一种面向大规模复杂场景的点云特征优化方法及装置

本发明涉及计算机仿真，尤其涉及一种面向大规模复杂场景中的点云特征优化方法及装置。

背景技术：

1、点云是通过激光雷达、摄影测量等技术获取的大量离散点的数据集，是三维空间中对象表面的采样表示。由于其直接反映了现实世界中的几何和拓扑信息，点云在各种领域中得到了广泛的应用，包括但不限于城市规划、地形建模、建筑重建、遥感分析、工业设计、文化遗产保护等。然而，由于点云数据集可能来自不同的传感器、不同的视角或不同的时间，因此存在着空间位置、角度姿态和形状等方面的差异，使得点云之间的对齐和融合成为一项关键性任务。

2、点云配准是指将来自不同来源或不同时间的点云数据集进行对齐和融合，以实现一致的坐标系和完整的场景信息。通过点云配准，可以将多个点云数据集整合到一个全局坐标系中，从而实现更加准确和完整的环境建模。点云配准在许多领域中具有重要应用，其中包括无人驾驶和自动驾驶系统中的环境感知与定位、地图构建与更新、工业检测与制造、文化遗产保护与重建等。点云配准的准确性和效率直接影响着相关应用的性能和可靠性，因此成为了计算机视觉、机器人技术、地理信息系统等领域的研究热点之一。通过点云配准技术，可以实现更精确、更智能的环境感知与建模，推动自动化和智能化应用的发展。

3、现有技术中，基于几何特征的方法是目前粗配准中的主流方法，其主要思想是通过几何特征确定点云的对应关系。然后利用对应关系计算点云的初始变换矩阵进行点云粗配准。点的几何特征可分为全局特征和局部特征，前者描述物体的完整形状，而后者只编码特征点的邻域信息。由于全局特征是基于整体点云支持域的特征描述，待配准点云往往存在遮挡和重叠区域不完整等因素，因此局部特征比全局特征在点云配准应用中有更好的表现。利用对应点的主曲率相似性确定对应点，该方法首先计算点云中点的主曲率并存入哈希表中,从目标点云中搜索具有相同主曲率值的点作为对应点并计算初始变换矩阵,这种方法只适用于曲率变化较大的点云。通过二次曲面拟合估计两组散点云中所含点的曲率，首先将局部曲率变化较大的点作为特征点，并计算曲率的hausdorff最小距离确定初步对应点，然后对比特征点局部表面的圆周特征确定最终的对应点并计算初始变换矩阵，这种方法更具有鲁棒性。通过求解点的平均曲率值与曲率均值，保留平均曲率值大于曲率均值的点作为特征点，并将欧式距离最近的点作为对应点对来计算初始变化矩阵，这种方法只适用于初始位置较近的点云。将特征点与其相邻点投影到特定的二维平面形成二维分布图，计算每个点的最大曲率值并用灰度值表示出来，最后通过信息量化和编码建立区域曲率映射(regional curvature map，rcm)描述子来筛选对应点对完成初始变换矩阵的计算，该算法配准误差较小。求解了点和其邻域k个点的法向量，统计法向量之间的夹角并形成该点的k维特征向量，并以此为依据筛选可靠的对应点对，在得到的对应点集中随机选取不共线的3组对应点来计算初始变换矩阵，该算法鲁棒性较好，可以得到较好的初始变换矩阵。同样地，利用点其邻域点的法向量夹角的值以及邻域的形状索引值建立2d直方图，并结合质心和局部表面类型值形成局部描述子来筛选对应点对完成初始变换矩阵的计算，该算法的计算量较大，但是鲁棒性较好。局部描述子以独特的方式编码特征点及其邻域点云信息，具有较好的描述性和较高的鲁棒性，可以有效地区分不同的点云信息。通过比较局部描述子的相似程度可以筛选出正确的对应点对，从而得到最佳的变换矩阵。

4、但是现有的通过点局部特征进行点云配准的方法依赖于局部特征的稳定性，局部特征在点云中的提取通常受到噪声、采样密度和视角变化的影响。当点云数据集存在较大的噪声或不均匀的采样密度时，提取的局部特征可能不够稳定，导致配准结果不准确。其次局部特征不足以描述全局形状，局部特征虽然可以帮助识别点云中的局部结构和特征，但局部特征本身并不足以完整地描述点云的全局形状。在某些情况下，点云中的局部特征可能并不代表整体形状的特征，导致配准结果出现偏差。并且匹配过程容易受到局部噪声干扰，在进行局部特征匹配时，常常会受到局部噪声的影响，即使是小范围的噪声也可能导致匹配错误。这种情况尤其在点云数据集采集过程中存在大量噪声或较差的传感器条件下更加明显。

技术实现思路

1、本发明通过提供种面向大规模复杂场景中的点云特征优化方法，解决了现有技术中点云特征提取后，针对复杂场景下不同区域和目标的尺度差异导致的特征描述能力差的问题，实现了有效地降低了冗余程度，提高了整体性能。

2、第一方面，本发明提供了一种面向大规模复杂场景的点云特征优化方法，该方法包括：

3、通过最远点采样对点云数据集进行下采样，得到采样点云数据集；

4、对所述采样点云数据集进行特征提取，得到多尺度局部特征集，并将所述多尺度局部特征集中的特征进行拼接，得到特征向量；

5、对所述特征向量中的每个一维特征向量进行相关性评估，得到每个一维特征向量对应的强相关性的特征子集；

6、利用所述特征子集构建多个辅助优化任务，得到多个辅助任务优化结果，并利用所述多个辅助任务优化结果对主任务进行优化，得到优化后的主任务；其中，所述多个辅助优化任务是多个主任务的分解任务；

7、利用所述优化后的主任务对所述点云数据集进行优化，得到优化后的点云特征。

8、结合第一方面，在一种可能的实现方式中，所述通过最远点采样对点云数据集进行下采样，得到采样点云数据集，包括：

9、确定所述点云数据集中的一个点为起始点，将所述起始点加入至采样点集合中；

10、分别计算剩余集合中每个点与所述采样点集合中每个点之间的距离，得到距离集合；其中，所述剩余集合为去除所述起始点的点云数据集合；

11、将所述距离集合中数值最远的距离对应的点添加至所述采样集合中，直至所述采样集合中点的个数等于设定阈值，得到采样点云数据集。

12、结合第一方面，在一种可能的实现方式中，所述对所述采样点云数据集进行特征提取，得到多尺度局部特征集，包括：

13、利用多种不同的特征提取方法对所述采样点云数据集进行局部多尺度特征提取，得到多尺度局部特征集。

14、结合第一方面，在一种可能的实现方式中，所述对所述特征向量中的每个一维特征向量进行相关性评估，得到每个一维特征向量对应的强相关性的特征子集，包括：

15、计算所述采样点云数据集中点对应关系，并利用特征相关性计算公式计算所述特征向量中的每个一维特征向量的相关性值；

16、判断所述相关性值与第一阈值的关系，若所述相关性值大于所述第一阈值，则所述相关性值对应的维度特征向量为强相关的特征子集；

17、若所述相关性值小于或者等于所述第一阈值，则所述相关性值对应的维度特征向量为非强相关的特征子集；

18、去除所述特征向量中非强相关的特征子集，得到特征子集。

19、结合第一方面，在一种可能的实现方式中，所述特征相关性计算公式表示为：

20、

21、其中，x和y均表示任意一个维度特征向量；i(x,y)表示随机变量x和y之间的互信息；e表示自然常数。

22、结合第一方面，在一种可能的实现方式中，所述利用所述特征子集构建辅助优化任务，得到多个辅助任务优化结果，包括：

23、分别为所述特征子集中的每个子集建立辅助优化任务，利用互信息计算每个子集中每个维度的特征向量之间的第二相关性值；

24、根据所述第二相关性值对所述每个子集进行筛选，得到筛选后特征子集；

25、再循环对所述筛选后特征子集中的每个子集进行第三相关性值的计算，直至达到设定的循环次数，得到多个辅助任务优化结果。

26、结合第一方面，在一种可能的实现方式中，所述利用所述多个辅助任务优化结果对主任务进行优化，得到优化后的主任务，包括：

27、根据所述多个辅助任务优化结果，确定辅助任务的搜索空间；

28、根据所述辅助任务的搜索空间和粒子群优化算法，得到所述主任务中的有效位置信息；

29、所述主任务根据所述有效位置信息，得到优化后的主任务。

30、第二方面，本发明提供了一种面向大规模复杂场景的点云特征优化装置，该装置包括：

31、下采样模块，用于通过最远点采样对点云数据集进行下采样，得到采样点云数据集；

32、特征提取模块，用于对所述采样点云数据集进行特征提取，得到多尺度局部特征集，并将所述多尺度局部特征集中的特征进行拼接，得到特征向量；

33、特征筛选模块，用于对所述特征向量中的每个一维特征向量进行相关性评估，得到每个一维特征向量对应的强相关性的特征子集；

34、任务构建和优化模块，用于利用所述特征子集构建多个辅助优化任务，得到多个辅助任务优化结果，并利用所述多个辅助任务优化结果对主任务进行优化，得到优化后的主任务；其中，所述多个辅助优化任务是多个主任务的分解任务；

35、优化特征输出模块，用于利用所述优化后的主任务对所述点云数据集进行优化，得到优化后的点云特征。

36、第三方面，本发明提供了一种面向大规模复杂场景的点云特征优化服务器，该服务器包括存储器和处理器；

37、所述存储器用于储存计算机可执行指令；

38、所述处理器用于执行所述计算机可执行指令，以实现面向大规模复杂场景的点云特征优化方法。

39、第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质有可执行指令，计算机执行所述可执行指令时能够实现面向大规模复杂场景的点云特征优化方法。

40、本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：

41、(1)本发明通过一种面向大规模复杂场景的点云特征优化方法及装置，通过构建多任务来构建特征优化来解决高维问题，构建多尺度点局部特征作为子任务，以消除多尺度造成的特征冗余，子任务将多样化的特征信息传递给主任务进行自适应选择，从而获得更鲁棒的特征信息；

42、(2)本发明通过一种面向大规模复杂场景的点云特征优化方法及装置，通过互信息进行降维，减少特征高维给优化任务带来的挑战，将不同尺度的点云描述子组合起来，使它们能进行优势互补，从而达到更加鲁棒和精确的描述效果