重叠分数与匹配矩阵驱动的部分重叠点云配准网络设计OA北大核心CSTPCD

现有部分重叠点云配准算法在重叠边界区域的感知以及非重叠点的去除上存在不足,限制了部分重叠点云配准算法性能的进一步提高。针对以上问题,本文设计了一种基于两阶段的重叠分数与匹配矩阵驱动的部分重叠点云配准网络。首先在位姿估计模块采用邻域一致特征作为输入来估计初始位姿,以提高初始对齐准确度;接着设计一种通道空间感知Transformer模块来感知两点云重叠区域,以保持对重叠边界区域的精确感知;然后提出一种基于Transformer的特征编码器来编码初始对齐后点云的特征,以挖掘特征图全局和显著通道特征;最后采用离群点去除方法将余弦相似度矩阵转换为匹配矩阵,以去除非重叠点并正确匹配点间对应关系。本文算法在ModelNet40,ShapeNetCore. v2和Stanford Bunny数据集上进行了验证,在ModelNet40数据集上,相对次优算法GeoTransformer,本文算法的平均各向同性误差MIE(R)和平均绝对误差MAE(R)分别下降12.79%和9.78%;在ShapeNetCore. v2数据集上,相对次优算法MGFPCR,本文算法的均方根误差RMSE(R)和平均绝对误差MAE(R)分别下降42.00%和61.66%;在Stanford Bunny数据集上,相比次优算法ROPNet,本文算法的均方根误差RMSE(R)和平均绝对误差MAE(R)分别下降25.53%和5.58%。实验结果表明,本文算法在泛化性能和抗噪性能上相比其他算法均有较好表现。