[发明专利]一种基于布谷鸟优化的三维点云数据配准方法

权利要求书

1.一种基于布谷鸟优化的三维点云数据配准方法，其特征在于，包括如下步骤：

步骤1，对输入的两组点云分别进行简化处理，两组点云分别记为待配准点云和目标点云，并分别获得待配准点云和目标点云的固有形状特征点；

步骤2，根据固有形状特征点，对待配准点云和目标点云进行布谷鸟优化算法迭代优化；

步骤3，利用ICP算法迭代进行精细配准；

步骤1包括：

步骤1-1，点云均匀采样：提取待配准点云数据和目标点云数据，对输入的待配准点云数据和目标点云数据进行读取操作，将输入的待配准点云数据和目标点云数据分别按比例参数进行均匀采样；

步骤1-2，特征点提取：将点云均匀采样获得的新的待配准点云数据和目标点云数据，分别采用固有形状特征点提取算法进行特征点的提取；

步骤1-2包括：

步骤1-2-1，对点云上的每个点定义一个局部坐标系，并设定每个点的搜索半径r_ISS；第i个点记为pt_i，pt_i采用该点的三维向量表示，包含三维坐标的位置信息；

步骤1-2-2，查询点云数据中每个点pt_i在半径r_ISS周围内的所有点，计算其权值w_ij＝1/|pt_i-pt_j|,|pt_i-pt_j|r_ISS；

步骤1-2-3，计算每个点pt_i的协方差矩阵cov(pt_i)：

步骤1-2-4，计算每个点pt_i的协方差矩阵cov(pt_i)的特征值和特征向量特征值降序排列是特征向量相应的3个特征值，分别指向三个数据方差最大的方向，次特征向量总是正交于最大的特征向量

步骤1-2-5，设置阈值ε₁和ε₂，满足式的点即被标记为固有形状特征点；

步骤2包括：

步骤2-1，初始化种群：设置n个宿主巢位置X_i，i＝1,2,…,n；

步骤2-2，进行适应度值评价：对于宿主巢位置的初始位置，计算其所表示的适应值函数值F_i，F_i＝f(X_i),X_i＝(x_i1,x_i2,…,x_iD)^T，即对适应度值进行评价，其中f(X_i)表示向量X_i的适应度函数，x_iD为X_i在D维向量空间中的数值；

步骤2-3，莱维飞行随机游动鸟窝位置搜索：莱维飞行的随机游动搜索策略通过布谷鸟i进行更新搜索位置实现寻窝搜索路径和位置的变化，计算新的位置的适应度值F_i，适应度值F_i根据新产生的搜索位置进行点云配准适应度值的度量，公式更新如下：

式中，i∈{1,2,...,n}，n设定为布谷鸟巢穴数；第i个布谷鸟巢穴在第t代和t+1代的位置向量X_i＝x_i1,x_i2,x_i3,...x_iD分别表示为和D表示布谷鸟巢穴位置的维数，α表示随机搜索范围的步长参数，α₀＝0.01，X_b为当前优化最好位置；表示点对点乘法，Lévy(λ)为随机幂次形式的概率密度函数表示基于莱维分布的随机搜索；

步骤2-4，选择鸟窝位置：随机选择候选位置X_j，如果F_iF_j，则用新位置解替代候选位置，按发现概率p_a丢弃差的位置；

步骤2-5，莱维飞行偏好随机游动机制：偏好随机游动产生新的位置进行替代，随机游动的各个新位置通过混合变异和交叉操作产生，位置更新公式如下：

式中，r表示缩放因子，r＝rand(0,1)，和分别为随机选择的鸟巢位置；

步骤2-6，记忆最好的位置：记录全局最好的鸟窝位置，即全局最优解；

步骤2-7，更新迭代次数t+1；若满足当前搜索条件，则搜索停止，输出全局最优位置X_g，否则继续执行；

步骤2-2包括：对于待配准点云P和目标点云Q，寻求三维空间内最优的变换矩阵T，变换矩阵T包含6个参数，分别为沿3个坐标轴的平移量V_x、V_y、V_z，由三个平移量形成一个平移矩阵V；三个旋转矩阵Rx、Ry和Rz分别表示绕3个坐标轴的旋转角α、β、γ的旋转矩阵；变换矩阵T的表示形式如下：

T＝R_xR_yR_zV，

对点云配准目标函数中变换矩阵，参数编码和归一化处理后对应食物源的位置，利用布谷鸟优化算法对点云模型进行目标函数的优化，全局优化函数F(T)为：F(T)＝min||T(P_m)-Q_n||²，通过改进的人工蜂群算法的全局寻优性能，求解最优的变换矩阵T，使得扫描点集P＝{p_i∈R³,i＝1,2,……,m}与待配准点集Q＝{q_j∈R³,j＝1,2,……,n}间的欧式距离最小，需要对变换矩阵T中的6个参数进行编码，式中p_i和q_j分别表示属于三维空间R³内的第i个点和第j个点，m和n分别为点云P和Q中点的个数；参数编码随机生成6个约束范围内的解x₁，x₂，x₃，x₄，x₅，x₆，组成一组解X＝[x₁,x₂,x₃,x₄,x₅,x₆]，对其进行归一化处理X'＝[x'₁,x'₂,x'₃,x'₄,x'₅,x'₆]，其中x'_i＝(x_i-lb_i)/(ub_i-lb_i)，i＝1,2,...,6，X'表示归一化的结果，ub_i和lb_i分别是x_i的上限和下限，使得参数编码的数值在[0,1]范围之间，每个参数对应布谷鸟优化算法中鸟巢的变量，整个点云配准的问题就转变为一个求解六维空间内的函数优化问题，当两片点云配准完成后，其F(T)的取值越小；

步骤3包括：通过K-D tree数据结构搜索寻找k最近邻域点，由每一点的k个邻域最近点形成的点集得到一个中心点，加速迭代最近点算法的搜索配准过程。