[发明专利]一种基于加速高斯混合模型的空间目标重建方法

说明书

一种基于加速高斯混合模型的空间目标重建方法，包括：读入点云数据；根据给定高斯混合模型分量的个数K，使用K‑means++算法从点云中筛选出K个点作为初始聚类中心；使用K‑means算法将所述点云聚类为K个簇；根据每个簇中所包含点的情况，分别对权重、均值、协方差矩阵初始化，作为所述高斯混合模型参数的初值；使用高斯混合模型对所述参数进行迭代更新，获取最终的估计值。该重建方法针对航天器近距离感知中的目标三维结构重建问题进行研究，目标点云中包含数量巨大的点，结合算法流程设计和CPU‑GPU异构实现，重建过程中计算速度快，鲁棒性强。

技术领域

本发明涉及航天器近距离感知领域，特别涉及一种基于加速高斯混合模型的空间目标重建方法。

背景技术

点云可用于对目标外形进行直观描述，但对于进一步接近或抓捕等任务来说，这种形式的描述远不能满足任务需求，还需要在此基础之上进一步获取目标外形的解析描述。

高斯混合模型(Gaussian Mixture Model,GMM)作为一种功能强大的参数化概率模型，核心思想在于将目标建模为多个高斯分布加权和的形式，已广泛应用于背景建模、图像分割、超像素生成、语音识别等各个领域，取得了丰硕的成果。

Jian等最早在两点云配准过程中使用GMM对点云进行建模，最终将配准问题转化为两个GMM的对齐问题。在建模过程中，点云中的每个点使用一个高斯分量进行表示，各高斯分量的权重和协方差矩阵相同，均值为各点在3D空间中的坐标。Eckart等和Evangelidis等分别在两点云配准和多点云配准中使用GMM 对点云进行建模。二者相同之处在于均使用少量GMM表示整个点云，而并非像 Jian等那样使用GMM表示每个点，这大大减少了所需GMM的数量；不同之处在于前者并不限定协方差矩阵的形式，而后者为简化计算过程使用各向同性的协方差矩阵。在Evangelidis等基础之上，Danelljan等还在对点云建模过程中引入除点云3D坐标之外的颜色信息，通过提高GMM维数以期提高点云配准的精度。目标点云中往往包含数量巨大的点，可能有几万、几十万、乃至上百万的量级，使用原始GMM对目标点云进行重建会消耗大量的时间，因此需要对其进行加速。

在上文提到的文献中，只有Eckart等利用GMM算法的并行特性，利用GPU 对建模过程进行加速，但文献中并未涉及加速过程的实现细节。此外，Eckart等还在近期提出一种自顶向下的分层GMM模型，用于加速点云配准之前的建模过程。

使用原始高斯混合模型(Gaussian Mixture Model，GMM)对目标点云进行重建主要有以下两个方面的缺点：目标点云中包含数量巨大的点，可能有几万、几十万乃至上百万的量级，重建会消耗大量的时间，需要对其进行加速；重建过程中的不确定性对最终结果影响很大，鲁棒性较差，如对参数初值的依赖性较强，初值选取不好容易导致参数估计无法收敛。因此，需要一种新的方法，解决目前方法所存在的计算量大、鲁棒性弱等问题。

发明内容

本发明的目的是通过以下技术方案实现的。

本发明设计了一种基于加速高斯混合模型的空间目标重建方法。该重建方法针对航天器近距离感知中的目标三维结构重建问题进行研究，解决了目前方法所存在的计算量大、鲁棒性弱等问题。

一种基于加速高斯混合模型的空间目标重建方法，包括：

读入点云数据；

根据给定高斯混合模型分量的个数K，使用K-means++算法从点云中筛选出K个点作为初始聚类中心；

使用K-means算法将点云聚类为K个簇；

根据每个簇中所包含点的情况，分别对权重、均值、协方差矩阵初始化，作为高斯混合模型参数的初值；

使用高斯混合模型通过期望最大化算法对参数进行迭代更新，获取最终的估计值。