[发明专利]一种基于局部曲率信息的人工蜂群点云配准方法

说明书

本发明公开一种基于局部曲率信息的人工蜂群点云配准方法，该方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，本文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。

技术领域

本发明涉及计算机三维数字图像处理领域，尤其涉及一种基于局部曲率信息的人工蜂群点云配准方法。

背景技术

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式变换，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。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，但仍存在计算量较大，配准收敛速度较慢的缺点。

因此，希望有相应技术可以解决三维点云配准收敛速度较慢的问题。

发明内容

本发明的目的是为了克服现有技术中的不足，提供一种基于局部曲率信息的人工蜂群点云配准方法。

本发明的目的是通过以下技术方案实现的：

一种基于局部曲率信息的人工蜂群点云配准方法，包括以下步骤：

步骤1，针对待配准的两片部分重合的点云，一片为动态点云，另一片为静态点云；对动态点云通过随机采样和根据点云曲率信息采样两种方式提取部分点云，作为动态点云子集，实现点云配准的数据精简；

步骤2，采用随机提取和根据点云曲率信息分段提取的相结合的方法提取采样点。针对点云P和Q中的每一个点，采用基于MLS表面(moving least squares surfaces,MLS)的方法计算得到各自的高斯曲率k_Gaussian和平均曲率k_Mean，并由此得到主曲率

其中，k₁、k₂是最小、最大主曲率；根据Chen等人的定义，我们用以下公式表示每一点的曲率信息

其中，点p代表点云中的任意一点，k₁(p)、k₂(p)和0＜S(p)＜1分别代表点p的最小主曲率，最大主曲率和该点的曲率信息；此时点云可以表示为P＝{p_i,S_i},i＝1,2,…,N_p，Q＝{q_n,S_n},j＝1,2,…,N_q；

步骤3，在寻找对应点阶段根据点云曲率范围的不同，排除待配准点云中不同曲率范围的部分点云，缩小对应点的寻找范围，减少算法计算量。采用随机采样和根据曲率信息采样相结合的方式提取点云；点云中的每个点都有自己的曲率信息S，把S从0到1平均分为n段，这样每个点的曲率信息就属于其中的一段；依据曲率信息所属范围不同，动态点云P可分为n个点云子集P_k，k＝1,2,…,n；点云子集P_k中仅包含曲率信息S满足式(4)的点：

静态点云Q可以分为n个点云子集Q_w，w＝1,2,…,n；点云子集Q_w中仅包含曲率信息S满足式(5)的点；