摘要
三维点云配准作为基础任务已经被广泛应用于多个领域，包括增强现实、三维重建和自动驾驶等。现有算法依照技术路线主要可以分为两类：基于对应点匹配的方法与基于全局特征的方法。前者由于特征提取时的感受野较小，无法利用输入点云的全局信息；后者虽能有效利用全局信息，但存在如下问题导致当输入点云重叠区域较小时配准性能较差：(1)忽略了非重叠区域对求解过程的影响；(2)特征提取过程缺乏输入点云间的特征交互。解决其中任意一个即可达到较优的配准效果。因此，本文针对上述问题，对应用于非完全重叠的点云配准场景的配准算法进行了研究。 首先，针对问题(1)，本文设计了基于重叠区域掩模预测的迭代式端到端配准方法，在迭代过程中，由粗到精地估计输入点云的重叠区域掩模，以屏蔽非重叠区域对特征提取过程造成的干扰。同时，本文添加了正负样本比例加权的交叉熵损失函数来约束算法优化过程。此外，本文提出的重叠区域掩模预测模块还能够以即插即用的方式嵌入到现有的配准方法中帮助提升配准精度。相比于现有最先进的配准算法，本算法在人工合成与室内场景的公开数据集上平均提升了21.0%与8.2%的配准精度。 其次，针对问题(2)，本文设计了双分支特征交互网络结构，通过多级的点特征与全局特征交互模块隐式地获取点云形状感知能力，有效利用非重叠区域的几何信息提升配准精度。同时，基于三维旋转与平移分属不同解空间的认知，本文对二者的特征提取过程进行分离，并设计了刚体变换敏感性损失函数与点特征随机丢弃损失函数来约束特征提取过程，使得提取的全局特征更有针对性。相比于本文所提出的针对问题(1)的算法，本算法在相同数据集上进一步提升了27.6%与12.7%的配准精度。 为验证所提出方法的有效性与鲁棒性，本文在多个公开数据集上与多个最先进的方法进行了对比实验。同时，对本文所提出算法进行了消去实验。主观与客观实验结果均证明了本文所提出算法具有明显优势。
NETL