基于动态图卷积网络的局部重叠点云配准方法研究

在点云配准工作中,大偏转角和部分重叠的不同视角点云会导致在特定区域没有匹配点对,在位姿匹配中陷入局部最优解,无法求解出最优匹配变换。因此,本文首先通过动态图卷积神经网络构造图卷积结构,强化局部空间拓扑信息提取。然后,利用重叠预测模块对重叠区域进行概率计算,减少非重叠区域带来的影响。最后,在位姿估计模块中利用自注意力机制和姿态编码器增强了全局特征提取和位姿估计的鲁棒性。实验结果表示,在Model Net40数据集上,本文算法在旋转矩阵(R)和平移向量(t)的均方根误差与平均绝对误差指标上值分别为6.457、0.045和3.126、0.034,配准精度优于ICP(Iterative Closest Point,迭代最近邻算法)等方法。同时根据Stanford 3D数据集上的泛化实验可视化结果可知,本文所提算法可作为ICP的初始位置输入,收敛到全局最优。