[发明专利]一种基于二阶震荡人工蜂群算法的点云配准方法

说明书

本发明公开了一种基于二阶震荡人工蜂群算法的点云配准方法，其特征是，包括以下步骤：步骤1)对输入的待配准点云进行简化处理，并获得固有形状特征点；步骤2)根据固有形状特征点提取的待配准点云，对目标点云进行二阶震荡人工蜂群算法迭代优化；步骤3)利用ICP算法迭代最近点精配准。本发明所达到的有益效果：本发明可提高对点云配准空间的全局搜索能力，解决配准对应关系难以寻找，搜索难度较大的问题；实现了一种用于三维点云配准空间的由粗至精的配准，可以有效降低点云配准对初始位置的严重依赖；可解决数据本身存在高噪声、离群点等会影响配准精度的问题，降低后期配准的计算量，提高运算效率。

技术领域

本发明涉及一种基于二阶震荡人工蜂群算法的点云配准方法，属于计算机图形学技术领域。

背景技术

点云配准是计算机视觉后续处理的基础，是计算机形状建模、三维物体识别、逆向工程等领域的一个核心问题。三维重建过程中，获取三维物体表面的真实数据却因受测量设备、自遮挡与环境等因素的影响，实际测量过程中获取的点云数据只是实体表面的部分数据，且易导致平移或旋转错位，故需对被测物体在不同视角下进行多次测量，并将各个视角下的点云数据合并到统一的坐标系下，形成最终完整的点云数据，方便后续可视化等操作。点云数据配准的实质是把在不同的坐标系中测量得到的数据点云进行坐标变换，以得到统一坐标系下的整体数据模型。这给点云配准带来了许多挑战。第一，数据本身存在高噪声、离群点等会影响配准的精度；第二，在数据采集过程中，因三维扫描仪的自遮挡、视角和光线等问题，存在数据获取的缺失或部分重合等问题，导致后期配准对应关系难以寻找，搜索难度较大；第三，点云数据的初始位置对配准的性能影响较大。

针对传统ICP算法易陷入局部最优的问题，利用群智能优化策略可以解决这类问题，尽管一些工作针对群智能优化点云配准展开研究，如文献1：Chi K C,Tsui H T,TongL.Surface registration using a dynamic genetic algorithm.Pattern Recognition,2004,37(1):105-117.，提出利用参数解码、适应度函数、交叉变异等一系列方法建立点云数据配准的关键模型，利用遗传算法自动判断出两点云数据的重叠区域，求解出两个点云数据该重合区域的坐标变换，实现配准。该方法在特定情况下为精配准提供了良好的初始位置，但全局优化能力和配准的鲁棒性还不够。文献2：García-Torres J M,Damas S,Cordón O,et al.A case study of innovative population-based algorithms in 3Dmodeling:Artificial bee colony,biogeography-based optimization,harmonysearch.Expert Systems with Applications,2014,41(4):1750-1762.，首次引入三种启发式优化算法：ABC(Artificial bee colony algorithm)、BBO(Biogeography-BasedOptimization)、HS(Harmony Search)，实现三维深度图像的配准，通过优化配准实验(SAMPL点云库)比较了三种智能优化方法的性能，文献2表明，目前的人工蜂群算法在三维深度图像配准中相比于BBO、HS等其他的进化算法更具优势。但是，所提的ABC优化点云配准方法依然存在求解复杂空间优化问题早熟收敛，搜索性能不足的问题。这些基于群智能优化的配准方法被逐步提出，为解决三维点云配准问题提供了新的思路和突破口这些方法相比于传统的配准方法精度有所提高，但又存在计算量较大，运算效率低等问题。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种基于二阶震荡人工蜂群算法的点云配准方法，用于支持对输入的两片点云的自动由粗到精的配准。

为了实现上述目标，本发明采用如下的技术方案：

一种基于二阶震荡人工蜂群算法的点云配准方法，包括以下步骤：