一种基于神经网络的空间目标点云配准方法及设备

1.本技术涉及三维重构与计算机视觉领域，具体涉及一种基于神经网络的空间目标点云配准方法及设备。


背景技术：

2.近年来，许多国家和地区都在三维重构与计算机视觉领域开展研究，具体涉及开展天基空间目标探测与识别系统的研究，该系统能够结合光学系统和雷达系统的优势，利用点云配准的方法，对目标进行高精度定轨与高分辨率成像，从而得到目标的架构。
3.现有的点云配准方法会根据各帧点云数据及相邻的每两帧点云数据之间的姿态变换参数，对各帧点云数据进行累积，而在配准相邻的每两帧点云数据时，可能会由于存在噪声数据等原因而出现配准误差问题，导致配准结果不准确。


技术实现要素：

4.有鉴于此，本技术提供了一种基于神经网络的空间目标点云配准方法及设备，用于解决现有的点云配准方法由于存在噪声数据等原因而出现配准误差，导致配准结果不准确的问题。
5.为实现以上目的，现提出的方案如下：
6.第一方面，一种基于神经网络的空间目标点云配准方法，包括：
7.获取待配准目标对象的目标点云数据集；利用预训练的点云配准神经网络模型，处理所述目标点云数据集，以得到待配准目标对象的目标运动真值，其中，所述点云配准神经网络模型为，利用标注有运动真值标签的训练对象的点云数据样本集训练得到，所述目标运动真值为所述待配准目标对象在不同视角下的相对运动；根据所述目标运动真值确定所述待配准目标对象的架构，完成空间目标点云的配准过程。
8.优选地，所述利用预训练的点云配准神经网络模型，处理所述目标点云数据集，以得到待配准目标对象的目标运动真值，包括：利用所述点云配准神经网络模型的点云特征提取模块，确定所述目标点云数据集的特征向量；利用所述点云配准神经网络模型的点云匹配点预测模块，对所述特征向量进行权重预测，得到目标点云数据的权重向量；利用所述点云配准神经网络模型的目标运动真值确定模块，将所述权重向量与预设的目标函数相乘，得到第一目标函数，并构建第二目标函数，根据所述第一目标函数和第二目标函数得到待配准目标对象的目标运动真值。
9.优选地，所述点云匹配点预测模块包括编码模块和解码模块；所述编码模块包括依次连接的三个卷积层，所述每个卷积层包括依次连接的一个卷积操作单元、一个批量归一化操作单元和一个残差单元；所述解码模块包括依次连接的两个反卷积模块和一个随机失活模块，所述每个反卷积模块包括依次连接的一个反卷积操作单元、一个批量归一化操作单元和一个残差单元；所述随机失活模块包括互相连接的一个反卷积操作单元和一个随机失活单元。
10.优选地，所述获取待配准目标对象的目标点云数据集，包括：
11.获取所述待配准目标对象在多个不同视角下的目标点云数据，并将所述多个不同视角下的目标点云数据中的每两个视角下的目标点云数据作为一组目标点云数据，得到多组目标点云数据并组成目标点云数据集。
12.优选地，所述目标运动真值包括目标旋转矩阵和目标平移向量，所述根据所述第一目标函数和第二目标函数得到待配准目标对象的目标运动真值，包括：将一组目标点云数据中的两个视角的点云分别定义为pi和qj，且(i,j)∈j，将所述权重向量定义为w
(i,j)
，将所述第一目标函数定义为：
[0013][0014]
将所述第二目标函数定义为：
[0015][0016]
其中，tr表示矩阵的迹，r表示目标旋转矩阵，t表示目标平移向量，n表示所述目标点云数据集中共有n组目标点云数据，1＝(1,...,1)
t
，w＝diag(w)，x＝[p1,...,p
|j|
]，y＝[q1,...,q
|j|
]，svd(∑
xy
)＝u∑v
t
，∑
xy
＝ykwkx
t
，s＝diag(1,...,1,det(u)det(v))，diag表示对角矩阵，u表示矩阵，v表示矩阵，φ(w)＝i[w＞τ]w表示过滤函数，l(x,y)表示损失函数，n表示正整数；根据所述第一目标函数和第二目标函数得出目标旋转矩阵为r＝usv
t
，目标平移向量为t＝(y-rx)w1。
[0017]
优选地，所述点云数据样本集的获取方法包括：
[0018]
获取所述训练对象在多个不同视角下的点云数据样本；将在多个不同视角下的点云数据样本中的每两个视角的点云数据样本作为一组点云数据样本；计算每组点云数据样本中两个视角的点云重叠率；将点云重叠率小于第一阈值的点云数据样本组删除，得到多组点云重叠率大于或等于所述第一阈值的点云数据样本，并组成点云数据样本集。
[0019]
优选地，所述点云配准神经网络模型的训练过程，包括：
[0020]
将所述点云数据样本集中的点云数据样本输入到点云配准神经网络模型中；利用所述点云配准神经网络模型的点云特征提取模块，确定所述点云数据样本的样本特征向量；利用所述点云配准神经网络模型的点云匹配点预测模块，对所述样本特征向量进行权重预测，得到点云数据样本的样本权重向量；利用所述点云配准神经网络模型的目标运动真值确定模块，将所述权重向量与预设的样本目标函数相乘，得到第一样本目标函数，并构建第二样本目标函数，根据所述第一样本目标函数和第二样本目标函数得到点云数据样本的运动预测值；以所述预测运动值趋近于点云数据样本所对应的运动真值标签为目标，训练点云配准神经网络模型。
[0021]
第二方面，一种基于神经网络的空间目标点云配准设备，包括：存储器和处理器；
[0022]
所述存储器，用于存储程序；
[0023]
所述处理器，用于执行所述程序，实现如第一方面中所述的基于神经网络的空间
目标点云配准方法的各个步骤。
[0024]
从上述技术方案可以看出，本技术通过获取待配准目标的目标点云数据集，利用预先训练好的点云配准网络模处理所述目标点云数据集，以得到待配准目标对象的目标运动真值，其中，点云配准神经网络模型为，利用标注有运动真值标签的训练对象的点云数据样本预先训练得到，目标运动真值是待配准目标对象在不同视角下的相对运动。该方案可以通过构建点云配准神经网络模型的方式，并进行训练，得到一个可以准确输出目标旋转矩阵和目标平移向量的网络模型，从而将目标点云数据集输入到网络模型中并输出目标旋转矩阵和目标平移向量，可以降低点云配准的误差，提高配准率。
附图说明
[0025]
图1为本技术实施例提供的基于神经网络的空间目标点云配准方法的可选流程图；
[0026]
图2为本技术实施例提供的点云配准神经网络模型的结构示意图；
[0027]
图3a-图3c为本技术实施例提供的飞机模型在不同视角下的点云示意图；
[0028]
图4a-图4c为本技术实施例提供的卫星模型、飞机模型和舰船模型的实物图片；
[0029]
图5a-图5c为本技术实施例提供的卫星模型、飞机模型和舰船模型的点云示意图；
[0030]
图6a和图6b分别为本技术实施例提供的卫星模型在旋转角度为0-10
°
范围内配准前和配准后的点云示意图；
[0031]
图7a和图7b分别为本技术实施例提供的卫星模型在旋转角度为0-30
°
范围内配准前和配准后的点云示意图；
[0032]
图8为本技术实施例提供的飞机模型配准后的点云示意图；
[0033]
图9为本技术实施例提供的舰船模型配准后的点云示意图；
[0034]
图10为本技术实施例提供的室外场景示意图；
[0035]
图11a和图11b分别为本技术实施例提供的室外场景配准前和配准后的点云示意图；
[0036]
图12a和图12b分别为本技术实施例提供的单个物体配准前和配准后的点云示意图；
[0037]
图13a和图13b分别为本技术实施例提供的单个物体配准前和配准后的点云示意图；
[0038]
图14为本技术实施例提供的基于神经网络的空间目标点云配准设备的结构示意图。
具体实施方式
[0039]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0040]
在天基空间目标探测与识别系统的研究中，该激光雷达系统能够结合光学系统和雷达系统的优势，对重要目标进行高精度定轨与高分辨率成像，具有重大意义。而由于目标
的体积、能量和重量的限制，光电探测技术的优势尤为突出，而基于盖革模式雪崩光电二极管(gm-apd)的光电探测系统有单光子灵敏度，具有精度高、体积小、作用距离远的特点，广泛应用于空天态势感知领域。目前，国内采用基于gm-apd的激光雷达系统获取的激光点云分辨率有限，对于尺寸与分辨率接近的小物体以及小角度的运动不敏感，获取的三维点云噪声多、质量低、精度差。大多数传统的点云配准算法基于迭代最近点算法(icp,iterative closest point)，该方法简单高效，是工程项目中应用范围最广的配准算法，但存在容易陷入局部最优值、需要粗配准作为初始值的问题。近年来，许多学者将深度学习的方法引入到点云配准问题中，利用超点集代替关键点，将自编码深度神经网络应用于局部点云，充分利用点云的几何结构关系，并应用于大场景的点云配准。有研究人员提出一种端到端的神经网络点云配准方法dcp，dcp使用dgcnn网络，通过构造k-nn图来学习局部几何特征取得了更好的配准结果，但网络中的edgeconv神经网络模块考虑了点的坐标与邻域点的距离，忽视相邻点之间的向量方向，损失部分局部几何信息，且只能应用于小规模的数据集上。2019年，christopher choy等人提出了一种端到端的点云配准算法dgr，设计了一个基于resunet的6维卷积神经网络用来预测匹配点对，但该方法应用在3dmatch大规模室内场景及kitti自动驾驶场景的数据集上，对单个物体多个视角的配准精度不高，特别是对于分辨率较低的小目标，除此之外，dgr对重叠率低及相似场景的误配准率也很高。
[0041]
基于上述缺陷，本技术实施例提供了一种基于神经网络的空间目标点云的配准方案，接下来通过图1对本技术的配准方法进行说明，如图1所示，该方法包括：
[0042]
s1：获取待配准目标对象的目标点云数据集。
[0043]
可以利用激光雷达系统获取待配准目标对象的点云数据，将激光雷达系统放置在离待配准目标有一定距离的地方，从而获取待配准目标对象的若干点云数据。激光雷达系统可以采用gm-apd。
[0044]
s2：利用预训练的点云配准神经网络模型，处理所述目标点云数据集，以得到待配准目标对象的目标运动真值。
[0045]
其中，所述点云配准神经网络模型为，利用标注有运动真值标签的训练对象的点云数据样本集训练得到，所述目标运动真值为所述待配准目标对象在不同视角下的相对运动。
[0046]
在本技术中，可以首先根据待配准目标对象的类型，在开源数据集中获取一些与待配准目标对象的类型相同的训练对象的点云数据集，作为点云数据样本集，这些点云数据样本标注有对应训练对象的运动真值标签，利用点云数据样本集去训练点云配准神经网络模型，训练完成后，将获取到的待配准目标对象的目标点云数据集输入到训练好的点云配准神经网络模型中，输出待配准目标对象的目标运动真值。
[0047]
s3：根据所述目标运动真值确定所述待配准目标对象的架构，完成空间目标点云的配准过程。
[0048]
运动真值是待配准目标对象在不同视角下的相对运动，根据其目标运动真值可以确定待配准目标的具体模型架构。
[0049]
从上述技术方案可以看出，本技术通过获取待配准目标的目标点云数据集，利用预先训练好的点云配准网络模处理所述目标点云数据集，以得到待配准目标对象的目标运动真值，其中，点云配准神经网络模型为，利用标注有运动真值标签的训练对象的点云数据
样本预先训练得到，目标运动真值是待配准目标对象在不同视角下的相对运动。该方案可以通过构建点云配准神经网络模型的方式，并进行训练，得到一个可以准确输出目标旋转矩阵和目标平移向量的网络模型，从而将目标点云数据集输入到网络模型中并输出目标旋转矩阵和目标平移向量，可以降低点云配准的误差，提高配准率。
[0050]
可选的，对于步骤s1，获取待配准目标对象的目标点云数据集，一种可选的方式如下：
[0051]
获取待配准目标对象在多个不同视角下的目标点云数据，并将多个不同视角下的目标点云数据中的每两个视角下的目标点云数据作为一组目标点云数据，得到多组目标点云数据，并组成目标点云数据集。
[0052]
比如：一待配准目标对象为卫星模型，尺寸为20cm
×
50cm
×
5cm，因为模型一般都带有转台，因此后期处理目标点云数据时可以把转台截去，仅保留卫星部分，将gm-apd激光雷达系统放置在距离卫星模型约40m处。使用转台控制目标沿中轴线旋转，以5
°
为间隔，选取在-30
°
～30
°
旋转时该卫星模型的13幅点云，其点云规模为1500-3200个点。
[0053]
若一待配准目标为飞机加箱子的组合体，尺寸为140cm
×
40cm
×
10cm，后期处理点云数据时可以把箱子截去，尽量只保留飞机部分，将gm-apd激光雷达系统放置在距离卫星模型约45m处。同样使用转台控制目标沿中轴线旋转，以5
°
为间隔，选取在-30
°
～30
°
旋转时该卫星模型的13幅点云，其点云规模为10000-14000个点。
[0054]
具体地，对步骤s2，可以构建端到端的基于resunet的点云配准神经网络模型，利用该网络模型，处理所述目标点云数据集，以得到待配准目标对象的目标运动真值，具体结构如图2所示，一种可选的方式如下：
[0055]
s21：利用所述点云配准神经网络模型的点云特征提取模块，确定所述目标点云数据集的特征向量。
[0056]
点云特征提取模块可以采用稀疏全卷积网络点云特征描述子(fcgf)来构建，该点云特征描述子是一种u-net类的网络架构，包括编码模块和解码模块，其中编码模块和解码模块均包括残差结构，并且编码模块和解码模块通过跳跃连接来增强点云特征的表达能力。
[0057]
选取目标点云数据的一组点云，其包含两个视角下的点云数据，将这两个视角下的点云称之为源点云pi和目的点云qj，它们是一对对应点，参见图2，将源点云和目的点云分别作为点云1和点云2，然后输入到点云特征提取模块中进行特征提取，可以得到两个特征向量和其维度都为32，然后采用最近邻法k-nn计算匹配点(即对应点)，可以生成一组假设的对应点对的索引集合为即得到多个3d+3d匹配点对，n表示有n对对应点。
[0058]
s22：利用所述点云配准神经网络模型的点云匹配点预测模块，对所述特征向量进行权重预测，得到目标点云数据的权重向量。
[0059]
具体地，点云匹配点预测模块同样可以采用resunet网络架构来实现。
[0060]
在本步骤中将上述步骤s21中得到的特征向量输入到点云匹配点预测模块中，点云匹配点预测模块包括编码模块和解码模块，其编码模块包含三个6d卷积层，所述点云匹
配点预测模块包括编码模块和解码模块；
[0061]
其中，编码模块包括依次连接的三个卷积单元，每个卷积单元包括依次连接的一个卷积操作层(conv)、一个批量归一化操作层(bn)和一个残差层(resblock)；解码模块包括依次连接的两个反卷积单元和一个随机失活单元，所述每个反卷积单元包括依次连接的一个反卷积操作层、一个批量归一化操作层和一个残差层；所述随机失活单元包括互相连接的一个反卷积操作层和一个随机失活层(dropout层)。具体地，每个残差单元包括两个卷积操作层和两个批量归一化操作层，利用maxout激活函数可以提高非线性描述能力，可以更好的去拟合点云配准神经网络模型。其定义如下：
[0062][0063]
最终输出通道数(维度)为64，而本技术中的点云匹配点预测模块的解码模块包含六个对称的反卷积模块(transconv)，可以将特征空间的通道数降至16，并将输出的权重向量(predict weight)，也称为张量(tensor)传输给下一模块。
[0064]
可选的，在现有的神经网络中，一般会采用激活函数tanh、sigmoid、relu(线性修正单元)等非线性函数来提升模型的表达能力。由于relu函数作为激活函数时，会导致负的梯度被置零，而且这个神经元有可能再也不会被任何数据激活。为了避免采用神经元的大量“消亡”，在本技术提供的实例中的点云配准神经网络模型中引入maxout激活函数和随机失活层(dropout层)。maxout激活函数是一个可学习的分段线性函数，相比与relu、sigmoid等，其特殊之处在于增加了k个神经元，然后输出激活值最大的值。maxout的拟合能力非常强且具有线性和不饱和性，可以避免神经元的死亡，但该函数会导致整体参数数量激增。而maxout与dropout层的组合使用可以发挥比较好的效果，得到更好的配准结果，所以在点云配准神经网络模型中加入dropout层，可以丢弃部分神经元，使得每次只有部分网络结构得到更新，实现高效的点云配准神经网络模型平均化。
[0065]
s23：利用所述点云配准神经网络模型的目标运动真值确定模块，将所述权重向量与预设的目标函数相乘，得到第一目标函数，并构造第二目标函数并根据所述第一目标函数得到待配准目标对象的目标运动真值。
[0066]
在目标运动真值确定模块(weightedsvd)中，建立最优化的数学模型，采用基于加权普式分解的奇异值分解(svd)方法，建立目标函数，利用目标函数求出待配准目标对象的目标运动值r和t。
[0067]
可选的，目标运动真值包括目标旋转矩阵和目标平移向量。
[0068]
具体地，目标点云配准的过程就是求解源点云pi和目的点云qj之间的刚性变换矩阵m∈se(3)，从而将源点云pi变换到与目的点云qj相同的坐标系下，即：求出源点云pi和目的点云qj之间的相对运动，其相对运动可表示为：
[0069][0070]
其中，r∈se(3)表示旋转矩阵，t∈r3表示平移向量。源点云pi与目的点云qj之间满足以下方程：
[0071]
qj＝r
·
pi+t
[0072]
其中，假设(i.j)∈j表示匹配点对的索引，可以建立目标函数如下，即预设的目标函数：
[0073][0074]
该目标函数也就是计算所有的对应点之间距离的平方和，最后得到使目标函数最小时对应的旋转矩阵和平移向量，也可以表示为：
[0075][0076]
利用已知对应点对的三维坐标恢复相对运动是一个最小二乘估计问题，在本技术中可以利用权重向量来求解目标函数，即将权重向量与预设的目标函数相乘，得到下述的第一目标函数：
[0077][0078]
其中，w
(i,j)
表示权重向量；
[0079]
该式可以采用加权普氏分析法进行求解，即第一目标函数可以表示为：
[0080][0081]
其中，tr表示矩阵的迹，r表示目标旋转矩阵，t表示目标平移向量，n表示所述目标点云数据集中共有n组目标点云数据，1＝(1,...,1)
t
，w＝diag(w)，x＝[p1,...,p
|j|
]，y＝[q1,...,q
|j|
]，svd(∑
xy
)＝u∑v
t
，∑
xy
＝ykwkx
t
，s＝diag(1,...,1,det(u)det(v))，diag表示对角矩阵，u表示矩阵，v表示矩阵；
[0082]
具体地，可以构造一个鲁棒的第二目标函数，来提高配准精度。因为在训练点云配准神经网络模型时，如果梯度过大，会遗漏最小值，因此在这采用huber损失函数减小最小值的附近梯度，可以对于异常值更有鲁棒性。第二目标函数定义为：
[0083][0084]
其中，φ(w)＝i[w＞τ]w表示一个过滤函数，可以在点云配准神经网络模型输出有界的logit分数时，过滤小于阈值τ的权重；l(x,y)表示huber损失函数。
[0085]
因此，由上述第一目标函数和第二目标函数可以得出目标旋转矩阵为r＝usv
t
，目标平移向量为t＝(y-rx)w1。
[0086]
可选的，在训练点云配准神经网络模型前，先获取点云数据样本集，其获取方法可以包括以下步骤：
[0087]
获取训练对象在多个不同视角下的点云数据样本。比如在现有的开源数据集(modelnet40)中获取30个飞机的cad模型，并对每个飞机样本生成包围球，然后获取每个飞机样本在12个视角下的点云数据样本。
[0088]
将在多个不同视角下的点云数据样本中的每两个视角的点云数据样本作为一组点云数据样本。
[0089]
因为某些视角之间无重叠或重叠面积极小，从而影响配准率，因此需要计算每组点云数据样本中两个视角的点云重叠率，然后将点云重叠率小于第一阈值的点云数据样本组删除，得到多组点云重叠率大于或等于所述第一阈值的点云数据样本，并组成点云数据样本集。其中，第一阈值可以为30％。另外，可以将这30个飞机的cad模型中的其中25个飞机样本的点云数据样本作为真正用于训练的点云数据样本，将剩下5个飞机样本的点云数据样本作为验证集合，当点云配准神经网络模型训练完成后，用验证集合去验证训练结果。
[0090]
更进一步地，点云数据样本集获取完成后，可以利用点云数据样本集来训练点云配准神经网络模型，一个可选的方法如下：
[0091]
将点云数据样本集中的点云数据样本输入到点云配准神经网络模型中。
[0092]
利用点云配准神经网络模型的点云特征提取模块，确定点云数据样本的样本特征向量。利用点云配准神经网络模型的点云匹配点预测模块，对样本特征向量进行权重预测，得到点云数据样本的样本权重向量。利用点云配准神经网络模型的目标运动真值确定模块，将权重向量与预设的样本目标函数相乘，得到第一样本目标函数，并构造第二目标函数，根据第一样本目标函数和第二目标函数得到点云数据样本的运动预测值。
[0093]
以预测运动值趋近于点云数据样本所对应的运动真值标签为目标，训练点云配准神经网络模型。具体地，将训练对象的运动真值分为旋转矩阵rg和平移向量tg，利用旋转矩阵rg、平移向量tg和预测运动值构建总损失函数，总损失函数分为第一损失函数、第二损失函数和第三损失函数，其中，将第一损失函数定义为：
[0094][0095]
将第二损失函数定义为：
[0096][0097]
令集合p＝{(i,j)|||t
g-t||＜τ,(i,j)∈m}表示平移误差在τ范围内的对应点对集合，也称为内点，其余匹配点对的集合q称为外点集合。在训练过程中，用似然估计p
(i,j)
∈[0,1]与对应真实值p之间的二元交叉熵损失来优化网络参数，因此将第三损失函数定义为：
[0098][0099]
其中，t*表示相对运动真值。
[0100]
第三损失函数可以判定对应点对为内点的可能性，再对得到的概率值进行非线性变换和归一化操作，用一个1*n的向量表示点云配准神经网络模型的加权向量。
[0101]
将所述第一损失函数、第二损失函数和第三损失函数进行线性加权，得到总损失函数。
[0102]
在训练过程中，利用总损失函数进行调参，具体地，采用一阶优化算法sgd来最小化上述的第二目标函数，但由于参数数量较少，也可以使用高阶优化器来最小化上述第二目标函数。并且由于点云坐标尺度较大，需要调整下采样体素化的关键参数voxel_size、迭代次数epoch、学习率lr、平移误差阈值trans_thresh和旋转角误差阈值rot_thresh(该阈
值用于判断是否配准成功)，以获得最优参数。在本技术的一个实施例中，voxel_size＝0.5、epoch＝100、lr＝0.01、trans_thresh＝15、rot_thresh＝1.5时点云配准神经网络模型的训练效果最佳，总损失函数可以达到最小值，或者损失趋于稳定，最终得到的模型即为训练好的点云配准神经网络模型。
[0103]
下面举出一个具体实例来具体说明实施例中提供的一种基于神经网络的空间目标点云的配准方法。
[0104]
将上述30个飞机的cad模型的点云数据样本称为plane30数据集，以plane30数据集为例，图3为plane30数据集的可视化结果。
[0105]
训练时，将plane30数据集分成若干组，以两个视角下的点云数据为一组，其中对于输入的每组点云都生成一组旋转矩阵r，旋转矩阵可以用旋转角度(欧拉角)来表示，旋转角度随机分布在0
°‑
360
°
范围内。如图3a，图3a表示了一个飞机模型的两个视角的重合视图，图3b和图3c为旋转后两点云的示意图。
[0106]
图4为获取的实物模型的图片，图5为获取的实物模型的点云示意图。
[0107]
接下来分别以卫星模型、飞机模型和舰船模型为例，分别利用icp方法和本技术实施例提供的配准方法来进行配准，并比对配准结果。
[0108]
下面首先以卫星模型为例，具体步骤如下：
[0109]
参考图4a和图5a，考虑到卫星模型在绕中轴线旋转，理论上来说，只有中轴方向的欧拉角为5度左右，其它方向都应接近于0。对于卫星模型，利用icp方法(最近点迭代算法)，分别以5
°
、10
°
、15
°
为间隔的配准结果如下：
[0110]
1)以5
°
为间隔的配准结果如下：
[0111]-20度＝》-25度的欧拉角为：0.83
[0112]-15度＝》-20度的欧拉角为：0.39
[0113]-10度＝》-15度的欧拉角为：0.33
[0114]-5度＝》-10度的欧拉角为：1.10
[0115]
0度＝》-5度的欧拉角为：0.84
[0116]
5度＝》0度的欧拉角为：0.12
[0117]
10度＝》5度的欧拉角为：0.56
[0118]
15度＝》10度的欧拉角为：0.61
[0119]
20度＝》15度的欧拉角为：0.95
[0120]
25度＝》20度的欧拉角为：0.57
[0121]
30度＝》25度的欧拉角为：0.83
[0122]
2)以10
°
为间隔的配准结果如下：
[0123]-15度＝》-25度的欧拉角为：9.74
[0124]-5度＝》-15度的欧拉角为：6.18
[0125]
5度＝》-5度的欧拉角为：3.27
[0126]
15度＝》5度的欧拉角为：5.08
[0127]
25度＝》15度的欧拉角为：9.51
[0128]
3)以15
°
为间隔的配准结果如下：
[0129]-10度＝》-25度的欧拉角为：14.70
[0130]
5度＝》-10度的欧拉角为：5.52
[0131]
20度＝》5度的欧拉角为：10.20
[0132]
由于目前激光雷达的距离分辨率只有1.7cm，而被测卫星模型的宽度为50cm，卫星模型沿着中轴线旋转时，其最大的位移为25cm*sin(5
°
)＝2.18cm，该位移很容易被测量误差覆盖掉，进而造成转动角度估算错误。
[0133]
从上述结果可以看出，当卫星模型的转动大于10度时，配准误差在1
°
以内的概率很低，即欧拉角很多都小于9
°
；而在目标转动角度为5度时，欧拉角还不到1
°
，相比5
°
差距很远，因此可以认为在卫星模型的旋转角度很小时，采用icp方法来进行配准的配准率很低。
[0134]
若采用本技术实施例中提供的配准方法来进行配准，在0-10
°
范围内配准的结果如图6所示，图6a为配准前，图6b为配准后；在0-30
°
范围内配准的结果如图7所示，图7a可为配准前，图7b为配准后，具体配准结果如下所示：
[0135]
以空间直角坐标系为例，该卫星模型的点云坐标范围为xyz:0～[0.3 0.3 40](单位：m)，其在0
°
～30
°
的点云配准结果如下表1所示，该表中的第一行和第一列均为角度值，左下三角为配准时间(s)，右上三角为配准得到的旋转角(度)和对应的voxel size的大小(m，加粗体)。
[0136]
表1
[0137][0138]
如表1所示，由于每组的点云数量不一样，计算得到的对应点的数量也不一样，通过不断尝试不同的voxel size，选取使得旋转的欧拉角误差最小的结果作为最优结果。由表1可知，采用本技术实施例提供的配准方法所得到的配准结果可以把配准误差控制在1
°
范围内，配准率较高。
[0139]
接下来以飞机模型为例，参考图4b和图5b，分别用icp方法和本技术实施例提供的配准方法来进行配准，并比对配准结果，具体如下：
[0140]
请参考表2和表3，表2为在旋转角度以5
°
为间隔时，利用icp方法得到的误差分析表，表3为在旋转角度以20
°
为间隔时，利用icp方法得到的误差分析表：
[0141]
表2
[0142] 旋转角估计值(
°
)旋转角误差(
°
)-25度＝》-30度4.880.12-20度＝》-25度4.390.61-15度＝》-20度4.620.38-10度＝》-15度4.980.02-5度＝》-10度4.840.160度＝》-5度4.620.385度＝》0度4.850.1510度＝》5度4.550.4515度＝》10度4.470.5320度＝》15度4.990.0125度＝》20度4.900.130度＝》25度4.940.06平均值：4.75250.2475
[0143]
表3
[0144] 旋转角估计值(
°
)旋转角误差(
°
)-70度＝》-90度24.394.39-50度＝》-70度19.590.41-30度＝》-50度19.700.30-10度＝》-30度20.290.2910度＝》-10度19.620.3830度＝》10度19.740.2650度＝》30度18.571.4370度＝》50度19.420.5890度＝》70度20.730.73平均值：20.22780.9744
[0145]
以旋转角度为30
°
为例，图8为飞机模型配准后的结果。其他角度的配准结果如下表4所示，其中，gt_rot deg为飞机模型实际的旋转角度，best result为最好的结果，min avg rot err为最小旋转误差，voxel为误差最小值对应的体院元素的大小。
[0146]
表4
specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等。
[0157]
存储器03可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)等，例如至少一个磁盘存储器。
[0158]
其中，存储器存储有程序，处理器可调用存储器存储的程序，程序用于执行方法实施例中描述的基于神经网络的空间目标点云配准方法。
[0159]
可选的，程序的细化功能和扩展功能可参照方法实施例中的基于神经网络的空间目标点云配准方法的描述。
[0160]
另外，在本公开各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，直播设备，或者网络设备等)执行本公开各个实施例方法的全部或部分步骤。
[0161]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0162]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0163]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。