基于动态图注意力机制的秦俑点云鲁棒配准

摘要

针对目前的点云配准方法在处理秦俑等文物模型时不能很好地解决分辨率不匹配、点云部分重叠、噪声点较多等问题,提出一种基于动态图注意力机制的ResUNet配准模型。该模型将残差模块融入U-Net网络中,使用三维稀疏体素卷积计算点云特征,并引入一种新的归一化技术:批邻域归一化(Batch-Neighborhood Normalization,BNHN),来提高特征对于点密度变化的鲁棒性;为了进一步提高配准性能,该模型通过自注意力机制和交叉注意力机制聚合局部特征和上下文特征,最后结合随机抽样一致性算法来估计源点云与目标点云之间的变化矩阵,完成秦俑文物模型的鲁棒配准。为了验证本文方法的有效与鲁棒,使用四组数据集(3DMatch、3DLoMatch、分辨率不匹配的3DMatch数据集以及两组秦俑数据)对配准模型进行测试,实验结果表明,该算法在3DMatch数据集和3DLoMatch数据集上的配准召回率分别达到90.1%和61.0%;在分辨率不匹配的3DMatch数据集,相比与基于特征学习的配准算法,该算法在配准召回率上提升了5%~20%;在秦俑数据集上,相对旋转误差均小于0.071,相对平移误差均小于0.016,相较于同类算法减少了一个量级或几倍。因此,本文的模型能够提取三维点云的关键特征信息,并且对点密度和重叠度变化具有更高的鲁棒性。