基于坐标几何采样的点云配准方法

作     者：梁杰涛 罗兵 付兰慧 常青玲 李楠楠 易宁波 冯其 何鑫 邓辅秦 LIANG Jietao;LUO Bing;FU Lanhui;CHANG Qingling;LI Nannan;YI Ningbo;FENG Qi;HE Xin;DENG Fuqin

作者机构：五邑大学电子与信息工程学院广东江门529020 澳门科技大学创新工程学院中国澳门999078 五邑大学纺织科学与工程学院广东江门529020 五邑大学应用物理与材料学院广东江门529020 

出 版 物：《计算机应用》 (journal of Computer Applications)

年 卷 期：2025年第45卷第1期

页      面：214-222页

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

基　　金：国家自然科学基金资助项目(62073274) 江门科技计划项目(2020030103000008537) 五邑大学港澳联合基金资助项目(2022WGALH17,2021WGALH18) 深圳市人工智能与机器人研究院探索性研究项目(AC01202101103) 

主　　题：点云配准 深度学习 几何采样 特征提取 Transformer 

摘      要：为了提高点云配准的精度、鲁棒性和泛化性,解决迭代最近点(ICP)算法容易陷入局部最优解的问题,提出一种基于坐标几何采样的深度最近点(GSDCP)的点云配准方法。首先,基于每个点的周围点的坐标估计中心点曲率,并通过曲率大小筛选出能保留点云几何特征的点,从而完成点云下采样;然后,使用动态图卷积神经网络(DGCNN)配合下采样点云学习融入局部几何信息的点云特征,并通过Transformer捕获两个特征嵌入之间的上下文信息、使用软指针近似组合匹配;最后,利用一个可微的奇异值分解(SVD)层估计最终的刚性变换。在数据集ModelNet40上进行的点云配准实验结果表明,与ICP、Go-ICP (Globally optimal ICP)、PointNetLK、快速全局配准(FGR)、ADGCNNLK (Attention Dynamic Graph Convolutional Neural Network Lucas-Kanade)、深度最近点(DCP)和多特征引导网络(MFGNet)相比,在无噪声、有噪声和看不见点云类别的情况下GSDCP的配准精度和鲁棒性都最好;其中在无噪声的情况下,与MFGNet相比,GSDCP的旋转均方误差(MSE)降低了31.3%,平移MSE降低了58.3%;在有噪声的情况下,GSDCP的旋转MSE降低了33.9%,平移MSE降低了73.4%;在看不见点云类别的情况下,GSDCP的旋转MSE降低了57.7%,平移MSE降低了77.9%。除此之外,对不完整点云数据(包括随机遮挡和点云残缺),在点云完整度为75%以下时,GSDCP的旋转MSE降低了35.1%,平移MSE降低了39.8%。