融合几何注意力和多尺度特征点云配准网络

点云不同的几何特征影响着点云配准的难度。然而,大多数点云存在部分重叠,几何特征被噪声干扰,并且点云表面有部分不可区分的特征,这使得提取具有代表性的几何特征更加困难。结合以上原因提出一种融合几何注意力和多尺度特征的点云配准网络GMNet,利用几何Transformer提取几何特征并对点云点对距离和角度编码,使其在低重叠情况下更具鲁棒性;并使用多尺度特征架构聚合不同尺度上丰富的语义信息,提高点云配准的准确率;最后特征通过一致决策算法选择具有适当邻域大小的特征。GMNet分别在室内数据集3DMatch、3DLoMatch和室外数据集KITTI上进行实验,实验结果表明GMNet的整体配准精度较高,在3DMatch数据集和3DLoMatch数据集上配准召回率分别提升到93.4%和76.0%,在KITTI数据集上相对旋转误差和相对平移误差分别降低到6.2 cm和0.26°。该方法使用的几何Transformer提取有代表性几何特征,联合多尺度特征学习点云中的不同层次几何信息,有效提升点云配准精度。