述目标点云特征进行点积计算，得到若干数量的特征相似度；根据所述若干数量的特征相似度构建特征相似度矩阵；通过sinkhorn算法对所述特征相似度矩阵进行行列计算，得到点云对应关系矩阵。7.如权利要求6所述的基于概率分布距离特征描述的配准方法，其特征在于，所述根据所述点云对应关系矩阵确定所述源点云到所述目标点云的配准结果，包括：根据所述点云对应关系矩阵得到匹配点云对；根据若干数量的维度通过svd算法对所述匹配点云对进行计算，得到旋转矩阵和平移向量；根据所述旋转矩阵和平移向量构建源点云和目标点云之间的刚性变换关系；根据所述刚性变换关系对所述源点云的各点进行旋转和/或平移，得到所述源点云到所述目标点云的配准结果。8.一种基于概率分布距离特征描述的配准装置，其特征在于，所述基于概率分布距离
特征描述的配准装置包括：生成模块，用于根据源点云生成源点云混合概率分布图，以及根据目标点云生成目标点云混合概率分布图；计算模块，用于分别对所述源点云混合概率分布图和所述目标点云混合概率分布图进行非线性计算，并将计算结果作为源点云特征和目标点云特征；所述生成模块，还用于根据所述源点云特征和所述目标点云特征生成点云对应关系矩阵；确定模块，用于根据所述点云对应关系矩阵确定所述源点云到所述目标点云的配准结果。9.一种基于概率分布距离特征描述的配准设备，其特征在于，所述基于概率分布距离特征描述的配准设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于概率分布距离特征描述的配准程序，所述基于概率分布距离特征描述的配准程序配置有实现如权利要求1至7中任一项所述的基于概率分布距离特征描述的配准方法。10.一种存储介质，其特征在于，所述存储介质上存储有基于概率分布距离特征描述的配准程序，所述基于概率分布距离特征描述的配准程序被处理器执行时实现如权利要求1至7中任一项所述的基于概率分布距离特征描述的配准方法。

技术总结
本发明涉及数据处理技术领域，公开了一种基于概率分布距离特征描述的配准方法、设备及存储介质，所述方法包括：根据源点云生成源点云混合概率分布图，以及根据目标点云生成目标点云混合概率分布图；分别将源点云混合概率分布图和目标点云混合概率分布图进行非线性计算，并将计算结果作为源点云特征和目标点云特征；根据源点云特征和目标点云特征生成点云对应关系矩阵；根据点云对应关系矩阵确定源点云到目标点云的配准结果；通过上述方式，根据源点云特征和目标点云特征生成点云对应关系矩阵，然后根据点云对应关系矩阵确定源点云到目标点云的配准结果，从而能够有效提高配准点云的准确性、稳定性以及泛化能力。稳定性以及泛化能力。稳定性以及泛化能力。


技术研发人员：李晓风 许金林 赵赫 李皙茹 程龙乐 方世玉
受保护的技术使用者：安徽中科晶格技术有限公司
技术研发日：2023.04.06
技术公布日：2023/7/25