点云配准模型训练方法、装置、设备及存储介质与流程

本公开涉及计算机视觉，尤其涉及一种点云配准模型训练方法、装置、设备及存储介质。

背景技术：

1、点云配准是计算机视觉中的一项基本任务，旨在将采集自不同视角或不同时间的多个点云，通过寻找点云之间的几何变换关系，使它们在同一个参考坐标系下对齐。随着三维采集设备的不断推广，点云配准已经在三维重建、机器人导航、工业机器人、增强现实(ar，augmented reality)等多个领域得到了应用。

2、现有的点云配准方法中，基于特征匹配的点云配准方法只有在针对完整点云时能够得到良好的配准结果，但三维相机在单个视角下通常只能捕捉到局部点云，导致配准精度受限；而基于深度学习的点云配准方法虽然在局部点云配准任务中表现良好，但该种方式受限于样本数据的标注，人工标注的工作量较大，并且人工标注的点云转换关系可能存在系统误差或随机误差，从而影响到模型最终的配准精度。因此，如何提高深度学习模型在局部点云配准任务中的准确度，同时节省人工标注的人力成本是需要解决的技术问题。

技术实现思路

1、为了解决上述技术问题，本公开提供了一种点云配准模型训练方法、装置、设备及存储介质。

2、本公开实施例的第一方面提供了一种点云配准模型训练方法，该方法包括：

3、获取采样对象的第一参考点云、第二参考点云以及真实点云，其中，所述第一参考点云为所述采样对象的整体点云，所述第二参考点云为基于预设位姿从所述第一参考点云中筛选的局部点云，所述真实点云为采集得到的所述采样对象的局部点云；

4、基于预设的变换参数对所述真实点云进行变换处理，得到变换点云；

5、将所述第一参考点云、所述第二参考点云以及第一参考点云和第二参考点云之间的第一配准关系确定为第一训练样本组，将所述第一参考点云、所述真实点云、所述变换点云和所述变换参数确定为第二训练样本组，其中，所述第一配准关系是根据所述预设位姿确定的；

6、分别基于所述第一训练样本组和所述第二训练样本组对预先建立的点云配准模型进行训练，得到目标点云配准模型。

7、本公开实施例的第二方面提供了一种点云配准模型训练装置，该装置包括：

8、第一获取模块，用于获取采样对象的第一参考点云、第二参考点云以及真实点云，其中，所述第一参考点云为所述采样对象的整体点云，所述第二参考点云为基于预设位姿从所述第一参考点云中筛选的局部点云，所述真实点云为采集得到的所述采样对象的局部点云；

9、变换模块，用于基于预设的变换参数对所述真实点云进行变换处理，得到变换点云；

10、确定模块，用于将所述第一参考点云、所述第二参考点云以及第一参考点云和第二参考点云之间的第一配准关系确定为第一训练样本组，将所述第一参考点云、所述真实点云、所述变换点云和所述变换参数确定为第二训练样本组，其中，所述第一配准关系是根据所述预设位姿确定的；

11、训练模块，用于分别基于所述第一训练样本组和所述第二训练样本组对预先建立的点云配准模型进行训练，得到目标点云配准模型。

12、本公开实施例的第三方面提供了一种计算机设备，包括存储器和处理器，以及计算机程序，其中，存储器中存储有计算机程序，当计算机程序被处理器执行时，实现如上述第一方面的点云配准模型训练方法。

13、本公开实施例的第四方面提供了一种计算机可读存储介质，存储介质中存储有计算机程序，当计算机程序被处理器执行时，实现如上述第一方面的点云配准模型训练方法。

14、本公开实施例提供的技术方案与现有技术相比具有如下优点：

15、在本公开实施例提供的点云配准模型训练方法、装置、设备及存储介质中，通过获取采样对象的第一参考点云、第二参考点云以及真实点云，其中，第一参考点云为采样对象的整体点云，第二参考点云为基于预设位姿从第一参考点云中筛选的局部点云，真实点云为采集得到的采样对象的局部点云，基于预设的变换参数对真实点云进行变换处理，得到变换点云，将第一参考点云、第二参考点云以及第一参考点云和第二参考点云之间的第一配准关系确定为第一训练样本组，将第一参考点云、真实点云、变换点云和变换参数确定为第二训练样本组，其中，第一配准关系是根据预设位姿确定的，分别基于第一训练样本组和第二训练样本组对预先建立的点云配准模型进行训练，得到目标点云配准模型，能够在无需对点云数据进行人工标注以构建训练样本数据的情况下，获取点云数据之间的绝对变换关系和相对变换关系，进而基于包含绝对变换关系的第一训练样本组和包含相对变换关系的第二训练样本组，对点云配准模型进行训练，从而在节省人力成本的同时提高局部点云配准的准确度。

技术特征：

1.一种点云配准模型训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，获取采样对象的第二参考点云，包括：

3.根据权利要求1所述的方法，其特征在于，基于所述第一训练样本组对预先建立的点云配准模型进行训练，包括：

4.根据权利要求3所述的方法，其特征在于，所述第一损失函数为均方误差损失函数。

5.根据权利要求3所述的方法，其特征在于，所述变换处理包括平移变换处理和/或旋转变换处理。

6.根据权利要求5所述的方法，其特征在于，基于所述第二训练样本组对预先建立的点云配准模型进行训练，包括：

7.根据权利要求6所述的方法，其特征在于，所述对模型参数进行调整，以使所述第一损失函数收敛，包括：

8.一种点云配准模型训练装置，其特征在于，所述装置包括：

9.一种计算机设备，其特征在于，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-7中任一项所述的方法。

技术总结本公开涉及一种点云配准模型训练方法、装置、设备及存储介质，该方法包括：获取采样对象的第一参考点云、第二参考点云以及真实点云；基于预设的变换参数对真实点云进行变换处理，得到变换点云；将第一参考点云、第二参考点云以及第一参考点云和第二参考点云之间的第一配准关系确定为第一训练样本组，将第一参考点云、真实点云、变换点云和变换参数确定为第二训练样本组；分别基于第一训练样本组和第二训练样本组对预先建立的点云配准模型进行训练，得到目标点云配准模型。本公开通过建立包含绝对变换关系和相对变换关系的训练样本组，能够在无需人工标注的情况下实现点云配准模型的训练，从而在节省人力成本的同时提高局部点云配准的准确度。技术研发人员：张冲,汪振,刘洋受保护的技术使用者：北京中科慧灵机器人技术有限公司技术研发日：技术公布日：2024/8/20