基于残差注意力机制的点云配准算法

doi:10.11772/j.issn.1001-9081.2021071319

《计算机应用》唯一官方网站››2022,第42卷››问题（7）: 2184-2191.内政部：10.11772/j.issn.1001-9081.2021071319

• 多媒体计算与计算机仿真 • 上一篇

基于残差注意力机制的点云配准算法

秦庭威¹^,²,赵鹏程¹^,²,秦品乐¹^,²(),曾建朝¹^,²,柴锐¹^,²,黄永琦¹^,²

¹山西省医学影像人工智能工程技术研究中心（中北大学），太原 030051
²中北大学大数据学院，太原 030051

收稿日期:2021-07-22 修回日期:2021-10-13 接受日期:2021-10-18 发布日期:2021-11-01 出版日期:2022-07-10
通讯作者:秦品乐
作者简介:秦庭威（1997—），男，陕西渭南人，硕士研究生，共因失效会员，主要研究方向：点云配准、机器学习
赵鹏程（1995—），男，陕西渭南人，硕士，共因失效会员，主要研究方向：三维点云处理、计算机视觉
曾建朝（1963—），男，山西太原人，教授，博士，共因失效会员，主要研究方向：复杂系统的维护决策和健康管理
柴锐（1985—），男，山西运城人，讲师，博士，共因失效会员，主要研究方向：医学影像处理
黄永琦（1997—），男，山西太原人，硕士研究生，共因失效会员，主要研究方向：点云配准、计算机视觉。
基金资助:
山西省重点研发计划项目（201803D31212-1）；山西省工程技术研究中心建设项目（201805D121008）

基于剩余注意机制的点云配准算法

秦廷伟¹^,²,赵鹏程¹^,²,品乐琴¹^,²(),曾建超¹^,²,芮柴（Rui CHAI）¹^,²,黄永琪¹^,²

¹山西医学影像与数据分析工程研究中心（中国北方大学），太原山西030051
²中国北方大学数据科学与技术学院，山西太原030051

收到：2021-07-22 修订过的：2021-10-13 认可的：2021-10-18 在线：2021-11-01 出版：2022-07-10
联系人：品乐琴
关于作者：秦廷伟，1997年生，硕士研究生。他的研究兴趣包括点云注册、机器学习。
赵鹏程，1995年生，硕士，主要研究方向为三维点云处理、计算机视觉。
曾建超，1963年生，博士，教授。他的研究兴趣包括复杂系统的维护决策和健康管理。
蔡瑞，1985年出生，博士，讲师。他的研究兴趣包括医学图像处理。
黄永琪，1997年生，硕士研究生。他的研究兴趣包括点云配准、计算机视觉。
支持单位：
山西省重点研发计划（201803D31212-1）；山西省工程技术研究中心建设项目（201805D121008）

摘要/摘要

摘要：

针对传统点云配准算法精度低、鲁棒性差以及放疗前后癌症患者无法实现精确放疗的问题，提出一种基于残差注意力机制的点云配准算法（ADGCNNLK）首先，在动态图深度卷积网络（DGCNN）中添加残差注意力机制来有效地利用点云的空间信息，并减少信息损失；然后，利用添加残差注意力机制的DGCNN（美国有线电视新闻网）提取点云特征，这样做不仅可以在保持点云置换不变性的同时捕捉点云的局部几何特征，也可以在语义上将信息聚合起来，从而提高配准效率；最后，将提取到的特征点映射到高维空间中并使用经典的图像迭代配准算法斯里兰卡进行配准。实验结果表明，所提算法与迭代最近点算法（ICP）、ICP（Go-ICP）和PointNetLK相比，在无噪、有噪的情况下配准效果均最好。其中，在无噪情况下，与点网络LK相比，所提算法的旋转均方误差降低了74.61%，平移均方误差降低了47.50%；在有噪声的情况下，与点网络LK相比，所提算法的旋转均方误差降低了73.13%，平移均方误差降低了44.18%，说明所提算法与点网络LK相比鲁棒性更强。将所提算法应用于放疗前后癌症患者人体点云模型的配准，从而辅助医生治疗，并实现了精确放疗。

关键词: 点云配准, 特征提取, 残差注意力机制, 深度学习, 放疗

摘要：

针对传统点云配准算法精度低、鲁棒性差以及癌症患者放疗前后无法进行精确放疗的问题，提出了一种注意力动态图卷积神经网络Lucas-Kanade（ADGCNNLK）。首先，在动态图卷积神经网络（DGCNN）中加入剩余注意机制，有效利用点云的空间信息，减少信息损失。然后，使用添加了剩余注意机制的DGCNN提取点云特征，该过程不仅能够捕获点云的局部几何特征，同时保持点云替换的不变性，而且能够从语义上聚合信息，从而提高了点云特征的提取效率注册效率。最后，将提取的特征点映射到高维空间，并使用经典的图像迭代配准算法LK（Lucas Kanade）对节点进行配准。实验结果表明，与迭代最近点（ICP）、全局最优ICP（Go-ICP）和PointNetLK相比，无论有无噪声，该算法都具有最佳的配准效果。其中，在无噪声的情况下，与PointNetLK相比，该算法的旋转均方误差降低了74.61%，平移均方误差减少了47.50%在有噪声的情况下，与PointNetLK相比，该算法的旋转均方误差降低了73.13%，平移均方误差降低了44.18%，表明该算法比PointNetLK更具鲁棒性。并将该算法应用于癌症患者放疗前后人体点云模型的配准，辅助医生进行治疗，实现精确放疗。

关键词： 点云注册，特征提取，剩余注意机制，深度学习，放射治疗

中图分类号:

TP391.41型

秦庭威, 赵鹏程, 秦品乐, 曾建朝, 柴锐, 黄永琦. 基于残差注意力机制的点云配准算法[J] ●●●●。计算机应用, 2022, 42(7): 2184-2191.

秦廷伟、赵鹏程、秦品乐、曾建超、蔡睿、黄永琪。基于剩余注意机制的点云配准算法[J]。计算机应用杂志，2022，42（7）：2184-2191。

图/表14

参考文献21

1	BESL P J，McKAY N D.三维图形配准方法〔J〕。IEEE模式分析和机器智能汇刊，1992，14（2）： 239-256.10.1109/34.121791
2	RUSINKIEWICZ S，LEVOY M.ICP算法的有效变体〔C〕//第三届三维数字成像和建模国际会议论文集。皮斯卡塔韦：IEEE2001： 145-152.
三	塞加尔A，海纳尔D，THRUN S.广义ICP〔EB/OL〕.〔2021-05-13］. .10.15607/rss.2009.v.021
4	博阿齐兹S，塔格利亚萨奇A，保罗M.稀疏迭代最近点〔J〕。计算机图形论坛，2013，32（5）： 113-123.10.1111/cgf.12178
5	POMERLEAU F，COLAS F，SIEGWART R.移动机器人点云配准算法综述〔J〕。机器人学基础与发展趋势，2015，4（1）： 1-104.10.1561/2300000035
6	QI C R，SU H，MO K C，et al.PointNet:三维分类和分割的点集深度学习〔C〕//2017 IEEE计算机视觉和模式识别会议论文集。皮斯卡塔韦：IEEE2017： 77-85.2017年10月109日/cvpr
7	王毅，孙燕斌，刘志伟，等.点云学习的动态图CNN〔J〕。ACM图形事务，2019，38（5）：第146号。10.1145/3326362
8	AOKI Y，GOFORTH H，SRIVATSAN R A，et al.PointNetLK:使用PointNet进行稳健高效的点云注册〔C〕//2019 IEEE/CVF计算机视觉和模式识别会议论文集。皮斯卡塔韦：IEEE2019： 7154-7165.10.1109/cvpr.2019.00733
9	LUCAS D D，KANADE T.一种迭代图像配准技术及其在立体视觉中的应用[C]/1981年国际人工智能联合会议论文集。旧金山：Morgan Kaufmann Publishers Inc1981： 674-679.
10	SARODE V，LI X Q，GOFORTH H，et al.PCRNet：使用点网编码的点云注册网络[EB/OL]。（2018-11-04）［2021-05-13］..
11	王毅，所罗门J.深最近点：点云注册的学习表示〔C〕//2019 IEEE/CVF计算机视觉国际会议论文集。皮斯卡塔韦：IEEE2019： 3522-3531.10.1109/iccv.2019.00362
12	王毅，SOLOMON J.PRNet:部分对部分注册的自监督学习〔C/OL〕//第33届神经信息处理系统会议论文集〔2021-05-13］..
13	YEW Z J，LEE G H.RPM-Net:使用学习特征的鲁棒点匹配〔C〕//2020 IEEE/CVF计算机视觉和模式识别会议论文集。皮斯卡塔韦：IEEE2020： 11821-11830.10.1109/立方英尺42600.200.01184
14	LOPER M，MAHMOOD N，ROMERO J，等.蒙皮多人线性模型〔J〕。ACM图形事务，2015，34（6）：第248号。10.1145/2816795.2818013
15	QI C R，YI L，SU H，等.PointNet++：度量空间中点集的深度分层特征学习〔C〕//第31届神经信息处理系统国际会议论文集。纽约州Red Hook:Curran Associates Inc2017： 5105-5114.
16	JADERBERG M，SIMONYAN K，ZISSERMAN A，等.空间变压器网络〔C〕//第28届神经信息处理系统国际会议论文集。剑桥：麻省理工学院出版社2015： 2017-2025.2007年10月17日/11263-015-0823-z
17	周斌，霍斯拉A，拉佩德里扎A，等.学习深度特征用于区分定位〔C〕//2016 IEEE计算机视觉与模式识别会议论文集。皮斯卡塔韦：IEEE2016： 2921-2929.10.1109/cvpr.2016.319
18	WOO S，PARK J，LEE J Y，等.CBAM:卷积块注意模块〔C〕//2018年欧洲计算机视觉会议论文集，LNCS11211查姆：施普林格，2018:3-19。
19	何克明，张晓云，任世清，等.基于深度残差学习的图像识别〔C〕//2016 IEEE计算机视觉与模式识别会议论文集。皮斯卡塔韦：IEEE2016： 770-778.2016.90年10月10日/cvpr
20	林钦壮，何昭水. 基于注意力机制的高效点云识别方法［记者：。计算机与现代化，2020（8）：51-55.10.3969/j.issn.1006-2475.2020.08.008
	林庆中，何振生.基于注意机制的高效点云识别方法〔J〕。计算机与现代化，2020（8）：51-55.10.3969/j.issn.1006-2475.2020.08.008
21	周庆毅，朴杰，柯顿V.开放三维：三维数据处理的现代图书馆〔EB/OL〕。（2018-01-30）［2021-05-13］..

算法	旋转			平移
算法	均方误差	均方根误差	绝对平均误差	均方误差	均方根误差	绝对平均误差
国际比较项目	九百一十一点四七八四五五	三十点一九零七零一	二十六点四五四九四五	零点零九六四五四	零点三一零五七零	零点二七九八四五
Go-ICP公司	一百五十八点五六五四五七	十二点五九二二七八	三点二九六八四五	零点零零零八九二	零点零二九八六六	零点零零八一九四
点网络LK	二百四十点四五六四四一	十五点五零六六五七	四点八四七五一二	零点零零零五三九	零点零二三二一六	零点零零六二五八
本文算法	61.045283	7.813148	2.854556	0283	0.016822	0.004146

算法	旋转			平移
算法	均方误差	均方根误差	绝对平均误差	均方误差	均方根误差	绝对平均误差
国际比较项目	九百一十一点四七八四五五	三十点一九零七零一	二十六点四五四九四五	零点零九六四五四	零点三一零五七零	零点二七九八四五
Go-ICP公司	一百五十八点五六五四五七	十二点五九二二七八	三点二九六八四五	零点零零零八九二	零点零二九八六六	零点零零八一九四
点网络LK	二百四十点四五六四四一	十五点五零六六五七	四点八四七五一二	零点零零零五三九	零点零二三二一六	零点零零六二五八
本文算法	61.045283	7.813148	2.854556	0283	0.016822	0.004146

算法	旋转			平移
算法	均方误差	均方根误差	绝对平均误差	均方误差	均方根误差	绝对平均误差
国际比较项目	九百零一点一四四一二三	三十点零一九零六二	二十四点五六五二一五	零点零九二五四九	零点三零四二一八	零点二八一九一六
Go-ICP公司	一百九十四点四五一四一三	十三点九四四五八三	三点二四五四四四	零点零零零五一二	零点零二二六二七	零点零零七二一九
点网络LK	三百一十四点五五四一零四	十七点七三五六七一	六点三四五八四四	零点零零零八四九	零点零二九一三八	零点零零八一零六
本文算法	84.145566	9.173089	3.155154	0454	0.021307	0.005651

算法	旋转			平移
算法	均方误差	均方根误差	绝对平均误差	均方误差	均方根误差	绝对平均误差
国际比较项目	九百零一点一四四一二三	三十点零一九零六二	二十四点五六五二一五	零点零九二五四九	零点三零四二一八	零点二八一九一六
Go-ICP公司	一百九十四点四五一四一三	十三点九四四五八三	三点二四五四四四	零点零零零五一二	零点零二二六二七	零点零零七二一九
点网络LK	三百一十四点五五四一零四	十七点七三五六七一	六点三四五八四四	零点零零零八四九	零点零二九一三八	零点零零八一零六
本文算法	84.145566	9.173089	3.155154	0454	0.021307	0.005651

算法	旋转			平移
算法	均方误差	均方根误差	绝对平均误差	均方误差	均方根误差	绝对平均误差
国际比较项目	八百九十六点四五四一三五	二十九点九四零八四三	二十四点四五四一二零	零点零八八六五二	零点二九七七四五	零点二六一二四五
Go-ICP公司	一百三十二点四五一五七五	十一点五零八七六一	二点六五二三一四	零点零零零五六九	零点零二三八五三	零点零零四八九六
点网络LK	二百六十二点四五一五六七	十六点二零零三五七	四点七八四五五二	零点零零零四九八	零点零二二三一六	零点零零六二零五
本文算法	七十点五一二六三六	八点三九七一八零	二点五五九二一四	零点零零零二七八	零点零一六六七三	零点零零四五二六

基于残差注意力机制的点云配准算法

基于剩余注意机制的点云配准算法

RichHTML格式

PDF格式

可视化

摘要/摘要

引用本文

使用本文

图/表14

参考文献21

相关文章15

编辑推荐

韵律学

算法	误差≤ 0.01的点对个数	误差>0.01的点对个数	准确率/%
国际比较项目	4 824	2 066	70.01
Go-ICP公司	5 128	1 762	74.43
点网络LK	5 396	1 494	78.32
本文算法	5 876	1 014	85.28

算法	头（1 045对）准确率	胸（549对）准确率	腹（536对）准确率	胳膊（1 214对）准确率	腿（694对）准确率
国际比较项目	71.29	85.79	75.93	82.37	63.54
Go-ICP公司	75.41	90.35	81.72	88.63	62.97
点网络LK	80.77	93.62	85.26	89.95	70.61
本文算法	84.98	95.08	86.57	92.34	71.33

[1]	刘万军, 王佳铭, 曲海成, 董利兵, 曹欣宇.基于频谱空间域特征注意的音乐流派分类算法[J] ●●●●。《计算机应用》唯一官方网站, 2022, 42(7): 2072-2077.
[2]	董宁, 程晓荣, 张铭泉.基于物联网平台的动态权重损失函数入侵检测系统[J] ●●●●。《计算机应用》唯一官方网站, 2022, 42(7): 2118-2124.
[3]	仇天昊, 陈淑荣.基于效率网的双分路多尺度联合学习行人再识别[J] ●●●●。《计算机应用》唯一官方网站, 2022, 42(7): 2065-2071.
[4]	韩亚茹, 闫连山, 姚涛.基于元学习的深度哈希检索算法[J] ●●●●。《计算机应用》唯一官方网站, 2022, 42(7): 2015-2021.
[5]	王震宇, 张雷, 高文彬, 权威铭.基于渐进式神经网络架构搜索的人体运动识别[J] ●●●●。《计算机应用》唯一官方网站, 2022, 42(7): 2058-2064.
[6]	江静, 陈渝, 孙界平, 琚生根.融合后验概率校准训练的文本分类算法[J] ●●●●。《计算机应用》唯一官方网站, 2022, 42(6): 1789-1795.
[7]	文敏, 王荣存, 姜淑娟.基于关系图卷积网络的源代码漏洞检测[J] ●●●●。《计算机应用》唯一官方网站, 2022, 42(6): 1814-1821.
[8]	张杨, 郝江波.基于注意力机制和残差网络的恶意代码检测方法[J] ●●●●。《计算机应用》唯一官方网站, 2022, 42(6): 1708-1715.
[9]	苏珊, 张杨, 张冬雯.基于深度学习的耦合度相关代码坏味检测方法[J] ●●●●。《计算机应用》唯一官方网站, 2022, 42(6): 1702-1707.
[10]	韩玉民, 郝晓燕.基于子词嵌入和相对注意力的材料实体识别[J] ●●●●。《计算机应用》唯一官方网站, 2022, 42(6): 1862-1868.
[11]	于蒙, 何文涛, 周绪川, 崔梦天, 吴克奇, 周文杰.推荐系统综述[J] ●●●●。《计算机应用》唯一官方网站, 2022, 42(6): 1898-1913.
[12]	李佳, 郑元林, 廖开阳, 楼豪杰, 李世宇, 陈泽豪.基于显著性深层特征的无参考图像质量评价算法[J] ●●●●。《计算机应用》唯一官方网站, 2022, 42(6): 1957-1964.
[13]	杨治佩, 丁胜, 张莉, 张新宇.无锚点的遥感图像任意角度密集目标检测方法[J] ●●●●。《计算机应用》唯一官方网站, 2022, 42(6): 1965-1971.
[14]	边小勇, 费雄君, 陈春芳, 阚东东, 丁胜.联合一二阶池化网络学习的遥感场景分类[J] 。《计算机应用》唯一官方网站, 2022, 42(6): 1972-1978.
[15]	屈震, 李堃婷, 冯志玺.基于有效通道注意力的遥感图像场景分类[J] ●●●●。《计算机应用》唯一官方网站, 2022, 42(5): 1431-1439.