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！

摘要：本发明公开了一种构建点云局部坐标系的方法、系统、装置及介质，其方法包括：制作点云局部块的3D特征；将3D特征输入EE‑Net网络模型，得到预测的点云局部块每个点对构建局部参考坐标系的权重系数；根据预测的点云局部块每个点对构建局部参考坐标系的权重系数，得到预测权重的结果；根据预测权重的结果，构建点云局部参考坐标系。本发明提供的构建方法可确保点云局部块的刚体运动不变，从而设计出一个更加鲁棒且可重复的局部参考坐标系，便捷高效，占用系统资源少。

主权项：1.一种构建点云局部坐标系的方法，其特征在于，包括：制作点云局部块的3D特征；将3D特征输入EE-Net网络模型，得到预测的点云局部块每个点对构建局部参考坐标系的权重系数；根据预测的点云局部块每个点对构建局部参考坐标系的权重系数，得到预测权重的结果；根据预测权重的结果，构建点云局部参考坐标系；其中，所述EE-Net网络模型通过结合孪生网络Siamese-Net、T-Net网络、SE注意力机制实现；其中，所述将3D特征输入EE-Net网络模型，得到预测的点云局部块每个点对构建局部参考坐标系的权重系数，包括：通过孪生网络接收3D特征，比较两个点云局部块在新的局部参考坐标系下的相似性，从而迭代优化网络参数；然后通过T-Net网络学习点云本身的位姿信息学习到一个有利于网络进行分类或分割的DxD旋转矩阵；最后通过引入SE注意力机制，抑制旋转矩阵中不重要的特征，然后通过设计的网络模型学习，得到每个点对于构建LRF局部坐标系的权重系数；其中，所述根据预测的点云局部块每个点对构建局部参考坐标系的权重系数，得到预测权重的结果，包括：将点云局部块3D特征输入EE-Net网络模型，通过T-net网络学习得到一个旋转矩阵，在第一隐藏层中利用一个一维卷积升维将矩阵的2维的特征提升到64维；在第二层隐藏层中通过一个一维卷积将64维的特征升维到128维，得到特征信息，对所得的特征信息进行归一化处理，再对其结果进行非线性化映射，然后使用注意力机制抑制不重要的通道特征，然后将128维特征升维到1024维特征，继续进行归一化处理、非线性化映射和注意力机制处理，再通过一个池化层得到整个局部块的1024个全局特征；执行一个拼接操作，将局部块的1024个全局特征和第一个隐藏层中的64维特征进行一 个拼接，得到大小为N1088的矩阵； 然后通过第三层隐藏层进行降维得到预测权重，具体为：首先通过一个一维卷积将1088维特征压缩到518维，然后后对所得的特征进行归一化处理，对归一化的结果进行非线性化映射，重复这个类似的操作直至降维为1维特征，即得到了Nx1维特征；最后通过豪斯多夫距离损失来量化当前网络的优劣，通过反向传播进行参数更新，对于网络模型的参数进行自动优化，并且反复迭代，最终得到预测权重的结果。

全文数据：

权利要求：

百度查询： 广州大学 一种构建点云局部坐标系的方法、系统、装置及介质