一种基于重叠区域预测的猪体点云配准方法

技术领域

本发明涉及多视角三维点云处理技术领域，更具体的，涉及一种基于重叠区域预测的猪体点云配准方法。

背景技术

非同源采集的多个点云分别从各自视角坐标系，点云配准旨在将不同视角坐标系获取的点云数据变换到统一坐标系下。两两视图点云配准旨在将具有一定重叠区域的两组点云配准到一个坐标系。三维表型重构自动准确的测量体尺前提就是需要重构高质量的点云。高质量的点云要求多视角点云高精度配准，且表面光滑噪声点较少。如果点云配准精度不高，且多帧点云重叠处表面噪声多，表面不光滑，计算的体尺误差较大。近年来，随着信息技术的快速发展，机器学习、计算机视觉、数字图像处理、云计算、大数据和电子信息等先进计算机技术被广泛应用于工业、农业、制造业、医疗和教育等领域。最近几年，基于深度学习的点云配准算法不断被提出，其性能与速度均超过了传统的ICP算法。目前，对于猪体点云配准大多采用静态标定物的配准方式，存在对采集环境的抗干扰能力较弱等缺点。

发明内容

本发明为了解决多视角三维猪体点云配准任务中存在对采集环境的抗干扰能力较弱，处理数据繁琐等问题，提供了一种基于重叠区域预测的猪体点云配准方法。有效地提高了多视角猪体点云配准网络的配准过程中存在的精确度和提高猪体点云配准网络对环境的抗干扰能力。

为实现上述本发明目的，采用的技术方案如下：

一种基于重叠区域预测的猪体点云配准方法，所述的方法包括步骤如下：获取并预处理原始猪体点云；构建猪体点云配准网络；将预处理后的原始猪体点云输入到猪体点云配准网络中，预测重叠区域的概率和提取点的特征；基于预测重叠区域和点的特征建立点对关系，计算位置变换关系完成配准。

优选地，所述原始猪体点云的预处理过程为：首先对输入的两帧原始猪体点云进行体素降采样；得到表面分布均匀的两帧降采样猪体点云，并且在两帧降采样猪体点云中寻找到相互对应点，组成点对，作为猪体点云配准网络计算误差的数据。

优选地，所述猪体点云配准网络是双流编解码网络，包括由特征提取模块ResKPConv构成的编码器、交叉重叠区域注意力模块和由一维卷积层Conv1D构成的解码器；编码器输入预处理后的原始猪体点云进行编码，然后输出特征信息；交叉重叠区域注意力模块输入编码器输出两个特征信息，用于寻找两个特征信息之间的重叠区域，输出相应特征信息；解码器解码交叉重叠区域注意力模块输出的特征信息得到最终的特征信息。

优选地，所述编码器包括若干个特征提取模块ResKPConv，特征提取模块ResKPConv包含核点卷积子模块KPConv；所述核点卷积子模块KPConv的具体的工作过程为：所述核点卷积子模块KPConv对输入的数据进行卷积，将卷积得到的结果再与输入的数据相加聚合，然后通过激活函数输出特征信息。

优选地，所述交叉重叠区域注意力模块包括图卷积子模块和交叉注意力子模块；图卷积子模块在编码器输出的特征信息输入到交叉注意力子模块之前，加强编码器输出的特征信息中每个点的领域信息；交叉注意力子模块接收两个图卷积子模块输出的特征信息，用于寻找两个图卷积子模块输出的特征信息之间的重叠区域，输出相应特征信息；之后图卷积子模块再加强交叉注意力子模块输出的特征信息中每个点的领域信息。

优选地，所述图卷积子模块包括若干图卷积层，图卷积子模块的具体计算公式如下：

y

其中，y

优选地，所述第一层图卷积层输出特征信息和第二层图卷积层输出的特征信息的具体计算公式如下：

(k+1)

其中

优选地，所述的交叉注意力子模块包括四平行多注意力子组件和MLP子组件；所述四平行多注意力子模块提取两个输入四平行多注意力子模块的特征信息中相似的部分作为相似编码，再通过MLP子组件全连接网络学习和非线性映射，输出得到特征信息。

优选地，所述解码器对交叉重叠区域注意力模块输出的特征信息进行解码，输出每个点的特征描述符，并细化每个降采样后点云内点的重叠区域的概率和拓扑特征编码。

优选地，所述配准过程为：选择解码器解码后的邻域特征信息的每个点第一维度的值大于阈值的点，基于预测区域和选取点的点特征信息建立点对关系，估算位置变换关系，完成配准；其中第一维度为重叠区域的概率，阈值为80％-90％。

本发明的有益效果如下：

本发明通过使用神经网络优先估计猪体点云重叠部分和提取点特征，基于网络输出的数据能够计算出位置变换关系，获得完整表面光滑的猪体点云。本发明可有效的解决多视角猪体点云配准网络的配准过程中存在的精确度问题和提高猪体点云配准网络对环境的抗干扰能力。

附图说明

图1是本发明实施例1所述的一种基于重叠区域预测的猪体点云配准方法的流程图。

图2是本发明实施例1所述的采集不同位置点云示意图。

图3是本发明实施例1所述的点云配准网络模型的整体流程图。

图4是本发明实施例1所述的猪体配准完成整体效果图。

图5是本发明实施例1所述的猪体配准完成后截面图。

具体实施方式

以下将参照附图和优选实施例来说明本发明的实施方式，本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

实施例1

如图1所示，一种基于重叠区域预测的猪体点云配准方法：所述的方法包括步骤如下：

S1：获取并预处理原始猪体点云；

S2：构建猪体点云配准网络；

S3：将预处理后的原始猪体点云输入到猪体点云配准网络中，预测重叠区域的概率和提取点的特征；

S4：基于预测重叠区域和点的特征建立点对关系，计算位置变换关系完成配准。

所述原始猪体点云的预处理过程为：首先对输入的两帧原始猪体点云进行体素降采样；得到表面分布均匀的两帧降采样猪体点云，并且在两帧降采样猪体点云中寻找到相互对应点，组成点对，作为猪体点云配准网络计算误差的数据。多个视角猪体局部三维点云数据如图2所示。

点云配准网络模型的整体流程图如图3所示，所述猪体点云配准网络是双流编解码网络，包括由特征提取模块ResKPConv构成的编码器、交叉重叠区域注意力模块和由一维卷积层Conv1D构成的解码器；编码器输入预处理后的原始猪体点云进行编码，然后输出特征信息；交叉重叠区域注意力模块输入编码器输出两个特征信息，用于寻找两个特征信息之间的重叠区域，输出相应特征信息；解码器解码交叉重叠区域注意力模块输出的特征信息得到最终的特征信息。

所所述编码器包括若干个特征提取模块ResKPConv，特征提取模块ResKPConv包含核点卷积子模块KPConv；所述核点卷积子模块KPConv的具体的工作过程为：所述核点卷积子模块KPConv对输入的数据进行卷积，将卷积得到的结果再与输入的数据相加聚合，然后通过激活函数输出特征信息；具体计算公式如下：

y′＝LeakyReLU(y+KPConv(y))

其中LeakyReLU()为激活函数，KPConv()为核点卷积子模块KPConv中的卷积运算，y为特征提取模块ResKPConv的输入数据，y′为输出的特征信息。

所述交叉重叠区域注意力模块包括图卷积子模块和交叉注意力子模块；图卷积子模块在编码器输出的特征信息输入到交叉注意力子模块之前，加强编码器输出的特征信息中每个点的领域信息；交叉注意力子模块接收两个图卷积子模块输出的特征信息，用于寻找两个图卷积子模块输出的特征信息之间的重叠区域，输出相应特征信息；之后图卷积子模块再加强交叉注意力子模块输出的特征信息中每个点的领域信息。

所述图卷积子模块包括若干图卷积层，图卷积子模块的具体计算公式如下：

y

其中，y

所述第一层图卷积层输出特征信息和第二层图卷积层输出的特征信息的具体计算公式如下：

(k+1)

其中

所述的交叉注意力子模块包括四平行多注意力子组件和MLP子组件；所述四平行多注意力子模块提取两个输入四平行多注意力子模块的特征信息中相似的部分作为相似编码，再通过MLP子组件全连接网络学习和非线性映射，输出得到特征信息；具体计算公式如下：

其中

m

其中v

其中W

所述解码器对交叉重叠区域注意力模块输出的特征信息进行解码，输出每个点的特征描述符，并细化每个降采样后点云内点的重叠区域的概率和拓扑特征编码。

所述配准过程为：选择解码器解码后的邻域特征信息的每个点第一维度的值大于阈值的点，基于预测区域和选取点的点特征信息建立点对关系，估算位置变换关系，完成配准；其中第一维度为重叠区域的概率，阈值为80％-90％。

猪体配准完成后整体效果图如图4所示，截面如图5所示。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。