龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
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！
申请/专利权人：武汉大学
摘要：本发明涉及一种基于点对特征卷积的低重叠点云配准方法及设备。首先，提出一种可以提取旋转不变特征的编码器，增强网络在旋转较大情况下的性能。其次，提出一种聚合全局特征的方法，改善了性能受卷积层感受野大小影响的局限性，使网络识别点云重叠部分的能力更强。通过两者结合，研究和探索出一种基于点对特征卷积的低重叠点云配准方法。
主权项：1.基于点对卷积的低重叠三维点云配准方法，其特征在于，包括以下步骤：步骤S1：构建基于点核卷积的编码器层，用于将输入源点云以及目标点云进行下采样，得到密度较低的点云以及卷积后的点云特征；步骤S2：构建几何引导编码层，该层包含几何编码以及语义编码两个分支；所述几何编码分支输入为源点云和下采样后的点云，输出为下采样后点云的几何特征；所述语义编码分支输入为下采样后的点云和卷积后的点云特征，输出为点云的语义特征；将得到的几何特征和语义特征输入全连接层，得到该层最终输出的源点云和目标点云r融合特征；步骤S3：构建全局聚合层，该层用于聚合源点云和目标点云的全局特征；全局聚合层的输入是步骤S2的融合特征，输出是点云经过全局聚合后的特征；步骤S4：构建基于最近邻上采样的解码器层，用于步骤S3中聚合后的特征恢复到原始点云的密集特征，通过跳接将编码器的特征传递到解码器；该层的输入是S3聚合后的特征，输出是原始点云的逐点特征描述符；步骤S5：通过原始点云的逐点特征描述符，进行特征匹配，得到源点云和目标点云之间的匹配点集，采用后处理方法通过匹配点集计算获取变换参数；步骤S6：利用带有真实匹配点集标签的数据集对S1-S5构建的深度学习网络进行训练；步骤S7：利用步骤S6训练好的网络进行点云配准。
全文数据：
权利要求：
百度查询： 武汉大学 基于点对卷积的低重叠三维点云配准方法及系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号