Algoritmos existentes de registro de nuvens de pontos parcialmente sobrepostas apresentam deficiências na percepção da área da borda de sobreposição e na remoção de pontos não sobrepostos, limitando a melhora do desempenho desses algoritmos. Para resolver esses problemas, este artigo projeta uma rede de registro de nuvem de pontos parcialmente sobreposta baseada em um método em duas etapas, impulsionada pelo escore de sobreposição e pela matriz de correspondência. Primeiramente, o módulo de estimação de pose utiliza características consistentes de vizinhança como entrada para estimar a pose inicial, melhorando a precisão do alinhamento inicial; em seguida, é projetado um módulo Transformer com percepção espacial de canais para perceber a área de sobreposição das duas nuvens de pontos, mantendo a percepção precisa da região de borda de sobreposição; depois, é proposto um codificador de características baseado em Transformer para codificar as características da nuvem de pontos após o alinhamento inicial, explorando características globais e canais significativos do mapa de características; por fim, um método de remoção de pontos atípicos é utilizado para converter a matriz de similaridade do cosseno em matriz de correspondência, removendo os pontos não sobrepostos e correspondendo corretamente as relações entre os pontos. O algoritmo foi validado nos conjuntos de dados ModelNet40, ShapeNetCore.v2 e Stanford Bunny. No conjunto de dados ModelNet40, o erro médio isotrópico MIE(R) e o erro médio absoluto MAE(R) do algoritmo diminuíram 12,79% e 9,78%, respectivamente, em comparação com o segundo melhor algoritmo GeoTransformer; no conjunto ShapeNetCore.v2, o erro quadrático médio RMSE(R) e o erro médio absoluto MAE(R) diminuíram 42,00% e 61,66%, respectivamente, em comparação com o segundo melhor MGFPCR; no conjunto Stanford Bunny, RMSE(R) e MAE(R) diminuíram 25,53% e 5,58%, respectivamente, em comparação com o segundo melhor algoritmo ROPNet. Os resultados experimentais mostram que o algoritmo proposto apresenta bom desempenho em generalização e resistência a ruídos em comparação com outros algoritmos.

Processamento de imagem;Registro de nuvem de pontos;Predição de escore de sobreposição;Percepção espaço-canal;Variáveis de relaxamento