基于深度学习的几何特征匹配方法

摘要：

Kinect等深度相机采集的三维数据往往存在噪音、低分辨率等问题,导致两帧点云的局部几何特征匹配一直面临挑战.目前多采用基于特征直方图的方法解决这一问题,但其计算量较大,且对场景旋转平移的要求较为严格.文中提出了一种基于数据驱动的方法,首先从大量重建好的RGB-D数据集中,通过自监督的深度学习方法构建能够描述三维数据几何特征的模型;然后利用基于KD-Tree的K近邻算法(KNN)得到两部分点云的特征对应点,通过RANSAC剔除误匹配点对;最后通过得到的较准确的位置关系估计两帧点云的几何变换,从而完成配准.基于斯坦福大学点云库中的模型以及真实环境下Kinect采集到的大卫石膏像模型的配准和比较实验表明,所提方法不仅可以提取未知物体的局部几何特征进行配准,还可以较好地应对空间角度变换大的情况.

关键词：点云特征配准、深度学习、自监督、KD-Tree、大角度变换

所属期刊栏目：46

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金项目51538009;陕西省工业攻关项目2015GY044

在线出版日期：2019-07-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：274-279