一种基于深度学习的低重叠度点云配准方法

基于深度学习的低重叠度点云配准方法，包括：S1：利用REConv‑FPN网络结构对采集的点云数据进行分层下采样和特征提取操作，得到点云的多尺度旋转不变特征；S2：学习超点层点云特征，了解点云内部的几何构造及点云间的几何一致性联系；S3：学习半稠密层点云特征，并将超点层点云特征与的半稠密层点云特征进行融合，得到超点层点云的最终特征；S4：计算两个输入点云之间的高斯相关矩阵，并选取相关性大于设定阈值的点对作为超点层的对应关系集合，提取密集层的点对应关系集合；S5：分解算法计算密集层每对对应点之间的变换矩阵，再遍历所有变换矩阵，选择使得对应点间距小于设定阈值最多的变换矩阵作为源点云与目标点云之间的最终变换矩阵。本发明解决了只利用单层特征进行配准所引起的稀疏性和松散型问题；提高了配准过程中对噪声以及小部分重叠情况的鲁棒性。