![](https://csdnimg.cn/release/download_crawler_static/18269601/bg1.jpg)
收稿日期:20181009;修回日期:20181127 基金项目:国家自然科学基金重点资助项目(61535008)
作者简介:付鲲(1992),男,河北张家口人,硕士研究生,主要研究方向为三维点云配准算法、计算机视觉(fukun@tju.edu.cn);陈雷(1980),
男,河北唐山人,教授,博士,主要研究方向为三维点云配准算法、智能计算.
基于曲率信息的人工蜂群点云配准算法
付 鲲
1
,陈 雷
1,2
(1.天津大学 电气自动化与信息工程学院,天津 300072;2.天津商业大学 信息工程学院,天津 300134)
摘 要:针对仅使用群智能优化算法及点云空间信息进行点云配准时,优化过程寻找两片点云对应点耗时较
长,收敛速度较慢的缺点,提出一种基于曲率信息的人工蜂群点云配准算法。算法根据曲率信息提取特征点,通
过改进人工蜂群算法优化目标函数得到可以使两片点云重合的最佳变换矩阵。在种群优化过程中根据曲率信
息约束对应点寻找范围,缩小参与计算点云的规模。对比实验表明,与仅采用随机选点方法和使用点云空间坐
标信息的配准算法等相比,所提出算法可以在不降低配准精度的同时,有效加快配准收敛速度,显著缩短点云配
准所用时间。
关键词:点云;曲率信息;特征点选取;对应点寻找;人工蜂群算法
中图分类号:TP751.1 文献标志码:A 文章编号:10013695(2020)04009099905
doi:10.19734/j.issn.10013695.2018.10.0732
Pointcloudregistrationbasedonartificialbeecolony
algorithmandcurvatureinformation
FuKun
1
,ChenLei
1,2
(1.SchoolofElectrical&InformationEngineering,TianjinUniversity,Tianjin300072,China;2.SchoolofInformationEngineering,Tian
jinUniversityofCommerce,Tianjin300134,China)
Abstract:Somemethodsforpointscloudregistrationonlyusetheswarmintelligenceoptimizationalgorithmandthepoints’
spatialinformation.Thosemethodshavesuchshortcomingsasslowconvergencespeedandlongtimeconsuming.Toovercome
theseweakness,thispaperproposedaregistrationalgorithmbasedonthecurvatureinformationofpointscloud.Thealgorithm
extractedfeaturepointsaccordingtothecurvatureinformation.Anditobtainedthebesttransformationmatrixtomakethetwo
pointcloudscoincidebytheimprovedartificialbeecolonyalgorithm.Intheprocessofpopulationoptimization
,itsearchedthe
correspondingpointsaccordingtothecurvatureinformation,andreducedthescaleofpointcloud.Theexperimentalresultsshow
thatcomparedwiththeregistrationalgorithmsonlyusingrandompointselectionmethodandpointcloudspatialcoordinatein
formation
,theproposedalgorithmcaneffectivelyacceleratetheconvergencespeedandsignificantlyshortentheregistrationtime
withoutreducingtheregistrationaccuracy.
Keywords:pointcloud;informationofpoints’curvature;selectionoffeaturepoints;searchforthecorrespondingpoints;
artificialbeecolony
0 引言
三维成像是针对某一实际物体,用三维扫描设备从不同角
度采集该物体三维点云数据,并形成被测物体的三维完整形
貌。在三维成像领域,三维点云的配准技术是至关重要的,它
的任务是找到一个最优欧氏变换,使同一物体从不同角度得到
的有部分重叠的点云变换到同一坐标系下,最终恢复出被测物
体的完整形貌。三维点云的配准过程实质上是一个最优化过
程。在求解该最优化问题时,传统的配准方法容易受到量化误
差、点云噪声和点云初始位置的影响。比如经典的点云配准算
法———迭代最近点(
iterativeclosestpoints,ICP)算法
[1]
在待配
准点云初始位置不佳时往往会陷入局部极值而导致配准失败。
已有一些学者提出了改进的 ICP算法。如:Chen等人
[2]
在 ICP
算法基础上,选取了点到对应点切平面的距离中值而不是对应
点之间的距离中值作为配准的目标函数进行配准;文献[3]采
用主成分分析法先进行粗配准,再采用一种基于曲率特征点的
改进
ICP算法进行细配准。然而这些改进算法依然存在配准
易陷入局部收敛的缺点。
近些年,群智能优化算法作为新兴的最优化方法,被广泛
应用于解决各种工程优化问题。文献[
4~7]将粒子群优化算
法用于工业系统永磁同步电机的参数估计中,有效提高了系统
性能。文献[8]在语音识别算法中引入了粒子群优化算法,提
高了语音识别算法的成功率。文献[9]在数字图像处理算法
中使用了蜂群优化算法,解决了数字图像水印技术中存在的误
报问题。文献[10]将蚁群优化算法应用到嵌入式系统设计
中,成功实现了软硬件的双路规划。
在三维成像领域,由于群智能优化算法优异的全局优化能
力,基于群智能优化的点云配准技术也开始逐渐成为研究热
点,并已表现出优于传统方法的明显优势。例如 Bermejo等
人
[11]
提出了基于细菌算法的图像配准算法;Cordón等人
[12]
提
出了基于 CHC算法的图像配准算法;Panda等人
[13]
提出了基
于进化刚体对接算法的图像配准算法等。虽然这些基于群智
能优化的三维点云配准算法比较好地弥补了传统基于梯度优化
的配准算法的缺点,有效提升了点云配准过程的适应性和配准
精度。但该类算法需要经过多次迭代进化得到精准的配准结
果,而每一次迭代进化过程中,需针对种群个体计算目标函数
值,计算量较大。因此,在保证点云配准精度的同时,减少迭代
第 37卷第 4期
2020年 4月
计 算 机 应 用 研 究
ApplicationResearchofComputers
Vol37No4
Apr.2020