1.一种基于三维卷积神经网络的点云配准方法,其特征在于,所述方法包括如下步骤:
1)获取训练点云模型和待配准目标点云模型,计算其在观测方向上的深度图像;
2)构建三维卷积神经网络模型,设定训练参数和损失函数,使用获取的数据集来训练网络,得到训练好的三维卷积神经网络模型;
3)通过训练好的三维卷积神经网络模型来提取目标模型两视角下点云的特征点;
4)根据提取到的特征点通过配准算法来计算两视角点云之间的配准参数;
所述步骤2)具体包括如下步骤:
(2.1)构建一个三维卷积神经网络模型,整个三维卷积神经网络的层包括四个部分;第一部分由一个卷积层和一个池化层组成,第二部分由一个卷积层组成,第三部分由两个卷积层组成,第四部分由四个卷积层组成;
所述步骤(2.1)中,第一部分由一个卷积层和一个池化层组成,其中输入3D块的大小为
30×30×30,卷积层经过64个大小为3×3×3的卷积核和RELU激活函数处理,输出特征为30×30×30×64,池化层中将每2×2×2的体素合为一个体素并取其中的最大值,输出特征大小为15×15×15×64;
第二部分由一个卷积层组成,其中输入特征的大小为15×15×15×64,每个卷积层经过128个大小为3×3×3的卷积核和RELU激活函数处理,输出特征为13×13×13×128;
第三部分由两个卷积层组成,其中输入特征的大小为13×13×13×128,每个卷积层经过256个大小为3×3×3的卷积核和RELU激活函数处理,输出特征为9×9×9×256;
第四部分由四个卷积层组成,其中输入特征的大小为9×9×9×256,每个卷积层经过
512个大小为3×3×3的卷积核和RELU激活函数处理,输出特征大小为1×1×1×512;
(2.2)确定三维卷积神经网络的参数,将训练集中的图片以一个场景为一个批次载入三维卷积神经网络模型进行训练,每1000次迭代保存一次数据。
2.根据权利要求1所述的基于三维卷积神经网络的点云配准方法 ,其特征在于,所述步骤(2.2)中,使用基于能量模型的对比损失函数,对于输入的两个样本对A1和A2,通过神经网络训练,得到特征向量MW(A1)和MW(A2),进行相似度判断,用能量函数如等式(1)所示,进行比较:
EW(A1,A2)=||MW(A1)‑MW(A2)|| (1)上式中,A1和A2表示一对样本,W为样本对共享权重,当样本对为同类时,EW越大,损失越大,即关于EW递增;当样本对为异类时,EW越大,损失越小,即关于EW递减,因此,对比损失函数的定义如下:
i i i
其中,L(W,(B,A1,A2))=(1‑B)LS(W,(B,A1,A2) )+BLI(W,(B,A1,A2) ),(B,A1,A2)表示一个样本对,共N个样本对,B=1表示同类样本对,其损失是 B=0表示异类样本对,其损失是