结合通道优先卷积注意力的点云配准网络

作     者：张艺旋 韩燮 赵融 王松 程郴 ZHANG Yixuan;HAN Xie;ZHAO Rong;WANG Song;CHENG Chen

作者机构：中北大学计算机科学与技术学院山西太原030051 中北大学机器视觉与虚拟现实山西省重点实验室山西太原030051 中北大学山西省视觉处理及智能机器人工程研究中心山西太原030051 中国辐射防护研究院山西太原030006 

出 版 物：《中北大学学报（自然科学版）》 (Journal of North University of China(Natural Science Edition))

年 卷 期：2024年第45卷第6期

页      面：753-763页

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(62272426) 山西省科技重大专项计划“揭榜挂帅”项目(202201150401021) 

主　　题：点云配准 深度学习 注意力机制 残差网络 

摘      要：点云配准网络在处理大规模点云和捕获局部细节特征时存在局限性,导致其对点云重叠区域配准的精度不足,本文提出了一种新的点云配准网络CR-RORNet来解决此问题。该网络结合了通道优先卷积注意力和ResPointNet模块,克服了现有方法在应对复杂场景和不规则点云时的不足,提升了复杂点云模型的配准效果。首先,在粗配准阶段设计了ResPointNet模块,通过引入残差连接机制强化了点云模型全局特征和多层次特征的提取与融合。其次,在动态图卷积神经网络中将通道优先卷积注意力机制CPCA(Channel Prior Convolutional Attention)与跨阶段梯度聚合机制进行结合,CPCA机制利用通道先验信息加强了网络对重要特征通道和区域的关注,在处理点云重叠部分时,能有效增强网络模型对点云局部细节特征的捕捉能力并抑制低置信度区域的影响,从而显著提升配准的效果;跨阶段梯度聚合机制融合了点云模型不同深度层次的梯度信息,确保在处理微小零部件或大范围场景点云模型时,网络能充分理解点云的结构和局部细节,并使学习到的特征具有良好的表达力,从而实现了复杂场景下点云数据的高精度配准。实验表明,CR-RORNet在自采数据集上的表现优于其他点云配准方法,相比基线RORNet,CR-RORNet在RMSE(t)误差降低了39.5%,在MSE(R)误差降低了5.1%。公开数据集ModelNet40中的实验结果表明,该网络具有良好的泛化性能。