[发明专利]基于贝叶斯优化的点云配准方法、系统及可读存储介质

权利要求书

1.一种基于贝叶斯优化的点云配准方法，其特征在于，所述基于贝叶斯优化的点云配准方法包括以下步骤：

获取目标对象的点云和所述目标对象对应的模板点云，并分别提取所述目标对象的点云的第一轮廓点云和所述模板点云的模板轮廓点云；

根据所述第一轮廓点云和所述模板轮廓点云，构建初始数据集；

基于所述初始数据集，根据贝叶斯优化算法，选取初始角度；

根据所述初始角度，将所述第一轮廓点云绕XYZ轴进行旋转，得到第二轮廓点云；

计算所述第二轮廓点云和所述模板点云的重心，平移所述第二轮廓点云，使所述第二轮廓点云的重心与所述模板点云的重心重叠；

将所述第二轮廓点云与所述模板轮廓点云进行ICP配准计算，迭代第一预设次数后，计算第一适应度；

基于所述第一适应度，提取所述目标对象的旋转参数和平移参数，并根据所述旋转参数和所述平移参数，估计所述目标对象的位姿。

2.如权利要求1所述的基于贝叶斯优化的点云配准方法，其特征在于，所述根据所述第一轮廓点云和所述模板轮廓点云，构建初始数据集的步骤包括：

将所述第一轮廓点云绕XYZ轴分别旋转随机角度，得到第三轮廓点云；

将所述第三轮廓点云与模板轮廓点云进行ICP配准计算，迭代第二预设次数后，计算第二适应度；

重复执行上述步骤三次，得到初始数据集。

3.如权利要求1所述的基于贝叶斯优化的点云配准方法，其特征在于，所述将所述第二轮廓点云与所述模板轮廓点云进行ICP配准计算，迭代第一预设次数后，计算第一适应度的步骤之后，所述方法还包括：

确定所述第一适应度是否小于预设最大适应度阈值；

若是，则执行提取所述目标对象的旋转参数和平移参数，并根据所述旋转参数和所述平移参数，估计所述目标对象的位姿的步骤。

4.如权利要求3所述的基于贝叶斯优化的点云配准方法，其特征在于，所述确定所述第一适应度是否小于所述预设最大适应度阈值的步骤之后，所述方法还包括：

若否，则根据所述初始角度和所述第一适应度，更新初始数据集，获得更新后的数据集；

基于所述更新后的数据集，寻优循环，直至得到的适应度小于所述预设最大适应度阈值，其中寻优循环为：循环执行基于所述更新后的数据集，根据贝叶斯优化算法，选取下一角度，并将所述第一轮廓点云绕XYZ轴分别旋转所述角度，得到下一轮廓点云作为第二轮廓点云；计算所述第二轮廓点云和所述模板点云的重心，平移所述第二轮廓点云，使所述第二轮廓点云的重心与所述模板点云的重心重叠；将所述第二轮廓点云与所述模板轮廓点云进行ICP配准计算，迭代第一预设次数后，计算适应度的步骤。

5.如权利要求4所述的基于贝叶斯优化的点云配准方法，其特征在于，在寻优循环的过程中，所述方法还包括：

确定寻优循环的循环次数是否小于预设的寻优次数；

若是，则继续执行基于所述更新后的数据集，寻优循环，直至得到适应度小于所述预设最大适应度阈值的步骤。

6.如权利要求5所述的基于贝叶斯优化的点云配准方法，其特征在于，所述确定寻优循环的循环次数是否小于预设的寻优次数的步骤之后，所述方法还包括：

若否，则获取下一目标对象。

7.如权利要求1所述的基于贝叶斯优化的点云配准方法，其特征在于，所述基于所述初始数据集，根据贝叶斯优化算法，选取初始角度的步骤包括：

基于所述初始数据集，构建高斯过程的回归模型，并基于所述回归模型，确定贝叶斯优化算法的获取函数；

基于贝叶斯优化算法，通过对所述获取函数的最大优化，选择初始角度。

8.如权利要求7所述的基于贝叶斯优化的点云配准方法，其特征在于，所述基于所述初始数据集，构建高斯过程的回归模型，并根据所述回归模型，确定贝叶斯优化算法的获取函数的步骤包括：

基于所述初始数据集，构建高斯过程的回归模型，并预测所述目标对象对应旋转的未知角度的均值和标准差；

根据所述均值和所述标准差，确定贝叶斯优化算法的获取函数。