一种点云位姿调整方法及装置

1.本发明涉及人工智能技术领域，尤其涉及一种点云位姿调整方法及装置。


背景技术：

2.点云的某些特征不依赖于点云的方向，这种性质称为点云的旋转不变性。例如，一个描述茶杯的点云，无论如何旋转其所描述的仍为茶杯。许多已有的点云处理方法尽管在对齐的点云上有较好的效果，但是一旦点云的方向改变，它们的性能往往会剧烈地下降。如何处理点云的旋转不变性就成了一个关键问题。
3.已有的方法大致可以分为三大类：多视角方法、球面卷积方法以及旋转不变量方法。
4.多视角方法只能在一个离散的转动群中获得旋转不变性，换言之其在so(3)上不具有严格的旋转不变性，因此在更一般的场景中无法保证鲁棒性。
5.在球面卷积方法中，卷积的计算需要在球面上计算数值积分，而数值积分的计算需要对球面进行离散，具有不可避免的数值误差，从理论上就不具有严格的旋转不变性；另外，为降低数值误差，只能通过增加计算量来实现。
6.旋转不变量方法中有许多方法，它们分别有不同的缺点：一些方法会在计算旋转不变量的同时损失部分结构信息，而这部分信息对下游任务有着重要的作用；一些方法并不具有理论上的严格旋转不变性，其仍需要训练阶段进行大量的数据增强以提升算法的表现效果；基于主成分分析的固定正则方向的方法天生具有歧义性，同时由于其无法通过训练的方式优化其中的参数，因此无法针对不同的下游任务进行有效的优化；现阶段的自适应正则方向的方法则大多只能在有标注方向的数据集上应用，无法有效拓展至缺乏相关标注的大尺度场景数据集中。


技术实现要素：

7.本发明提供一种点云位姿调整方法，用以解决现有技术中在对点云位姿调整过程中计算量大、摆正后的点云不具有严格的旋转不变性的缺陷，实现降低在点云的位姿调整过程中的计算量、同时摆正后的点云具有严格的旋转不变性的技术效果。
8.本发明提供一种点云位姿调整方法，所述方法包括：
9.获取待处理点云，将所述待处理点云进行中心归零操作，并确定中心归零后的所述待处理点云的点云原点；
10.将中心归零后的所述待处理点云中每个点到所述点云原点的距离作为一维旋转不变特征进行提取；
11.对中心归零后的所述待处理点云进行加权计算，得到加权结果；其中，加权计算的权重是根据所述一维旋转不变特征计算而来的；
12.将所述加权结果进行标准正交化处理，得到中心归零后的所述待处理点云的旋转矩阵；
13.基于所述旋转矩阵，对中心归零后的所述待处理点云进行位姿调整。
14.根据本发明提供的一种点云位姿调整方法，所述待处理点云为n
×
3的矩阵，其中n为所述待处理点云中点的个数；
15.所述一维旋转不变特征为n
×
1的矩阵；
16.所述权重为n
×
2的矩阵；
17.所述加权结果为3
×
2的矩阵；
18.所述旋转矩阵为3
×
3的矩阵；
19.其中，所述加权计算的权重是根据所述一维旋转不变特征计算而来的，具体包括：
20.通过多层感知机，将所述一维旋转不变特征的n
×
1矩阵，转变成所述权重的n
×
2矩阵。
21.根据本发明提供的一种点云位姿调整方法，所述将所述加权结果进行标准正交化处理，得到中心归零后的所述待处理点云的旋转矩阵，具体包括：
22.将所述加权结果矩阵中的两列进行标准正交化处理，得到所述旋转矩阵中表示点云绕x轴方向的x轴旋转向量和表示点云绕y轴方向的y轴旋转向量；
23.基于所述旋转矩阵的特性及所述x轴旋转向量和所述y轴旋转向量，获取所述旋转矩阵中表示点云绕z轴方向的z轴旋转向量；
24.根据所述x轴旋转向量、所述y轴旋转向量和所述z轴旋转向量得到所述旋转矩阵；
25.其中，所述旋转矩阵的特性具体为：
26.所述旋转矩阵与所述旋转矩阵的转置乘积为单位矩阵；
27.所述旋转矩阵的行列式为1。
28.根据本发明提供的一种点云位姿调整方法，所述基于所述旋转矩阵，对归零后的所述待处理点云进行位姿调整，具体为：
29.将所述旋转矩阵与归零后的所述待处理点云相乘，得到位姿调整后的点云矩阵。
30.根据本发明提供的一种点云位姿调整方法，所述对中心归零后的所述待处理点云进行加权计算，得到加权结果，具体为：
31.将所述权重的矩阵与中心归零后所述待处理点云矩阵的转置相乘，得到所述加权结果的矩阵。
32.根据本发明提供的一种点云位姿调整方法，在将所述加权结果标准正交化处理中，使用的所述标准正交化方法满足旋转等价性。
33.本发明还提供一种点云的位姿调整装置，所述装置包括：
34.中心归零模块，用于获取待处理点云，将所述待处理点云进行中心归零操作，并确定中心归零后的所述待处理点云的点云原点；
35.特征提取模块，用于将中心归零后的所述待处理点云中每个点到所述点云原点的距离作为一维旋转不变特征进行提取；
36.加权模块，用于对中心归零后的所述待处理点云进行加权计算，得到加权结果；其中，加权计算的权重是根据所述一维旋转不变特征计算而来的；
37.标准正交化模块，用于将所述加权结果进行标准正交化处理，得到中心归零后的所述待处理点云的旋转矩阵；
38.位姿调整模块，用于基于所述旋转矩阵，对中心归零后的所述待处理点云进行位
姿调整。
39.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述点云位姿调整方法。
40.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述点云位姿调整方法。
41.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述点云位姿调整方法。
42.本发明提供的点云位姿调整方法及装置，该方法通过以下步骤：获取待处理点云，将待处理点云进行中心归零操作，并确定中心归零后的待处理点云的点云原点；将中心归零后的待处理点云中每个点到点云原点的距离作为一维旋转不变特征进行提取；对中心归零后的待处理点云进行加权计算，得到加权结果；其中，加权计算的权重是根据一维旋转不变特征计算而来的；将加权结果进行标准正交化处理，得到中心归零后的待处理点云的旋转矩阵；基于旋转矩阵，对中心归零后的待处理点云进行位姿调整。本发明的技术方案首先通过将待处理的点云进行中心归零操作，消除平移对待处理点云的影响，再通过计算得到旋转矩阵，将旋转矩阵与中心归零后的待处理点云相乘，从而对点云进行旋转调整。通过本发明的技术方案将未摆正的点云进行摆正，在点云的位姿调整过程中计算量小，且摆正之后的点云具有严格的旋转不变性。
附图说明
43.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
44.图1是本发明提供的点云位姿调整方法的流程示意图之一；
45.图2是本发明提供的点云位姿调整方法的流程示意图之二；
46.图3是本发明提供的不同标准正交化方法的示意图；
47.图4是本发明提供的点云位姿调整方法与基线方法在点云重建任务上进行比较的示意图；
48.图5是本发明提供的点云的位姿调整装置的结构示意图；
49.图6是本发明提供的电子设备的结构示意图。
具体实施方式
50.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
51.点云摆正、点云配准等点云操作实质上是对点云进行旋转平移，使点云变换至目标位姿。现有技术对点云的摆正处理大致可以分为三大类：多视角方法、球面卷积方法以及
旋转不变量方法。
52.多视角方法是通过使用一组多视角数据作为三维形状的描述子的方法，其在三维分析中有着很长的历史。在卷积神经网络成为图像领域最佳的方法后，基于卷积神经网络的多视角图片方法也成为三维分析中效果较好的方法。mvcnn就是这类方法中的先驱，其通过卷积神经网络处理三维模型的多视角图片以对三维模型进行特征提取。尽管这类方法最初并不是作为具有旋转不变性的方法而专门提出的，但它们对于旋转点云有着较好的效果。随着直接处理点云的方法出现，也有一些方法转向了多视角点云的处理。例如rot-so-net就是通过直接处理多视角点云获得离散的旋转不变性。
53.球面卷积方法则是首先将三维模型转换为球面信号，而后对球面信号进行处理以获得旋转不变性的方法。球面卷积有多种定义的方式，但这些方式都可以用于具有旋转不变性的特征提取。由于球面卷积需要在连续区域上计算积分，因此并不能直接应用于离散的点云上。为解决这一问题，prin和sprin通过引入球面体素卷积，并结合密度自适应采样和点云重采样等手段，从而将球面卷积方法拓广到点云上。
54.旋转不变量方法是目前应用较广且具有较好鲁棒性的一种方法。其首先将点云从易受旋转影响的原始坐标转换为不受旋转影响的不变量，而后对不变量进行处理。srinet通过首先在点云中选择距离中心最远及最近的点和它们的叉积作为三个投影坐标轴，而后将坐标投影为旋转不变量；clusternet则是通过更复杂的旋转不变算子将原始坐标转换为具有旋转不变性的k近邻图。在这类方法中，有一部分方法通过构造标准正交基来获得旋转不变性，此时这类方法等价于将点云先旋转至正则方向，而后对正则方向的点云进行处理以获得旋转不变性。其中既有基于主成分分析的固定正则方向计算方法，也有自适应正则方向计算方法，例如rtn和rotpredictor。
55.由于现有技术存在的以上缺点，本发明提出了一种新的点云位姿调整方法。
56.下面结合图1-图2描述本发明的一种点云位姿调整方法。
57.图1是本发明实施例提供的一种点云位姿调整方法的流程示意图，如图1所示，该方法包括以下步骤：
58.步骤110、获取待处理点云，将待处理点云进行中心归零操作，并确定中心归零后的待处理点云的点云原点。点云是某个坐标系下的点的数据集。点包含了丰富的信息，包括三维坐标x，y，z、颜色、分类值、强度值、时间等等，不一一列举。本实施例中待处理点云为n
×
3的矩阵，其中n为待处理点云中点的个数。矩阵中的三列为各点x，y，z的坐标值。
59.具体的，假定输入的待处理点云以矩阵的形式表示在步骤110中对待处理点云进行中心归零：其中1表示长为n且均为1的列向量。这一步将输入点云变为中心归零的点云，以去除平移对点云的影响。
60.步骤120、将中心归零后的待处理点云中每个点到点云原点的距离作为一维旋转不变特征进行提取。
61.具体的，步骤120为特征提取：这一步通过函数φ对中心归零的点云进行特征提取，不同的φ对应着不同的具有旋转不变性的特征。在本方法的实现中，选择点云中的每个点到点云原点的距离作为一维旋转不变特征。这一特征尽管简单，但
具有线性复杂度，计算得更快，并且实验的效果也较好。其中，一维旋转不变特征为n
×
1的矩阵。
62.步骤130、对中心归零后的待处理点云进行加权计算，得到加权结果；其中，加权计算的权重是根据一维旋转不变特征计算而来的。其中，将权重的矩阵与中心归零后待处理点云矩阵的转置进行乘积，得到加权结果的矩阵，加权结果为3
×
2的矩阵。
63.具体的，步骤130为特征回归：本发明使用一个多层感知机以实现函数这一步是通过对上一步得到的旋转不变特征进一步地处理得到权重z。其中，权重为n
×
2的矩阵。通过多层感知机，将一维旋转不变特征的n
×
1矩阵，转变成权重的n
×
2矩阵。
64.步骤140、将加权结果进行标准正交化处理，得到中心归零后的待处理点云的旋转矩阵。其中，在将加权结果标准正交化处理中，使用的标准正交化方法满足旋转等价性。
65.在一些实施例中，如图2所示，步骤140具体包括以下步骤：
66.步骤210、将加权结果矩阵中的两列进行标准正交化处理，得到旋转矩阵中表示点云绕x轴方向的x轴旋转向量和表示点云绕y轴方向的y轴旋转向量；
67.步骤220、基于旋转矩阵的特性及x轴旋转向量和y轴旋转向量，获取旋转矩阵中表示点云绕z轴方向的z轴旋转向量；
68.步骤230、根据x轴旋转向量、y轴旋转向量和z轴旋转向量得到所述旋转矩阵；
69.其中，旋转矩阵的特性具体为：
70.旋转矩阵与旋转矩阵的转置乘积为单位矩阵；
71.旋转矩阵的行列式为1。
72.步骤140为标准正交化：z
←
x
×
y。这一步使用上一步得到的加权权重z对点云x进行加权得到对x
t
z的两列进行标准正交化，从而得到两个坐标轴x,y。此处使用的标准正交化方法必须满足旋转等价性，亦即：
73.rx，ry＝ψ(rx
t
z).
74.满足此要求的标准正交化方法有很多，比如gram-schmidt方法等，但此处并没有采用。其原因主要是gram-schmidt方法会导致正交化的两个向量过度依赖其中一个的方向，即：
75.x＝normalize(x
′
)，y＝normalize(y
′‑
x
ty′
x).
76.此时正交化得到的两个方向x，y极大地受x
′
的影响，为均衡x
′
，y
′
的影响，本方法采用下述方法进行计算：
77.x
″
＝normalize(x
′
)，y
″
＝normalize(y
′
)，
78.x＝normalize(x
″
y
″
)，y＝normalize(x
″‑y″
)
79.采用第二种方法后对于最终的x，y来说，x
′
，y
′
具有同样的影响，两种方法的不同如图3所示。其中，图3中左侧是gram-schmidt方法和右侧是本发明的方法中的标准正交化方法。
80.由于最终的旋转矩阵满足r
t
r＝i，det(r)＝1，最后一个坐标轴z可以直接通过z
←
x
×
y进行计算；
81.组装旋转矩阵：r
←
[x，y，z]。这一步是将上面步骤中得到的三个坐标轴直接拼接为旋转矩阵。其中，旋转矩阵为3
×
3的矩阵。
[0082]
步骤150、基于旋转矩阵，对中心归零后的待处理点云进行位姿调整。具体的，将旋转矩阵与归零后的待处理点云进行乘积，得到位姿调整后的点云矩阵。
[0083]
在本发明的技术方案中，一个关键的问题是本发明的点云位姿调整方法是否具有严格的旋转不变性。
[0084]
为回答这一问题，本方法建立了如下的理论基础：
[0085]
对本方法而言，如果其对于输入点云x0输出r0，那么对于输入点云x1＝pxor 1d
t
输出r
t
r0，其中x0是任意点云，p是任意置换，r是任意旋转，d是任意平移。
[0086]
上述理论基础说明，采用本方法计算的旋转矩阵具有严格的旋转不变性，这保证了训练过程中的连贯性和一致性。
[0087]
本发明的点云位姿调整方法的关键点在于：
[0088]
1、本方法具有在so(3)转动群上的严格旋转不变性：与只在离散的转动子群上具有旋转不变性的多视角方法不同，本方法是通过计算正则方向获得旋转不变性的，由于正则方向对于任意方向的输入都能保持不变，因此本方法在so(3)上具有严格旋转不变性；
[0089]
2、本方法计算量较少：与需要将点云投影至球面上，并计算球面上数值积分的球面卷积方法相比，本方法主要的计算量只是一个小型的多层感知机，计算量较少；
[0090]
3、本方法完全保留了点云的结构信息：通过使用本方法计算的正则方向规范后的点云，其与原始的点云只相差一个旋转矩阵，因此以相对位置关系为主的点云结构信息完全被保留；
[0091]
4、本方法在算法的训练阶段不需要大量的数据增强：事实上，只需要在现有的模型前端增加一个本方法的模块，不需要进行额外的调整就可帮助现有的不具有旋转不变性的模型获得旋转不变性；
[0092]
5、本方法不具有歧义性：本方法不是通过主成分分析的方法获得正则方向的，因此天生不具有歧义性，不需要额外的模块对多个正则方向进行筛选；
[0093]
6、本方法是第一个具有严格旋转不变性的自适应正则方向计算方法：以往的正则方向计算方法，或者无法针对不同的下游任务进行相应的自适应优化，或者只能在训练数据集的范围内做到近似旋转不变性。本方法通过使用简单的多层感知机对权重进行回归，同时克服了这两个缺点，即在具有严格旋转不变性的同时可以实现对下游任务的自适应调整；
[0094]
7、本方法的性能在已有的方法中达到了最优。在这一领域常用的modelnet40和shapenetpart等数据集上，本方法都取得了最佳的表现效果。
[0095]
本发明的技术方案的优点包括以下几方面：
[0096]
1、本方法计算量较少：本方法中的主要几部分计算量都只与点的数目成正比，只具有线性复杂度；
[0097]
2、本方法不需要数据增强：只需要在未经过数据增强的点云上训练，就能涵盖所有方向的点云；
[0098]
3、本方法不具有歧义性：本方法可以根据需要生成不同正则方向的点云，不受主成分分析等方法的限制，天生不具有歧义性，不需要额外的模块对多个正则方向进行筛选；
[0099]
4、本方法的性能很好。本方法在点云分类、点云重建、点云部件分割和点云场景分割等任务上都有着很好的效果。
[0100]
为了说明本发明所提供的方法的效果，本发明的技术方案在四个任务上进行效果验证，现列举如下：
[0101]
(a)点云分类
[0102]
modelnet40数据集是一种广泛使用的三维形状数据集，共包括四十类别的三维模型。训练数据集中有9843个模型而测试数据集中有2468个模型。本任务的目标是根据点云数据预测该点云的类别。为了公平地评估算法的性能，本发明的技术方案中使用pointnet中的采样数据进行训练及测试。训练时不使用任何的旋转数据增强，测试时使用经任意旋转增强的数据。实验结果如表1所示。
[0103]
表1点云分类实验结果
[0104][0105][0106]
从表1中可以看出，本方法在这一测试条件下的表现效果达到了目前所有方法的最佳。进一步，考虑到本方法没有使用任何旋转增强(前述方法大多使用绕着一个轴的旋转增强)，并且网络骨干使用的也只是最通用的pointnet ，本方法的结果就更显突出。
[0107]
(b)点云重建
[0108]
shapenetcore是shapenet的一个子集，其包括一些独立干净的三维模型数据。本实验选择了shapenetcore中的模型数目最多的五个类别用于实验，目的在于通过对这些数据自监督训练学习一个对旋转鲁棒的点云特征表示。为验证本方法的有效性，此实验比较了未使用姿态矫正的基线方法和使用本方法进行姿态矫正的对照方法。本实验采用两个最小匹配距离mmd-cd和mmd-emd作为评估指标，这两个指标的值越小，说明重建的效果越好。
[0109]
表2点云重建实验结果
[0110][0111]
从表2中可以看出，本方法在所有五个类别上的重建最小匹配距离都有着决定性的优势。本技术在五个类别上可视化了点云重建的结果，如图4所示。图4分为两栏，左侧代表测试数据和训练数据的方向相同，右侧代表测试数据的方向和训练数据的方向不同；每一栏分为三列，从左到右分别是输入点云、基线方法重建的点云和本方法重建的点云。从图中可以看出，当测试的输入点云与训练时的方向相同的时候，基线方法的效果很好，甚至在某些测试样本上性能还要好一点；但一旦测试的输入点云方向与训练时的方向不同的时候，基线方法的效果剧烈恶化，输出的结果要么崩溃(如右栏第一和五列)，要么变得和输入完全无关(如右栏第二、三和四列)。这种现象说明在点云重建任务中，基线方法编码了大量的方向信息，这使得其不具有对不同方向点云的鲁棒性，与之形成对比的是，本方法没有编码任何方向信息，这使其性能可以尽可能地少受点云方向的影响。
[0112]
(c)点云部件分割
[0113]
shapenetpart是一个专门用于部件分割实验的数据集，其中包括了14006个训练样本和2874个测试样本。实验的目的在于去预测输入数据中每一个点的部件类别。与点云分类任务相同，本技术使用pointnet采样的数据集以进行公平的比较。
[0114]
iou是这类实验中常用的评估指标，其主要用于衡量预测值和真值的接近程度，这一值越高，说明算法的效果越好。在此实验中，过往工作有两个评估算法性能的指标。一部分计算了实例平均iou，另一部分计算了类别平均iou。由于shapenetpart并不是一个类别均衡的数据集，因此实例平均和类别平均的结果不尽相同。为了进行与之前方法的公平比较，本实验分别在两种条件下进行：非类别均衡(获得更高的实例平均iou)和类别均衡(获得更高的类别平均iou)。实验的结果如表3所示。
[0115]
表3点云部件分割实验效果
[0116][0117][0118]
从表3中可以看出，在非类别均衡条件下训练的本方法在实例平均iou上达到了最高，而采用类别均衡条件下训练的本方法在类别平均iou上达到了最高，这充分说明了本方法的优势。
[0119]
(d)点云语义分割
[0120]
scannet是一个大型的场景视频数据集，其中包括了来自于1513个场景的数百万视角数据。本实验的任务是在去除颜色数据的条件下预测场景中的每一点语义标签。
[0121]
在过往的旋转不变性方法中，极少数工作将本数据集作为旋转不变性实验数据集，主要是因为本实验中点云数目达到了百万量级，这使得大部分过往方法无法有效地应用。与之对应的是，本方法总体复杂度正比于点云的数目，这使得其可以轻松地扩展至大尺度的场景数据集中。本实验采用和点云重建实验类似的设置，比较了未使用姿态矫正的基线方法和使用本方法进行姿态矫正的对照方法。本实验采用不旋转和任意旋转条件下的准确率作为实验的评估指标，实验结果如表4所示。
[0122]
表4点云语义分割实验效果
[0123][0124]
从表4中可以看出，在不旋转的条件下，由于测试数据和训练数据的方向基本相同，基线方法甚至要强于本方法。但一旦测试数据的方向与训练数据产生了不同，基线方法的性能出现了剧烈的下降，而本方法基本保持不变。这充分说明了本方法的优势。
[0125]
为了验证本方法的时间高效性，本技术还提供了本方法在上述四个实验上的响应时间数据，主要包括本方法矫正姿态所需的时间和其余部分提取特征所需的时间，如表5所示。
[0126]
表5本方法的响应时间比较
[0127][0128]
从表5中可以看出，本方法在矫正姿态部分所需要的时间要显著低于其余部分所需的时间，这充分说明了本方法可以在不显著增加计算量的前提下，赋予已有方法旋转不变性。
[0129]
由上可知，本发明的技术方案首先通过将待处理的点云进行中心归零操作，消除平移对待处理点云的影响，再通过计算得到旋转矩阵，将旋转矩阵与中心归零后的待处理点云相乘，从而对点云进行旋转调整。通过本发明的技术方案将未摆正的点云进行摆正，在点云的位姿调整过程中计算量小，且摆正之后的点云具有严格的旋转不变性。
[0130]
下面对本发明提供的点云的位姿调整装置进行描述，下文描述的点云的位姿调整装置与上文描述的点云位姿调整方法可相互对应参照。
[0131]
如图5所示，本发明的实施例提供了一种点云的位姿调整装置，装置包括：中心归零模块510、特征提取模块520、加权模块530、标准正交化模块540和位姿调整模块550。
[0132]
具体的，中心归零模块510用于获取待处理点云，将待处理点云进行中心归零操作，并确定中心归零后的待处理点云的点云原点。
[0133]
特征提取模块520用于将中心归零后的待处理点云中每个点到点云原点的距离作为一维旋转不变特征进行提取。
[0134]
加权模块530用于对中心归零后的待处理点云进行加权计算，得到加权结果；其中，加权计算的权重是根据一维旋转不变特征计算而来的。
[0135]
标准正交化模块540用于将加权结果进行标准正交化处理，得到中心归零后的待处理点云的旋转矩阵。
[0136]
位姿调整模块550用于基于旋转矩阵，对中心归零后的待处理点云进行位姿调整。
[0137]
本发明的技术方案首先通过将待处理的点云进行中心归零操作，消除平移对待处理点云的影响，再通过计算得到旋转矩阵，将旋转矩阵与中心归零后的待处理点云相乘，从而对点云进行旋转调整。通过本发明的技术方案将未摆正的点云进行摆正，在点云的位姿调整过程中计算量小，且摆正之后的点云具有严格的旋转不变性。
[0138]
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(communications interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行点云位姿调整方法，该方法包括以
下步骤：获取待处理点云，将待处理点云进行中心归零操作，并确定中心归零后的待处理点云的点云原点；将中心归零后的待处理点云中每个点到点云原点的距离作为一维旋转不变特征进行提取；对中心归零后的待处理点云进行加权计算，得到加权结果；其中，加权计算的权重是根据一维旋转不变特征计算而来的；将加权结果进行标准正交化处理，得到中心归零后的待处理点云的旋转矩阵；基于旋转矩阵，对中心归零后的待处理点云进行位姿调整。
[0139]
此外，上述的存储器630中的逻辑指令可以通过软件功能单元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，本发明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，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0140]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的点云位姿调整方法，该方法包括以下步骤：获取待处理点云，将待处理点云进行中心归零操作，并确定中心归零后的待处理点云的点云原点；将中心归零后的待处理点云中每个点到点云原点的距离作为一维旋转不变特征进行提取；对中心归零后的待处理点云进行加权计算，得到加权结果；其中，加权计算的权重是根据一维旋转不变特征计算而来的；将加权结果进行标准正交化处理，得到中心归零后的待处理点云的旋转矩阵；基于旋转矩阵，对中心归零后的待处理点云进行位姿调整。
[0141]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的点云位姿调整方法，该方法包括以下步骤：获取待处理点云，将待处理点云进行中心归零操作，并确定中心归零后的待处理点云的点云原点；将中心归零后的待处理点云中每个点到点云原点的距离作为一维旋转不变特征进行提取；对中心归零后的待处理点云进行加权计算，得到加权结果；其中，加权计算的权重是根据一维旋转不变特征计算而来的；将加权结果进行标准正交化处理，得到中心归零后的待处理点云的旋转矩阵；基于旋转矩阵，对中心归零后的待处理点云进行位姿调整。
[0142]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0143]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，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，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0144]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。