买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉武汉大学申请的专利基于点对卷积的低重叠三维点云配准方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118967756B 。

龙图腾网通过国家知识产权局官网在2025-10-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410875603.X，技术领域涉及：G06T7/33；该发明授权基于点对卷积的低重叠三维点云配准方法及系统是由邹勤;韩睿骐;陈驰;董震;杨必胜设计研发完成，并于2024-07-02向国家知识产权局提交的专利申请。

本基于点对卷积的低重叠三维点云配准方法及系统在说明书摘要公布了：本发明涉及一种基于点对特征卷积的低重叠点云配准方法及设备。首先，提出一种可以提取旋转不变特征的编码器，增强网络在旋转较大情况下的性能。其次，提出一种聚合全局特征的方法，改善了性能受卷积层感受野大小影响的局限性，使网络识别点云重叠部分的能力更强。通过两者结合，研究和探索出一种基于点对特征卷积的低重叠点云配准方法。

本发明授权基于点对卷积的低重叠三维点云配准方法及系统在权利要求书中公布了：1.基于点对卷积的低重叠三维点云配准方法，其特征在于，包括以下步骤： 步骤S1：构建基于点核卷积的编码器层，用于将输入源点云以及目标点云进行下采样，得到密度较低的点云以及卷积后的点云特征； 步骤S2包括：构建几何引导编码层，该层包含几何编码以及语义编码两个分支；所述几何编码分支输入为原始点云和下采样后的点云，输出为下采样后点云的几何特征；所述语义编码分支输入为下采样后的点云和卷积后的点云特征，输出为点云的语义特征；将得到的几何特征和语义特征输入全连接层，得到该层最终输出的源点云和目标点云r融合特征，具体包括： S2-1，将原始点云X和下采样点云X’输入几何引导层中的几何编码分支，采用K近邻方法估计下采样点云的法线； S2-2，为X’中的每个超点选择k个邻居点，并构造PPF点对特征，Nx′为该点的法线： 将PPF特征与和-进行拼接，得到多维度特征，为的邻居点； S2-3，将S2-2得到的特征输入一维卷积层和最大池化层，得到几何编码分支输出的几何特征GX’； S2-4，将原始点云经过步骤S1输出下采样后的点云X′和特征FX′输入几何引导层中的语义编码分支，经过KNN图神经网络后输入全连接层，得到语义编码分支输出的语义特征HX′： S2-5，将S2-3和S2-4得到的特征进行拼接，输入全连接层，得到几何引导编码层输出的几何和语义加强的点云特征FX′gge： 其中，MLP为多层感知机层，cat为特征拼接； 步骤S3：构建全局聚合层，该层用于聚合源点云和目标点云的全局特征；全局聚合层的输入是步骤S2的融合特征，输出是点云经过全局聚合后的特征； 步骤S4：构建基于最近邻上采样的解码器层，用于步骤S3中聚合后的特征恢复到原始点云的密集特征，通过跳接将编码器的特征传递到解码器；该层的输入是S3聚合后的特征，输出是原始点云的逐点特征描述符； 步骤S5：通过原始点云的逐点特征描述符，进行特征匹配，得到源点云和目标点云之间的匹配点集，采用后处理方法通过匹配点集计算获取变换参数； 步骤S6：利用带有真实匹配点集标签的数据集对S1-S5构建的深度学习网络进行训练； 步骤S7：利用步骤S6训练好的网络进行点云配准。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人武汉大学，其通讯地址为：430072 湖北省武汉市武昌区八一路299号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。