基于内外点分类和高维回归的点云配准方法研究.pdf

摘要

摘要

点云是由大量离散的点构成的三维数据，可以通过激光雷达、结构光扫描仪、摄

像机等设备进行采集获取。随着3D扫描技术的发展和应用场景的增加，点云数据已

经成为许多领域的重要数据形式。然而，由于不同设备采集的点云数据存在差异，点

云之间可能存在不同的偏移和旋转，因此需要对点云数据进行配准，以便进行后续处

理。点云配准技术是指将多个点云数据集对齐到同一坐标系中，从而进行处理和分析。

点云配准可以通过多种方法实现，包括基于传统的方法和基于深度学习的方法。基于

深度学习的方法比传统方法性能好，但是对部分-全部、多尺度、部分重叠和较大初

始旋转角度的点云配准适应性较差。针对当前方法中存在的不足，本文提出了两种点

云配准方法。具体研究内容如下：

（1）针对部分-全部的点云配准问题，提出一种基于内外点分类的点云配准网

络（InliersandOutliersPointClassificationNetwork，IOPCNet）。IOPCNet将配准问

题转化为二分类问题，从而使得部分重叠的点云配准转化为完全重叠的配准。为了增

加模型特征对于噪声和异常值的鲁棒性，引入了自注意力机制，对于不同场景的部分

-全部点云配准内点提取有良好的鲁棒性，并且显著提高了多种配准方法的精度。

IOPCNet主要用于部分-全部的点云配准，此外也可作为上游任务为其他点云配准算

法剔除异常点对。实验结果表明，IOPCNe精确度高、对噪声和异常值鲁棒，预测重

叠区域能力显著。

（2）针对部分-部分、较大初始旋转角度和多尺度匹配的点云配准问题，本文提

出了一种基于高维回归的点云配准网络（HighDimensionalRegressionNetworkfor

PointCloudRegistration，HDRNet）。HDRNet没有直接使用以往方法中的最大池化

来计算全局特征，而是应用高斯函数来平滑对应矩阵，以提取源点云和目标点云之间

的对应关系，促进了局部点云特征的可用性，并能有效地处理大初始旋转角度的点云

配准。此外，该网络中还引入了一个能够处理多尺度点云配准的比例因子，并对损失

函数进行了改进，因此所提出的网络可以更好地处理不同尺度点云和部分重叠点云的

配准。实验结果表明HDRNet算法具有较强的鲁棒性与准确性，且在配准较大点云模

型时，该算法的效率仍然具有一定的优势。

关键词：三维点云，点云配准，深度学习，内外点分类，高维回归

I

ABSTRACT

ABSTRACT

Pointcloudisa3Ddatacomposedofalargenumberofdiscretepoints,whichcanbe

acquiredbyLIDAR,structuredlightscanner,cameraandotherdevices.Withthe

developmentof3Dscanningtechnologyandtheincreaseofapplicationscenarios,point

clouddatahasbecomeanimportantformofdatainmanyfields.However,duetothe

differencesinpointclouddataacquiredbydifferentdevices,theremayexistdifferent

offsetsandrotationsbetweenpointclouds.Therefore,thepointcloudsneedtobe

alignedforsubsequentprocessing,e.g.thereconstructionoftheentire