一种多时相点云数据配准方法、装置及存储介质

1.本发明涉及输变电设备状态评估领域，尤其是涉及一种基于局部不变特征提 取的多时相点云数据配准方法、装置及存储介质。


背景技术：

2.输变电设备形态4d评估可从时空尺度上精确描述设备形变的演化过程，满足 精细化的设备几何形态评估需求，多时相点云数据配准算法作为形态4d评估的关 键性技术，需要满足高精度、高普适性的要求。
3.主流的点云配准方法可大致分为基于特征的点云配准方法、基于点的点云配准 方法、基于数学模型的点云配准方法和基于深度学习的点云配准方法。基于特征的 点云配准方法可解释性强、配准速度快，常被用于点云的粗配准；但此类方法对点 云特征的计算以法向量或拟合曲面的估算为基础，其配准精度受限于点云密度大小 与点云分布均匀性。基于点的点云配准方法以icp算法为最经典的代表，具有配 准精度高的显著优点，该类方法对点云数据的初始位置关系较为敏感，易陷入局部 最优，而且其运算代价大，不适用于大范围、高密度的点云对象。基于数学模型的 点云配准方法利用各种数学模型来描述点云数据的空间分布情况，从而实现点云数 据的配准，具有运算速度快的优点，适合于大场景、高实时性的点云配准任务；但 受限于点云数学模型的拟合精度，此类方法的配准精度通常不高，难以满足点云高 精度配准的需求。基于深度学习的点云配准方法通过构建深度神经网络实现点云数 据的配准，且已经在特定点云数据集(modelnet40、kitti或3dmatch)上取得了 优于传统icp算法的表现；但此类方法的可解释性、可复现性以及泛化能力较差， 其计算代价会随着点云稠密度的提升而快速增加，这都限制了此类方法在实际工程 中的应用。
4.输变电设备形态4d评估多时相点云数据配准算法，一方面，为了保证后续点 云模型差异值计算的准确度与可靠性，算法需要具备优异的配准精度；另一方面， 由于输变电设备在几何形态上常具有相似性与对称性，算法需要高效区分几何特性 相近的点云数据，并实现对应点的精确匹配；此外，考虑到输变电设备存在应力形 变的可能性，算法需要具备良好的抗形变干扰能力。从以上角度，现有的输变电设 备形态4d评估多时相点云数据配准算法存在以下难以解决的问题：
5.1)无法消除输变电设备形变的影响；
6.2)无法匹配输变电设备的结构特点；
7.3)无法兼顾配准精度与处理效率。
8.传统的点云配准方法只针对配准算法本身展开研究，并不考虑待处理对象的特 点与配准需求；因此，在处理输变电设备多时相点云数据这一具体对象时，传统的 点云配准方法都难以取得理想的配准效果。


技术实现要素：

9.本发明的目的就是为了提供一种基于局部不变特征提取的多时相点云数据配 准方法、装置及存储介质，解决输变电设备点云几何特征相似性对点云数据配准算 法的影响，且兼顾配准精度与处理效率，具有良好的普适性与点云密度鲁棒性。
10.本发明的目的可以通过以下技术方案来实现：
11.一种基于局部不变特征提取的多时相点云数据配准方法，包括以下步骤：
12.获取点云数据；
13.点云特征提取：建立基于cnn神经网络的点云局部不变特征提取模型并进行 训练，提取点云数据的局部不变特征，其中，所述点云局部不变特征提取模型为 cnn神经网络结构，包括：
14.点云数据转换模块：用于将三维点云转换为三维张量，
15.邻域信息补充模块：用于增补三维张量中的数据，
16.分辨率提升模块：用于扩张三维张量的尺寸，
17.特征提取模块：用于学习点云的分布式特征表示，
18.全连接输出模块：用于将学习到的分布式特征表示映射到样本标记空间中，完 成特征分类，输出点云局部不变特征；
19.特征点匹配：通过度量点云局部不变特征的相似程度完成特征点匹配，得到匹 配点对；
20.点云的粗配准：基于粗配准算法，利用匹配点对的一一对应关系，选取局部不 变特征相似程度从高到低排名前m组的匹配点对计算相应的刚体变换矩阵，实现 点云模型的初步重合；
21.点云的精细化配准：在粗配准的基础上基于精细化配准算法进行精细化配准， 得到最优化点云数据配准结果。
22.所述点云数据包括三维点云和特征观测值，其中，所述三维点云为目标点云及 其邻域点所构成的三维点云数据集，邻域点的选取范围被限定在目标点云的r邻域 内，所述特征观测值为fpfh特征。
23.所述点云数据转换模块包括1个点云数据转换层；输入为目标点云及其邻域点 所构成的三维点云数据集p＝[pi]，其中，p0＝(x0,y0,z0)代表目标点云及其三维坐 标；输出为(2n 1)
×
(2n 1)
×
3的三维张量i，其中，n为三维张量尺寸计算参数， 三维张量i的尺寸为(h，w，c)，h代表高，w代表宽，c代表通道数；
[0024]
点云数据转换模块的数据处理过程包括以下步骤：
[0025]
步骤2-1)对输入的点云数据集进行主成分分析，求解特征值λ0≥λ1≥λ2及其对 应的三个特征向量v0、v1、v2，构建降维矩阵v＝[v0,v1]，实现点云数据的平面化 q＝v
t
p＝[qi]，其中，q0＝(u0,v0)代表平面化处理后的目标点云；
[0026]
步骤2-2)对平面化处理后的点云进行栅格化编码处理，建立点云数据与三维 张量的映射关系tv(qi)：
[0027][0028]
其中，r代表以目标点云为圆心进行邻域搜索的半径，函数ceil(x)取不小于x 的最小整数；
[0029]
步骤2-3)根据映射关系tv(qi)，分别用点云数据的坐标值对三维张量i的二 维切片进行数值填充并做归一化处理，若同一个张量元素对应多个点云数据则实施 平均化操作，其中，所述三维张量的通道数被配置为3，对应于三维张量的通道的 二维切片共3个，分别为i(h,w,1)、i(h,w,2)、i(h,w,3)，所述数值填充为用点 云数据的坐标值x、y、z分别填充i(h,w,1)、i(h,w,2)、i(h,w,3)。
[0030]
所述邻域信息补充模块包括1个分组卷积层、1个bn层、1个relu层和1 个平均池化层，其中，所述分组卷积层依次对三维张量的每个通道所对应的二维切 片进行卷积操作，利用卷积核对感受野内的数据进行学习并完成特征映射，实现三 维张量中数据的增补；平均池化层用于对分组卷积后的三维张量数据进行滤波平滑 处理。
[0031]
所述分辨率提升模块包括1个分组转置卷积层、1个bn层、1个relu层和1 个平均池化层，其中，所述分组转置卷积层依次对三维张量的每个通道所对应的二 维切片进行反卷积操作，扩张三维张量的尺寸，
[0032]
其中，离散形式的反卷积公式为：
[0033][0034]
其中，i代表输入的三维张量的二维切片；k代表二维卷积核。
[0035]
所述特征提取模块包括3个卷积层、3个bn层和3个relu层，利用卷积层 的特征提取能力，将三维张量中存储的数据映射到隐层特征空间，实现分布式特征 表示的学习。
[0036]
所述全连接输出模块包括2个全连接层和1个dropout层。
[0037]
所述点云局部不变特征提取模型的训练优化采用adam算法，所述训练优化过 程包括以下步骤：
[0038]
步骤s1：定义cnn神经网络的损失函数为特征的均方误差：
[0039][0040]
其中，f(p；θ)是输入为p时cnn神经网络输出的特征预测值；f是特征观测 值；a代表向量a的l2范数；ti是特征预测值的第i个元素；yi是特征观测值的 第i个元素；n代表向量的元素个数；
[0041]
步骤s2：定义cnn神经网络的代价函数：
[0042][0043]
其中，是经验分布，m为参与训练的点云数据样本个数；
[0044]
步骤s3：设置步长ε，矩估计的指数衰减速率ρ1与ρ2，用于数值稳定的小常 数δ；初
始化cnn神经网络参数θ，设一阶矩变量s＝0，二阶矩变量r＝0，时间 步t＝0；
[0045]
步骤s4：训练并更新cnn神经网络参数；
[0046]
步骤s4-1：从训练数据集中选取包含m个数据样本的小批量，计算梯度：
[0047][0048]
步骤s4-2：时间步累加，t＝t 1；
[0049]
步骤s4-3：更新有偏一阶矩估计s，更新有偏二阶矩估计r，修正一阶矩的偏 差修正二阶矩的偏差
[0050][0051]
步骤s4-4：逐元素地对cnn神经网络参数θ进行更新：
[0052][0053]
步骤s5：判断时间步是否小于预配置的最大时间步，若是，则返回步骤s4， 若否，则执行步骤s6；
[0054]
步骤s6：完成cnn神经网络的训练，得到最优参数解。
[0055]
一种基于局部不变特征提取的多时相点云数据配准装置，包括存储器、处理器， 以及存储于所述存储器中的程序，所述处理器执行所述程序时实现如上述所述的方 法。
[0056]
一种存储介质，其上存储有程序，所述程序被执行时实现如上述所述的方法。
[0057]
与现有技术相比，本发明具有以下有益效果：
[0058]
(1)本发明采用基于cnn神经网络的点云局部不变特征提取模型进行点云 特征的提取，不再过分关注点云的整体、局部几何特性，而是着力于描述点云的本 质属性，所获取的点云特征具有更好的特异性信息描述能力，且不依赖于几何属性 的计算，从而很好地解决了输变电设备点云结构几何特征相似性对点云数据配准算 法的影响，也为局部基准区域配准思路的实施提供了帮助。
[0059]
(2)本发明的基于cnn神经网络的点云局部不变特征提取模型不同于传统 点云数据配准算法需要全体点云数据参与配准操作，特征点匹配只需要选取局部不 变特征相似度最高的n组匹配点对即可完成刚体变换矩阵的计算，这就意味着多 时相点云数据配准算法的执行时间受点云数据总量的影响将会大大减少，有望兼顾 配准精度与配准效率。
[0060]
(3)点云数据在三维空间中呈现出不规则的离散分布，故卷积核无法直接应 用于点云数据；本发明的点云数据转换模块能够将三维点云转换为可供卷积核处理 的三维张量，既反映了目标点云及其邻域点之间的相对位置关系，又很好得承载了 点云数据的三维
坐标信息，最大限度地保留点云数据集的个体特征与群体特征，并 且点云数据转换模块不需要任何的预定义参数，能有效降低其在工程应用中对技术 人员的经验要求。
[0061]
(4)本发明通过邻域信息补充模块实现三维张量中数据的增补，以应对三维 张量中所存储的数据稀疏的问题，并利用平均池化层提高后续网络对于特征信息的 统计效率。
[0062]
(5)由于邻域范围的限制，作为输入的点云数量较为有限，这直接导致了三 维张量在空间分辨率与数据稀疏性上的对立，为了避免三维张量过于稀疏而影响特 征提取的效果，三维张量的初始尺寸必须受到约束，而本发明通过分辨率提升模块 对三维张量的尺寸进行扩张，提高了空间分辨率，有利于感受野的增大，从而抑制 过拟合。
[0063]
(6)本发明的基于cnn神经网络的点云局部不变特征提取模型中的dropout 能根据给定的概率将神经元随机丢弃，确保神经元能不依赖特定的其他神经元而存 在，有效减少神经元之间的协同适应，bn与relu都能避免神经网络在训练的过 程中出现梯度爆炸或梯度消失的问题，都能加速神经网络的训练与收敛；bn与 dropout则能在一定程度上避免神经网络出现过拟合的现象，提升神经网络的泛化 能力。
[0064]
(7)本发明的点云数据配准算法通过针对基准区域的点云配准思路，避免输 变电设备的形变区域参与配准操作，进而消除了输变电设备形变的影响并且能够匹 配输变电设备的结构特点，具有广泛的适用性。
附图说明
[0065]
图1为本发明的方法流程图；
[0066]
图2为本发明基于cnn神经网络的点云局部不变特征提取模型结构示意图；
[0067]
图3为点云数据转换层的内部结构示意图；
[0068]
图4为一种实施例的测试数据展示图；
[0069]
图5为一种实施例的代价函数-迭代步数曲线图；
[0070]
图6为一种实施例的rmse-迭代步数曲线图；
[0071]
图7为点云数据配准效果图，其中，(a)为点云数据的初始位置关系图，(b) 为特征点匹配结果图，(c)为粗配准结果图，(d)为精细化配准结果图；
[0072]
图8为点云数据配准方法实验结果的性能分析图，其中，(a)为ee1-1的性 能分析图，(b)为ee2-1的性能分析图，(c)为ee3-1的性能分析图；
[0073]
图9为点云数据配准方法的点云密度鲁棒性实验结果图，其中，(a)为re
‑ꢀ
密度变化量曲线图，(b)为te-密度变化量曲线图，(c)为rmse-密度变化量曲线 图。
具体实施方式
[0074]
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方 案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范 围不限于下述的实施例。
[0075]
一种基于局部不变特征提取的多时相点云数据配准方法，如图1所示，包括以 下步骤：
[0076]
1)获取点云数据；
[0077]
所述点云数据包括三维点云和特征观测值。
[0078]
所述三维点云为目标点云及其邻域点所构成的三维点云数据集，邻域点的选取 范围被限定在目标点云的r邻域内。
[0079]
本实施例中，特征观测值为fpfh特征。fpfh特征能利用较低维度的特征实 现点云局部几何特性的高效描述，具备刚体变换不变性、良好的可区分度与较低的 运算复杂度，其已经在配准、重构、分割等领域得到了广泛的应用。fpfh特征计 算目标点法向量和邻域点法向量之间的角度差异；通过数据归一化处理与统计分析， 可以将前述的角度差异转换为参数化向量，并以此获得相应的简化点特征直方图 spfh；对目标点云及其邻域内点云的spfh进行加权求和，即可得到目标点的快 速点特征直方图fpfh。
[0080]
2)点云特征提取
[0081]
建立基于cnn神经网络的点云局部不变特征提取模型并进行训练，提取点云 数据的局部不变特征。
[0082]
点云局部不变特征提取模型为cnn神经网络结构，其结构示意图如图2所示， 包括：
[0083]
①
点云数据转换模块：用于将三维点云转换为三维张量，其内部结构如图3 所示。
[0084]
不同于图像像素矩阵的均匀有序排列，点云数据在三维空间中呈现出不规则的 离散分布，故卷积核无法直接应用于点云数据；点云数据转换模块能够将三维点云 转换为可供卷积核处理的三维张量。
[0085]
点云数据转换模块包括1个点云数据转换层(point cloud t-layer)；输入为目 标点云及其邻域点所构成的三维点云数据集p＝[pi]，其中，p0＝(x0,y0,z0)代表目 标点云及其三维坐标；输出为(2n 1)
×
(2n 1)
×
3的三维张量i，其中，n为三维张 量尺寸计算参数，本实施例中n取5，三维张量i的尺寸为(h，w，c)，h代表高， w代表宽，c代表通道数。
[0086]
点云数据转换模块的数据处理过程包括以下步骤：
[0087]
步骤2-1)对输入的点云数据集进行主成分分析，求解特征值λ0≥λ1≥λ2及其对 应的三个特征向量v0、v1、v2，构建降维矩阵v＝[v0,v1]，实现点云数据的平面化 q＝v
t
p＝[qi]，其中，q0＝(u0,v0)代表平面化处理后的目标点云；
[0088]
步骤2-2)对平面化处理后的点云进行栅格化编码处理，建立点云数据与三维 张量的映射关系tv(qi)：
[0089][0090]
其中，r代表以目标点云为圆心进行邻域搜索的半径，函数ceil(x)取不小于x 的最小整数；
[0091]
步骤2-3)根据映射关系tv(qi)，分别用点云数据的坐标值对三维张量i的二 维切片进行数值填充并做归一化处理，若同一个张量元素对应多个点云数据则实施 平均化操作，其中，所述三维张量的通道数被配置为3，对应于三维张量的通道的 二维切片共3个，分别为i(h,w,1)、i(h,w,2)、i(h,w,3)，所述数值填充为用点 云数据的坐标值x、y、z分别填充i(h,w,1)、i(h,w,2)、i(h,w,3)。
[0092]
②
邻域信息补充模块：用于增补三维张量中的数据。
[0093]
邻域信息补充模块包括1个分组卷积层(group convolution,g-conv)、1个 bn层、1个relu层和1个平均池化层(average pooling,avgpool)。
[0094]
点云数据是由激光雷达沿着水平和垂直的方向、按一定角度间隔步进的方式采 样获得的，离散性是其固有性质；而点云数据转换模块所产生的三维张量对应着连 续的曲面区域；故三维张量所存储的数据是较稀疏的。分组卷积层能依次对三维张 量的每个通道所对应的二维切片进行卷积操作，利用卷积核对感受野内的数据进行 学习并完成特征映射，实现三维张量中数据的增补；平均池化层用于对分组卷积后 的三维张量数据进行滤波平滑处理，可有效提高后续网络对于特征信息的统计效率。
[0095]
③
分辨率提升模块：用于扩张三维张量的尺寸。
[0096]
分辨率提升模块包括1个分组转置卷积层(group deconvolution,g-deconv)、 1个bn层、1个relu层和1个平均池化层(average pooling,avgpool)。
[0097]
由于邻域范围的限制，作为输入的点云数量较为有限；这直接导致了三维张量 在空间分辨率与数据稀疏性上的对立，为了避免三维张量过于稀疏而影响特征提取 的效果，三维张量的初始尺寸必须受到约束。所述分组转置卷积层依次对三维张量 的每个通道所对应的二维切片进行反卷积操作，扩张三维张量的尺寸。
[0098]
反卷积又被称为分数步长卷积(fractially straced convolution)或转置卷积 (transposed convolution)；反卷积操作与卷积操作一样，都可抽象为离散形式的 卷积公式，
[0099][0100]
其中，i代表输入的三维张量的二维切片；k代表二维卷积核。
[0101]
④
特征提取模块：用于学习点云的分布式特征表示。
[0102]
特征提取模块包括3个卷积层(convolution,conv)、3个bn层和3个relu 层，利用卷积层的特征提取能力，将三维张量中存储的数据映射到隐层特征空间， 实现分布式特征表示的学习。
[0103]
⑤
全连接输出模块：用于将学习到的分布式特征表示映射到样本标记空间中， 完成特征分类，输出点云局部不变特征。
[0104]
所述全连接输出模块包括2个全连接层(fully connected layer,fc)和1个 dropout层。全连接层能够将学习到的分布式特征表示映射到样本标记空间中，起 到“分类器”的作用。
[0105]
上述功能模块中所提及的bn(batch normalization)代表批量归一化层，能实 现激活层输入数据的归一化处理；relu(rectified linear unit)代表线性整流函数 f(x)＝max(0,x)，属于激活层函数，能将非线性因素引入神经网络；dropout代表丢 弃层，能根据给定的概率将神经元随机丢弃，确保神经元能不依赖特定的其他神经 元而存在，有效减少神经元之间的协同适应。bn与relu都能避免神经网络在训 练的过程中出现梯度爆炸或梯度消失的问题，都能加速神经网络的训练与收敛； bn与dropout则能在一定程度上避免神经网络出现过拟合的现象，提升神经网络 的泛化能力。
[0106]
本实施例中，cnn神经网络的具体结构参数如表1所示。
[0107]
表1点云局部不变特征提取网络
[0108]
神经网络层参数分组卷积尺寸＝3
×
3；步幅＝1
×
1；组数＝3分组转置卷积尺寸＝3
×
3；步幅＝2
×
2；组数＝3平均池化层尺寸＝2
×
2；步幅＝1
×
1卷积层1尺寸＝3
×
3；步幅＝2
×
2；核数＝16卷积层2尺寸＝3
×
3；步幅＝2
×
2；核数＝32卷积层3尺寸＝3
×
3；步幅＝2
×
2；核数＝64全连接层1输入数＝256；输出数＝100全连接层2输入数＝100；输出数＝33
[0109]
cnn卷积神经网络的训练过程，即为优化算法寻求代价函数j(θ)最优解并提 高性能度量p的过程，故优化算法的选择直接影响了神经网络的最终训练结果。 随机梯度下降(stochastic gradient descent,sgd)算法及其变种是深度学习中应用 最多的优化算法；在凸优化问题中，sgd能沿着随机挑选的小批量数据的梯度方 向下降得到最优解；实际的神经网络训练过程中常遇到非凸情况，若超参数选择不 当，sgd即有可能陷入局部最优解。同时，sgd对于每个参数的更新都采用相同 的学习率，忽视各参数的差异化更新需求，限制了最终的参数优化结果。因此，本 实施例采用自适应矩估计(adaptive moment estimation,adam)算法来实现神经网 络的训练优化。adam算法是一种自适应学习率算法，它能为每个参数设置不同的 学习率，并在神经网络的训练过程中自动适应这些学习率，从而加速神经网络的收 敛，且避免陷入局部最优。
[0110]
所述训练优化过程包括以下步骤：
[0111]
步骤s1：定义cnn神经网络的损失函数为特征的均方误差：
[0112][0113]
其中，f(p；θ)是输入为p时cnn神经网络输出的特征预测值；f是特征观测 值；||a||代表向量a的l2范数；ti是特征预测值的第i个元素；yi是特征观测值的 第i个元素；n代表向量的元素个数；
[0114]
步骤s2：定义cnn神经网络的代价函数：
[0115][0116]
其中，是经验分布，m为参与训练的点云数据样本个数；
[0117]
步骤s3：设置步长ε，矩估计的指数衰减速率ρ1与ρ2，用于数值稳定的小常 数δ；初始化cnn神经网络参数θ，设一阶矩变量s＝0，二阶矩变量r＝0，时间 步t＝0；
[0118]
步骤s4：训练并更新cnn神经网络参数；
[0119]
步骤s4-1：从训练数据集中选取包含m个数据样本的小批量，计算梯度：
[0120][0121]
步骤s4-2：时间步累加，t＝t 1；
[0122]
步骤s4-3：更新有偏一阶矩估计s，更新有偏二阶矩估计r，修正一阶矩的偏 差修正二阶矩的偏差
[0123][0124]
步骤s4-4：逐元素地对cnn神经网络参数θ进行更新：
[0125][0126]
步骤s5：判断时间步是否小于预配置的最大时间步，若是，则返回步骤s4， 若否，则执行步骤s6；
[0127]
步骤s6：完成cnn神经网络的训练，得到最优参数解。
[0128]
3)特征点匹配：度量点云局部不变特征的相似程度，并完成特征点匹配，得 到匹配点对。
[0129]
4)点云的粗配准：基于粗配准算法，利用匹配点对的一一对应关系，选取局 部不变特征相似程度从高到低排名前m组的匹配点对计算相应的刚体变换矩阵， 实现点云模型的初步重合。
[0130]
粗配准算法包括sac-ia算法。
[0131]
5)点云的精细化配准：在粗配准的基础上基于精细化配准算法进行精细化配 准，得到最优化点云数据配准结果。
[0132]
精细化配准算法包括icp算法。
[0133]
上述功能如果以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 accessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0134]
为了验证上述所述的一种基于局部不变特征提取的多时相点云数据配准方法 的配准效果，本实施例对其进行案例测试，测试平台采用intel(r)core(tm) i7-6700hq cpu@2.60ghz，8.00gb内存，nvidia geforce gtx960m，windows10 64位操作系统；算法基于matlab r2021b应用程序搭建。
[0135]
本实施例的测试数据集与环境如下：
[0136]
输变电设备种类繁多、功能各异，各个类别的设备在几何外观上截然不同。为 了保证测试数据能在几何形态上具有良好的代表性，本文将实验数据分为3组：1) 基座类设备(如图4中的ee1-1、ee1-2、ee1-3)：从几何形态上可明显区分为基 座与非基座两部分，其中基座构造通常具有邻接基础面、刚体强度大、不易形变等 特点；2)柱状类设备(如图4中的ee2-1、ee2-2、ee2-3)：从几何形态上由若干 柱形结构所组成，且各部分之间无显著的区分界限，其端部构造相对不易产生形变； 3)塔状类设备(如图4中的ee3-1、ee3-2、ee3-3)：从几何形态上呈现下宽上窄 的塔状样式，多以杆件按空间桁架结构搭建而成，其靠近基础面的塔脚部分所受应 力较小、不易形变。以上测试数据均由z f地面激光扫描仪实测获得。
[0137]
在cnn神经网络的训练过程中，共选取来自5个电气设备的28317个训练样 本数据，每次迭代所处理的批量样本数为256个，迭代次数为3300步。代价函数 的下降趋势如图5所示，代价函数即为小批量样本均方误差(mse)的平均，其反 映了模型训练的收敛性以及拟合度；从图5中可得，当迭代次数达到1000步时， 模型已经趋向于收敛，而代价函数的最终值稳定在0.9左右；这意味着，经过训练 的模型已具备与fpfh特征相似的点云特征描述能力。
[0138]
神经网络模型的训练过程中，样本值的均方根误差(rmse)的变化趋势如图 6所示；从图6中可得，模型收敛后的rmse最终值稳定在1.35左右；这意味着， 模型对于点云的特征描述拥有不同于fpfh特征的特性。
[0139]
为检验本文所提算法的处理效果与普适性，对3组测试数据(共9个电气设备) 展开实验研究，实验结果如图7所示。图7(a)依次展示了9个电气设备的参考 点云与目标点云在三维空间中的相对位置关系；从图7(a)可以看出，原始的参 考点云与目标点云之间存在着较大的平移、旋转偏差。
[0140]
本实施例的点云特征提取与特征点匹配的结果如图7(b)所示；从图7(b)中的匹 配结果可得，参考点云中的特征点(仅位于参考点云的基准区域内)能很好地找到 与之相对应的匹配点(位于目标点云内)。本实施例的粗配准结果如图图7(c)所示； 从图7(c)可以看出，粗配准能很好地优化目标点云与参考点云的相对位置关系。本 实施例的精细化配准结果如图7(d)所示；从图7(d)可以看出，目标点云和参考点云 在三维空间中的重叠度得到了进一步的提升，取得了理想的点云配准效果。因此， 本文所提算法既有理想的配准效果，也对各类型的输变电设备具备普适性。
[0141]
为了进一步测试本发明所述点云配准方法的配准精度与处理效率，分别从3 组测试数据中各选取1个测试样本(ee1-1、ee2-1、ee3-1)进行算法的量化对比 分析；选用fpfh算法与sift算法作为比较对象，并将本发明所提方法命名为cnn 算法。对于算法的配准精度，将从3个方面对其进行评价：1)配准的均方根误差 rmse；2)配准的旋转误差re；3)配准的平移误差te；这三个配准精度评价指 标的计算公式为，
[0142][0143]
其中n为参考点云个数，pi代表参考点云，qi代表与pi相对应的最近点集合； re
x
、rey、rez分别代表刚体变换过程中绕x、y、z轴旋转时产生的旋转误差；te
x
、 tey、tez分别代表刚体变换过程中沿x、y、z轴平移时产生的平移误差。对于算法 的处理效率，也从3个方面对其进行评价：1)特征点匹配的时间t0；2)初始配准 的时间t1；3)精细配准的时间t2。测试算法配准精度与处理效率的实验结果的性 能分析图如图8所示。
[0144]
分析图8中的re指标可得，cnn算法产生的re最终值要远小于fpfh算法 与sift算法，cnn算法的刚体旋转变换准确度比fpfh算法提高了约93.5％～99.5％， 比sift算法提高了约93.0％～99.5％。分析图8中的te指标可得，cnn算法产生 的te最终值因处理对象的不同而体现出一定的差异性：对于设备1-1和设备2-1， 三种算法所产生的te最终值相近，其差异度不超过14.5％；对于设备3-1，cnn 算法产生的te最终值要远小于fpfh算法与sift算法；总体而言，cnn算法的 刚体平移变换准确度等同或优于fpfh算法与sift算法。分析图8中的rmse指 标可得，cnn算法产生的rmse最终值要远小于fpfh算法与sift算法，cnn 算法的总体配准精度比fpfh算法提高了约74.5％～96.0％，比sift算法提高了约 73.5％～96.0％。综上所述，cnn算法能显著提高刚体变换矩阵的计算准确度，优化 目标点云的空间位置，有效提升总体配准精度。
[0145]
分析图8中的t0指标可得，cnn算法进行特征点匹配所花费的时间比fpfh 算法多2～4倍左右，与sift算法多5～7倍左右；其可能的原因是，受限于gpu 资源的性能，cnn算法提取点云局部不变特征的效率相对较低，进而增加了特征 点匹配的时间。分析图8中的t1指标可得，三种算法进行初始配准的时间相差不 多，维持在1～2.5s之间。分析图8中的t2指标可得，三种算法进行精细配准的时 间相差不多，维持在0.45～1.5s之间。尽管cnn算法的总体处理效率稍逊于fpfh 算法与sift算法，但其进行输变电设备配准所需要的总时间不超过175s，满足实 际的工程应用需要。
[0146]
为了测试cnn算法对于点云密度变换的鲁棒性，从测试数据集中选用设备1-1 进行实验研究，设备1-1原始点云个数为221774，经均匀降采样后为177419，其 r邻域(r＝0.05m)内的点云平均个数为99.44。点云密度鲁棒性的实验结果如图9 所示。
[0147]
当点云密度变化量δρ(点云密度ρ＝1-δρ)从0增长至0.3时，从图9(a)中 可得，cnn算法产生的配准旋转误差维持在5.5
×
10-5
rad左右，其变化幅度平均值 约为1.75
×
10-5
rad；而fpfh算法与sift算法所产生的配准旋转误差则呈现出剧烈 的波动特性，其变化幅度平均值约为cnn算法的6.4倍和8.4倍。从图9(b)中可得， cnn算法产生的配准平移误差维持在3.39
×
10-3
m左右，其变化幅度平均值约为 6.95
×
10-4
m；而fpfh算法与sift算法所产生的配准平移误差则呈现波动上升的 趋势，其变化幅度平均值约为本文所提算法的13倍和15倍。从图9(c)中可得，cnn 算法产生的配准均方根误差可分为两段变化曲线，第一段曲
线(对应灰色方框1) 中的均方根误差维持在5.27
×
10-4
m左右，其变化幅度平均值约为1.74
×
10-4
rad；第 二段曲线(对应灰色方框2)中的均方根误差维持在2.91
×
10-3
m左右，其变化幅度 平均值约为2.35
×
10-4
rad；尽管两段曲线之间存在一定的突变情况，但每段曲线所 对应的配准精度都要明显优于fpfh算法与sift算法。
[0148]
当点云密度变化量δρ(点云密度ρ＝1-δρ)从0.3增长至0.5时，从图9(a) 和图9(c)中可得，cnn算法产生的配准旋转误差和均方根误差在数值及变化趋势 上已经接近于fpfh算法与sift算法。从图9(b)中可得，cnn算法产生的配准平 移误差在数值上也逐渐接近fpfh算法与sift算法，但在变化趋势上仍然要优于 fpfh算法与sift算法。
[0149]
综上所述，cnn算法具备良好的点云密度鲁棒性，能在一定程度上确保总体 配准精度不随着点云密度的减少而降低；换而言之，在满足一定配准精度 (rmse《3mm)的前提下，cnn算法所需要的r邻域(r＝0.05m)数据量最小值要 比传统算法少25.5％，这就意味着本文所提算法可以降低对点云密度的要求，有利 于提高作业效率、降低点云扫描采集成本。
[0150]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员 无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领 域中技术人员依据本发明的构思在现有技术的基础上通过逻辑分析、推理、或者有 限的实验可以得到的技术方案，皆应在权利要求书所确定的保护范围内。