一种基于高斯混合模型隐变量监督学习的多点云配准方法与流程

技术特征：
1.一种基于高斯混合模型隐变量监督学习的多点云配准方法，其特征在于，包括以下步骤：步骤1、构建标准点云w和待配准点云集合v：对待检工件的预设cad模型进行采样，将其离散化为点云数据，进行预处理，得到标准点云w；使用三维扫描仪对待检工件进行采样，得到n个视角的点云数据，将n个点云数据进行预处理，得到待配准点云集合v，其中，n为正整数；步骤2、将标准点云w和待配准点云集合v建模为同样的高斯混合模型，设置高斯混合模型的超参数为k；步骤3、设标准点云w为步骤2所述高斯混合模型生成的一个样本，使用预设的神经网络求得隐变量，求解最优高斯混合模型参数；步骤4、设待配准点云集合v经刚性变换后配准完成的点云集合t(v)为步骤2所述高斯混合模型生成的一个样本，使用预设的神经网络求得隐变量，使用步骤3所求的最优高斯混合模型参数求解最优变换参数t；步骤5、根据所述最优变换参数t完成多点云的配准，同时也完成了与标准点云w的对齐。2.根据权利要求1所述的基于高斯混合模型隐变量监督学习的多点云配准方法，其特征在于，所述步骤1中得到待配准点云集合v的预处理过程具体为：首先去除离群点，然后使用体素降采样方法得到密度均匀的点云数据，再使用随机采样得到点数均为m的n个点云数据，得到待配准点云集合v，其中，v
i
表示第i次采样得到的点云，v
ij
表示点云v
i
中的第j个点，表示实数集。3.根据权利要求2所述的基于高斯混合模型隐变量监督学习的多点云配准方法，其特征在于，所述步骤2中得到标准点云w的预处理过程具体为：对待检工件的预设cad模型采样得到点云数据，使用体素降采样方法得到密度均匀的点云，再使用随机采样得到点数为m的标准点云w，其中，w
j
表示标准点云w中的第j个点。4.根据权利要求3所述的基于高斯混合模型隐变量监督学习的多点云配准方法，其特征在于，所述步骤3的具体步骤如下：步骤3a、将标准点云w＝[w1,...,w
j
,...,w
m
]建模为高斯混合模型,模型参数为其中，w1、w
j
、w
m
均表示标准点云w中的点，右下标为标准点云w中每个点的序数，m为标准点云w的总点数，为正整数，p
k
、μ
k
、∑
k
分别表示第k个高斯模型的权重、均值和方差，k为高斯混合模型的超参数，表示高斯混合模型由k个高斯模型加权求和而成；步骤3b、引入隐变量z＝{z
j
|j∈[1...m]}，z
j
表示第j个点与高斯混合模型成分的对应关系，且z
j
＝k表示标准点云w＝[w1,...,w
j
,...,w
m
]中的点w
j
由第k个高斯模型生成；步骤3c、将标准点云w＝[w1,...,w
j
,...,w
m
]输入到预设的神经网络3dnetwork中，得到m
×
k的矩阵a＝[α
jk
]，其中α
jk
表示点w
j
由第k个高斯模型生成的概率，即p(z
j
＝k)＝α
jk
；
步骤3d、通过预设的第一优化函数求解最优高斯混合模型参数使得生成标准点云w的似然最大，其中p
k*
、u
k*
、∑
k*
分别表示第k个高斯模型的最优权重、最优均值和最优方差。5.根据权利要求4所述的基于高斯混合模型隐变量监督学习的多点云配准方法，其特征在于，步骤3d中预设的第一优化函数为：上式分别对μ
k
、σ
k
、p
k
求导并使导数为零，解得最优高斯混合模型参数为：式中，表示l(
·
)取得最大值时对应的θ值，右上标t表示矩阵转置。6.根据权利要求5所述的基于高斯混合模型隐变量监督学习的多点云配准方法，其特征在于，所述步骤4的具体步骤如下：步骤4a、将点云集合建模为高斯混合模型，模型参数为式中，分别表示第k个高斯模型的权重、均值和方差，n表示待配准点云集合v中点云的数量，i表示待配准点云集合v中每个点云的序数；步骤4b、引入隐变量z
ij
表示点云v
i
中的第j个点与高斯混合模型成分的对应关系，z
ij
＝k表示点云v
i
中的点v
ij
由第k个高斯模型生成；步骤4c、将待配准点云集合v输入到预设的神经网络中3d network中，得到n个m
×
k的矩阵b＝[β
ijk
]，其中β
ijk
表示点v
ij
由第k个高斯模型生成的概率，即p(z
ij
＝k)＝β
ijk
；步骤4d、通过预设的第二优化函数求解最优变换参数使得高斯混合模型生成点云集合t(v)的似然最大，其中，分别表示第i个最优旋转矩阵和第i个最优平移矩阵。7.根据权利要求6所述的基于高斯混合模型隐变量监督学习的多点云配准方法，其特征在于，步骤4d中预设的第二优化函数为：s.t.r
i
r
it
＝i3，|r
i
|＝1其中，表示函数取得最小值时对应的r
i
值和t
i
值，r
i
表示旋转矩阵，t
i
表示平移矩
阵，阵，表示第i个点云经过加权计算后的点云，表示实数集，是匹配到第k个高斯分布的第i个点云的加权平均值，为单位向量，右上标t表示矩阵转置，为对角阵，其对角线元素为||
·
||
f
为f范数，i表示单位矩阵，s.t.之后的表达式为第二优化函数的约束条件；求解预设的第二优化函数，得到最优变换参数t为：解预设的第二优化函数，得到最优变换参数t为：其中，分别是矩阵经过svd分解后的左矩阵和右矩阵，式中diag(
·
)表示对角矩阵，tr(
·
)表示矩阵的迹，为单位向量。8.根据权利要求7所述的基于高斯混合模型隐变量监督学习的多点云配准方法，其特征在于，步骤3及步骤4中所述预设的神经网络的处理流程如下：输入点数为m的点云，每个点云由三维坐标表示，构成m
×
3的矩阵，输入到mlp网络中，将点云从三维空间映射到高维空间中，得到m
×
1024的点特征矩阵，其中每个点云的特征维度为1024；所述点特征矩阵经过最大值池化操作得到1
×
1024的全局特征，将其扩展为m
×
1024的矩阵并与点特征矩阵进行拼接，得到m
×
2048矩阵，拼接后的m
×
2048矩阵输入到mlp网络中，将高维数据映射到k维，得到m
×
k的矩阵，k即高斯混合模型的超参数。9.根据权利要求8所述的基于高斯混合模型隐变量监督学习的多点云配准方法，其特征在于，所述步骤3和步骤4预设的神经网络求得隐变量前需先进行训练，具体过程如下：步骤a：构建训练数据集，训练数据集使用模拟数据集或真实数据集，所述模拟数据集的构建通过对待检工件的预设cad模型进行采样，同时记录采样的位姿，作为训练的真值；所述真实数据集的构建则使用三维扫描仪对待检工件进行采样，同时在采样时记录位姿，作为训练的真值；步骤b：训练神经网络，将待配准点云集合v和对应的标准点云w输入到预设的神经网络中，设点云v
i
到标准点云w的变换矩阵为t
i
，给定点云v
i
到w变换的真值为t
igt
，神经网络训练的loss函数为：loss＝||t
i
t
igt-1-i||，其中，i为单位矩阵，通过所述loss函数训练预设的神
经网络，直到测试误差达到预设的阈值范围，t
i
(v
ij
)表示点v
ij
经过变换t
i
后得到的点，t
igt
(v
ij
)表示点v
ij
经过变换t
igt
后得到的点。

技术总结
本发明公开了一种基于高斯混合模型隐变量监督学习的多点云配准方法，构建标准点云和待配准点云集合；将标准点云和待配准点云集合建模为同样的高斯混合模型，设置高斯混合模型的超参数为K；设标准点云为高斯混合模型生成的一个样本，使用神经网络求得隐变量，求解最优高斯混合模型参数；设待配准点云集合经刚性变换后配准完成的点云集合为高斯混合模型生成的一个样本，使用神经网络求得隐变量，使用上一步所求最优高斯混合模型参数，求解最优变换参数，使得变换后点云的高斯混合模型与标准点云的高斯混合模型一致；根据上一步所求最优变换参数完成多点云的配准，同时也完成了与标准点云的对齐。其点云配准速度快、配准步骤简单，对噪声鲁棒性好。对噪声鲁棒性好。对噪声鲁棒性好。


技术研发人员：王耀南 赵佳文 朱青 毛建旭 张辉 彭伟星 吴昊天 武子杰 唐永鹏
受保护的技术使用者：湖南大学
技术研发日：2021.10.29
技术公布日：2022/1/28