基于深度学习的三维点云配准算法研究.pdf

基于深度学习的三维点云配准算法研究

摘要

近年来，三维点云作为一种包含丰富信息的数据表示形式，在自动驾驶、机器人视

觉等领域中有广泛的应用，而点云配准则是相关技术的关键环节，同时由于计算机算力

的提升，深度学习技术也逐渐应用于诸多领域，通过深度学习方法来完成点云配准任务

也成为相关技术研究的重要方向。相较于传统方法，基于深度学习的三维点云配准有着

优秀的特征提取能力，配准精度以及泛化性能更高，但是，目前点云配准提取过程中还

存在着局部特征的提取与关键点筛选精确性不足、特征提取过程中点的感受野受限、通

道注意力不足等问题。本文对基于深度学习的三维点云配准方法进行了研究，具体工作

如下：

首先，针对共享多层感知机捕捉特征局部性不足，关键点筛选准确性无法得到保证

问题，提出局部特征增强和关键点筛选的点云配准算法。基于高斯函数，对点云邻域强

度与点云结合进行点云编码增强局部信息，再将编码后点云进行特征提取，增加注意力

机制增强提取特征，关键点筛选点网络筛选关键点，将特征转为锚，搜寻最靠近锚的关

键点，利用筛选后的关键匹配点完成点云配准，提高点云配准的精度，效率与鲁棒性。

其次，针对点云配准中固定卷积提取特征不丰富、点感受野受限，注意力机制大多

关注空间注意力的问题，本文提出基于点感受野拓展和通道注意力的点云配准算法。引

入可变形卷积对点云进行初步特征提取，通过对特征空间中具有不同尺度邻域的每一层

图特征更新，将不同邻域尺度的多层图卷积级联，实现点的感受野拓展，避免相似几何

结构的对象的伪匹配，同时增加通道注意力，优化配准环节特征提取能力，提高点云配

准精度。

最后，对于本文提出的两种算法，在现有数据集上进行验证并且与现有算法进行对

比，同时应用在自采数据集，实验结果证明本文所设计的配准方案精度较高、泛化能力

较好、鲁棒性较强。

关键词：三维点云；点云配准；关键点筛选；感受野拓展；通道注意力

基于深度学习的三维点云配准算法研究

Abstract

Inrecentyears,three-dimensionalpointcloudshavebeenwidelyusedasadata

representationformcontainingrichinformationinfieldssuchasautonomousdrivingand

robotvision.Pointcloudregistrationcriteriaareakeylinkinrelatedtechnologies.Atthe

sametime,duetotheimprovementofcomputercomputingpower,deeplearningtechnology

hasgraduallybeenappliedinmanyfields.Completingpointcloudregistrationtasksthrough

deeplearningmethodshasalsobecomeanimportantdirectioninrelatedtechnologyresearch.

Comparedtotraditionalmethods,3Dpointcloudregistrationbasedondeeplearninghas

betterfeatureextractionability,registrationaccuracy,andgeneralizationperformance.

However,therearestillproblemsinthecurrentpointcloudregistrationextractionprocess,

suchasinsufficientaccuracyinextractinglocalfeaturesandselectingkeypoints,