论文名:JoKDNet: A joint keypoint detection and description network for large-scale outdoor TLS point clouds registration
来源:武汉大学测绘与遥感国家重点实验室
期刊:international journal of applied earth observations and geoinformation
摘要:
大规模户外地面激光扫描(TLS)点云配准在公园、森林、隧道等对称重复元素场景、地下挖掘等弱几何特征场景以及不同阶段变化剧烈场景(如山地场景)中仍面临诸多挑战。针对这些问题,提出了一种新的神经网络JoKDNet来联合学习关键点检测和特征描述,以提高点云配准的可行性和准确性。首先,引入新的关键点检测模块,自动学习每个采样点的得分,并将Top-k采样点中最显著的作为检测关键点。其次,提出了一个增强的特征描述模块,通过融合层次局部特征和上下文特征来学习每个关键点的特征表示。第三,设计损失函数使检测到的关键点更易于识别,便于匹配,同时使非对应关键点之间的特征距离最大化,同时使对应关键点之间的特征距离最小化。最后,利用距离矩阵模块和RANdom SAmple Consensus (RANSAC)确定源点云和目标点云的对应关系,进行变换计算。综合实验表明,JoKDNet能够有效地处理来自两个数据集(WHU-TLS和ETH-TLS)的5个具有挑战性的场景(公园、森林、隧道、地下挖掘和山脉)。最大旋转误差小于0.06,最大平移误差小于0.84 m。
主要贡献:
- JoKDNet是第一个基于深度学习的方法,专注于大规模户外TLS点云配准,无需初始姿态,在不同视场的TLS点云配准中均能有效执行。
- 该网络将关键点检测和描述集成到一个框架中,提高了对具有重复和对称特征且缺乏明显几何特征的点云的配准能力和鲁棒性。
JoKDNet网络结构图:
关键点检测与特征描述模块:
实验数据:
实验结果:
配准定量对比: