[发明专利]一种结合改进粒子群算法的快速点云边界提取技术

摘要

本发明公开了一种结合改进粒子群算法的快速点云边界提取方法。获取点云数据，建立拓扑关系做平滑处理；利用改进粒子群算法选出所有局部结构的最优特征点，通过随机抽样一致性RANSAC保留N个最优特征点，返回最优模型；通过点云数据点k邻域内点分布的均匀程度找出最优模型中所有边界特征点，完成边界提取。与传统点云边界提取方法相比，该提取方法减少了点云边界提取的计算量，效率较高。由于引入了惯性权重，可控制前一速度对当前速度的影响。通过调整惯性权重子的大小,可以避免群体陷入局部最优点，提高计算精度，有效逼近真实物体边界效果更好。

主权项

1.一种结合改进粒子群算法的快速点云边界提取技术，其特征在于，包括点云数据的获取与处理、过滤与表面重建、平面分割与边界提取，具体如下：步骤1、获取点云数据，建立离散点间拓扑关系；对给定点云数据进行采样；步骤2、利用滤波函数对数据点集先进行平滑处理；滤波后采用插值法猜测原始表面；步骤3、在提取点云模型边界前，基于平面特征研究三维点云信息的场景分割，其中通过改进粒子群算法的不断迭代，选取出种子点以确定平面参数初值，迭代公式为：Pi(t+1)＝Pi(t)+Vi(t)V_i(t+1)为粒子i在t+1时刻的速度；w称为惯性权重，其大小决定了对粒子当前速度继承的多少；V_i(t)为粒子i在t时刻的速度；γ₁表示每个粒子靠向全局最优位置的加速权重；γ₂表示每个粒子靠向个体最优位置的加速权重；γ₃表示每个粒子靠向最佳叶节点的加速权重；R₁、R₂与R₃是介于(0,1)之间的随机数常量，服从(0,1)上的均匀分布；为全局最优位置，具体指整个群体中目前具有最佳适应度粒子的位置；P_i(t)为粒子i在t时刻的位置；P_i^o(t)为个体最优位置，指每一个粒子迄今为止所经历的最佳位置，即具有最佳适应度时所处的位置；为最佳叶节点的适应值；P_i(t+1)为粒子i在t+1时刻的位置；其中系数γ₁、γ₂与γ₃也被称为学习因子，该学习因子使得粒子具有自我总结和向群体中优秀个体学习的能力，从而向种群内或邻域内最优点靠近；对每个局部结构利用改进的粒子群算法选出最优的特征点，通过随机抽样一致性RANSAC进行模型参数估算，保留N个最优的特征点，返回最优的模型，最后将匹配的结果进行整合；步骤4、进行边界提取；利用点云数据点k邻域内点分布的均匀程度来判断边界特征点；设定阈值，超过阈值为边界特征点，反之则是内部点；计算点与其k个近邻点组成的向量之间的夹角，然后个夹角进行排序，计算连续夹角间的最大差值，将这个差值与设置的阈值进行比较，若大于则该点就为边界点，否则不是；将点S与其k邻域点投影到最小二乘平面上；设k邻域点为Mj(j∈[0,k‑1])，SMj为基准向量；取k邻域点任意点Mi(i∈[0,k‑1],i≠j)，作其对应向量SMi；计算二者之间的夹角εi(εi∈[0,π])，同时计算对应叉积向量ni＝SMi×SMj；若ni·nj＜0，εi＝εi+π；若ni·nj＞0，则εi不变；另s＝(ε0,ε1,…,εk‑1)，并由大到小排序；加入两个极值后得到新的序s＝(0,ε0',ε1',…,εk‑1',2π)，求相邻线段间的夹角Li(i∈[0,k])，令最大值为Lmax，若Lmax超过阈值，则点S为边界特征点；找出所有边界特征点，完成边界提取。步骤3中所述粒子的粒子群不断调整的过程具体如下：a.初始化三维点集Q，设Q＝Qα,β＝(xα,β,yα,β,zα,β)(α＝0,…,p；β＝0,…,q)，其中α、β分别表示三维数据点矩阵的行序号和列序号，p、q分别表示为点矩阵行序号与列序号最大值；x、y、z为数据点的三维坐标；b.将所有粒子初始化为某个范围内的均匀分布随机值，每一个粒子都包含了位置向量和速度向量；w的取值在整个搜索过程中呈随机动态变化，阈值为[0.4,0.9]；通常γ1、γ2与γ3的取值范围为(0,4)；R1、R2和R3为(0,1)间服从均匀分布的随机数，通过随机函数生成；c.计算每个粒子的适应度值；d.将粒子进行编号分组，比较同组的叶子节点，记录最优叶子节点位置；e.当前组最优叶子节点值与当前个体最优值比较：如果当前的结果是比个体最优值好，设置个体最优位置等于当前位置值；f.找到个体最优的最小值与全局最优值比较：如果当前最小值小于全局最优值，设置全局最优值等于当前最小值，全局最优值的位置等于个体最优值的位置；g.如果全局最优最小值小于规定的阈值，计算将被终止，否则更新Vi(t+1)、Pi(t+1)中描述的位置和速度；h.重复上述步骤，直到达到终止条件。