计算机应用

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

单位：1.五邑大学 电子与信息工程学院，广东 江门 529020；2.澳门科技大学 创新工程学院，澳门 999078；3.五邑大学 纺织科学与工程学院，广东 江门 529020；4.五邑大学 应用物理与材料学院，广东 江门 529020

关键词：点云配准,深度学习,几何采样,特征提取,Transformer

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);深圳市人工智能与机器人研究院探索性研究项目(AC01202101103)

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%。

来源：2025年第1期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第1期