点云配准是点云数据处理的一项重要的基础技术,广泛应用于机器人、工业检测等领域。然而,点云特征缺乏全局上下文信息以及点对特征误匹配使得刚体变换矩阵解算不准确,导致点云配准精度低。针对上述问题,提出一种融合全局感知和跨点云交...点云配准是点云数据处理的一项重要的基础技术,广泛应用于机器人、工业检测等领域。然而,点云特征缺乏全局上下文信息以及点对特征误匹配使得刚体变换矩阵解算不准确,导致点云配准精度低。针对上述问题,提出一种融合全局感知和跨点云交互的点云配准方法,其主要包含全局-局部特征提取模块和注意力特征融合匹配模块。全局-局部特征提取模块可以提取点云的局部几何特征并结合全局上下文信息,以此提高点云特征的全局一致性。注意力特征融合匹配模块通过交叉注意力机制融合两片点云的特征信息,并获取点对匹配关系的置信度,通过加权奇异值分解算法提高了变换矩阵的解算精度。实验结果表明,所提方法在3DMatch数据集上得到的特征匹配召回率(feature match recall,FMR)达到97.9%,配准召回率达到90.5%,优于现有的方法。展开更多
文摘点云配准是点云数据处理的一项重要的基础技术,广泛应用于机器人、工业检测等领域。然而,点云特征缺乏全局上下文信息以及点对特征误匹配使得刚体变换矩阵解算不准确,导致点云配准精度低。针对上述问题,提出一种融合全局感知和跨点云交互的点云配准方法,其主要包含全局-局部特征提取模块和注意力特征融合匹配模块。全局-局部特征提取模块可以提取点云的局部几何特征并结合全局上下文信息,以此提高点云特征的全局一致性。注意力特征融合匹配模块通过交叉注意力机制融合两片点云的特征信息,并获取点对匹配关系的置信度,通过加权奇异值分解算法提高了变换矩阵的解算精度。实验结果表明,所提方法在3DMatch数据集上得到的特征匹配召回率(feature match recall,FMR)达到97.9%,配准召回率达到90.5%,优于现有的方法。
