买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于局部特征学习的点云配准方法及系统，从数据集读入点云数据并进行预处理；利用点的三维坐标构建局部特征；通过最大池化操作生成全局特征；构造包含特征提取模块的配准网络；选取训练集和测试集；利用训练集对配准网络进行训练；利用训练好的配准网络对测试集进行配准，得到变换参数并评估配准结果。本发明属于端到端的点云配准网络，只需输入源点云和模板点云即可得到配准结果。

主权项：1.一种基于局部特征学习的点云配准方法，其特征在于，包括以下步骤：S1、读取点云数据，并对点云数据进行预处理；S2、对步骤S1预处理后的点云数据施加变换，制作训练集和测试集；S3、构建局部特征提取网络，通过局部特征提取网络获得待配准点云的局部特征，并通过最大池化操作得到待配准点云的全局特征，具体如下：将点云通过第一层多层感知机和第二层多层感知机，将3维的坐标特征映射到64维的高维空间；利用最远点采样对源点云进行采样，得到512个点；以每个点为中心，距离作为尺度，在原1024个点中找出距离每个点最近的32个邻居点，每个邻居点的特征减去中心点特征得到一个由邻居点指向中心点的特征向量；将每一个由邻居点指向中心点的特征向量和中心点的特征拼接得到一个128维的组合特征向量，对每个邻域内32个点的128维组合特征中的每一维做最大池化，得到代表邻域特征的128维向量，128维向量中的前64维代表每个邻域内的邻域点在某一维度的最大特征值，128维向量中的后64维代表中心点的特征；将512个采样点的特征由64维变成128维，利用最远点采样对512个点再次采样，得到256个点，再次划分256个邻域，并求得能够代表每个邻域特征的256维组合特征向量，其中前128维代表每个邻域内的邻域点在某一维度的最大特征值，后128维代表中心点的特征；通过第三层多层感知机和第四层多层感知机得到1024维特征，将得到的1024维特征与第二次采样并划分邻域后得到的256维特征进行拼接，得到1280维特征；再经过第五层多层感知机得到1024维特征向量；最后经过一个最大池化得到1024维的全局特征；S4、基于步骤S3得到的待配准点云的局部特征和待配准点云的全局特征构建点云配准网络，具体为：将源点云与模板点云输入点云配准网络，分别经过局部特征提取网络后得到两个1×1024维的全局特征，将两个全局特征拼接得到1×2048维特征向量，再经过一系列全连接层得到1×7维的向量，根据1×7维向量求得旋转四元数和平移向量；S5、利用步骤S2得到的训练集对步骤S4构建的点云配准网络进行训练；S6、利用步骤S5训练好的点云配准网络对步骤S2选取的测试集进行配准，得到变换参数并评估配准结果。

全文数据：

权利要求：

百度查询： 西安电子科技大学 一种基于局部特征学习的点云配准方法及系统