(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210946526.3 (22)申请日 2022.08.09 (65)同一申请的已公布的文献号 申请公布号 CN 115063459 A (43)申请公布日 2022.09.16 (73)专利权人 苏州立创致恒电子科技有限公司 地址 215000 江苏省苏州市苏州工业园区 金鸡湖大道13 55号国际科技园A5 03 (72)发明人 李骏　李想　魏翼飞　周方明　 (74)专利代理 机构 北京弘权知识产权代理有限 公司 11363 专利代理师 逯长明　朱炎 (51)Int.Cl. G06T 7/33(2017.01) G06V 10/774(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) (56)对比文件 CN 113989340 A,202 2.01.28 CN 114298946 A,202 2.04.08 WO 2022067790 A1,202 2.04.07 CN 114821282 A,202 2.07.29 CN 113838109 A,2021.12.24 US 2019295319 A1,2019.09.26 US 2021150252 A1,2021.0 5.20 Zheng Qin等.Geometric Transformer for Fast and Robust Po int Cloud Registrati on. 《https://arxiv.org/pdf/2 202.06688.pdf》 .2022,第1-18页. 审查员 江汉琼 (54)发明名称 点云配准方法及 装置、 全景点云融合方法及 系统 (57)摘要 本申请提供一种点云配准方法及装置、 全 景 点云融合方法及系统。 所述点云配准方法包括获 取第一点云和第二点云； 依次使用预设的点云编 码器、 基于Transformer算法的注意力特征提取 器和预设的点云解码器， 得到第一目标几何特征 和第二目标几何特征； 根据所述第一目标几何特 征和第二目标几何特征得到第一点云和第二点 云之间的旋转矩阵和平移向量。 所述的点云配准 方法中， 通过使用基于Transformer算法的注意 力特征提取器， 使得最终得到的第一目标几何特 征和第二目标几何特征包含第一点云和第二点 云的局部几何特征和全局上下文信息。 因此， 使 用本申请提供的点云配准方法得到的旋转矩 阵 和平移向量进行点云配准， 配准精度高。 权利要求书3页 说明书12页 附图4页 CN 115063459 B 2022.11.04 CN 115063459 B 1.一种点云配准方法， 其特 征在于， 包括： 获取第一 点云和第二 点云； 使用预设的点云编码器， 得到第一点云对应的第一初始几何特征、 第二点云对应的第 二初始几何特 征； 使用基于Transformer算法的注意力特征提取器交叉学习所述第一初始几何特征和所 述第二初始几何特 征， 得到第一加强自注意特 征和第二加强自注意特 征； 使用预设的点云解码器， 得到所述第一加强自注意特征对应的第一目标几何特征、 所 述第二加强自注意特 征对应的第二目标几何特 征； 使用Ransac算法， 得到所述第一目标几何特征和所述第二目标几何特征的旋转矩阵和 平移向量； 其中， 所述基于Transformer算法的注意力特征提取器包括第一自注意单元、 第二自注 意单元、 第一交叉注意单 元、 第二交叉注意单 元、 第三自注意单 元、 第四自注意单 元； 所述使用基于Transformer算法的注意力特征提取器交叉学习所述第一初始几何特征 和所述第二初始几何特 征， 得到第一加强自注意特 征和第二加强自注意特 征， 包括： 所述第一自注意单 元提取第一初始几何特 征的第一自注意特 征； 所述第二自注意单 元提取所述第二初始几何特 征的第二自注意特 征； 所述第一交叉注意单元提取所述第一自注意特征和所述第二自注意特征的第一交叉 注意特征； 所述第二交叉注意单元提取所述第一自注意特征和所述第二自注意特征的第二交叉 注意特征； 所述第三自注意单 元提取所述第一交叉注意特 征的第一加强自注意特 征； 所述第四自注意单 元提取所述第二交叉注意特 征的第二加强自注意特 征。 2.根据权利要求1所述的点云配准方法， 其特征在于， 所述预设的点云编码器、 所述基 于Transformer 算法的注 意力特征提取器以及所述预设的点云解码 器使用预设训练数据集 进行训练得到； 其中， 所述预设训练数据集包括多个样本点云对以及对应的标签旋转矩阵 和标签平 移向量； 其中， 通过预设方法获取目标样本点云对的标签旋转矩阵和标签平移向量， 其中， 所述 目标样本点云对为任意一个样本点云对， 所述目标样本点云对包括第一样本点云和第二样 本点云； 所述预设方法包括： 预处理所述第 一样本点云和所述第 二样本点云， 得到第 一低密度样本点云和第 二低密 度样本点云， 其中所述预处 理包括降采样处 理与降噪处 理； 使用FPFH算法提取所述第一低密度样本点云的第一样本点云特征、 所述第二低密度样 本点云的第二样本点云特 征； 使用Ransac算法， 得到第一样本点云特征和所述第二样本点云特征的粗匹配旋转矩阵 和粗匹配平 移向量； 使用点对面ICP配准算法， 根据所述粗匹配旋转矩阵和所述粗匹配平移向量， 得到所述 标签旋转矩阵和所述标签平 移向量。 3.根据权利要求2所述的点云配准方法， 其特征在于， 所述第 一点云与 所述第二点云的 重叠率大于等于第一预设值， 所述第一样本点云与所述第二样本点云的重叠率大于等于第权　利　要　求　书 1/3 页 2 CN 115063459 B 2二预设值； 所述第一预设值大于所述第二预设值。 4.一种点云配准装置， 其特征在于， 包括： 点云获取模块、 点云特征提取模块、 配准关系 获取模块； 其中， 所述点云获取模块用于获取第一 点云和第二 点云； 所述点云特征提取模块包括依次相连的预设的点云编码子模块、 基于Transformer算 法的注意力特征提取子模块以及预设的点云解码子模块； 其中， 所述预设的点云编码子模 块用于提取第一点云对应的第一初始几何特征、 第二点云对应的第二初始几何特征； 所述 基于Transformer 算法的注 意力特征提取子模块用于交叉学习所述第一初始几何特征和所 述第二初始几何特征， 得到第一加强自注意特征和第二加强自注意特征； 所述预设的点云 解码子模块用于提取所述第一加强自注意特征对应的第一目标几何特征、 所述第二加强自 注意特征对应的第二目标几何特 征； 所述配准关系获取模块用于使用Ransac算法， 得到所述第一目标几何特征和所述第二 目标几何特 征的旋转矩阵和平 移向量， 其中， 所述基于Transformer算法的注意力特征提取子模块包括第一自注意单元、 第二 自注意单元、 第一交叉注意单元、 第二交叉注 意单元、 第三自注意单元、 第四自注意单元； 其 中， 所述第一自注意单元用于提取第 一初始几何特征的第 一自注意特征， 所述第 二自注意 单元用于提取 所述第二初始几何特 征的第二自注意特 征； 所述第一交叉注意单元用于提取所述第一自注意特征和所述第二自注意特征的第一 交叉注意特征； 所述第二交叉注意单元用于提取所述第一自注意特征和所述第二自注意特 征的第二交叉注意特 征； 所述第三自注意单元用于提取所述第 一交叉注意特征的第 一加强自注意特征， 所述第 四自注意单 元用于提取 所述第二交叉注意特 征的第二加强自注意特 征。 5.一种全景点云融合方法， 其特 征在于， 包括： 获取被测对象的点云序列， 其中， 所述被测对象的点云序列包括所述被测对象的多个 依次相邻的目标点云， 且所述 点云序列覆盖所述被测对象的全景区域； 根据权利要求1 ‑3任一项所述的点云配准方法， 依次得到所述点云序列中的两个相邻 目标点云对应的旋转矩阵和平 移向量； 根据所述对应的旋转矩阵和平移向量， 依次融合所述点云序列中的两个相邻目标点 云， 得到新的点云序列； 将所述新的点云序列作为所述被测对象的点云序列， 重复上述得到新的点云序列的过 程， 直至新的点云序列中包 含的目标点云数量 为1； 得到所述被测对象的全景点云。 6.一种全景点云融合系统， 其特征在于， 所述全景点云融合系统包括如权利要求4所述 的点云配准装置， 所述全景点云融合系统还 包括： 点云序列存 储装置、 点云融合装置； 所述点云序列存储装置用于获取并存储被测对象的点云序列， 其中， 所述被测对象的 点云序列包括所述被测对象的多个依次相 邻的目标点云， 且所述点云序列 覆盖所述被测对 象的全景区域；权　利　要　求　书 2/3 页 3 CN 115063459 B 3