[发明专利]一种基于自适应烟花与KD树算法的三维点云配准方法

说明书

本发明公开了一种基于自适应烟花与KD树算法的三维点云配准方法，包括确定目标点集与参考点云重叠点并在目标点集中查找重叠点的最近邻点集，粗配准采用一种自适应烟花算法进行随机配准优化，而精配准使用KD树搜索算法改进的近点迭代的算法进行点云的精确配准。本文提出的点云配准方法减少了配准的时间同时提高了配准的精度。

技术领域

本发明涉及三维点云配准算法领域。具体涉及到立体腹腔镜增强现实导航系统中多模态医学图像通过三维重建后进行的3D-3D特征点云刚性配准。

背景技术

随着计算机技术的不断发展，医学技术也随之有了长足的进步。在过去的几十年里，微创手术已经逐渐变得比开放手术更受欢迎，因为相比于开放手术，微创手术有减小创伤面积、降低感染率，缩短住院时间，患者康复快等特点。腹腔镜手术是应用最多的微创手术形式。但是，这种手术方式会使外科医生失去对现场的直接视觉反馈，并且还具有术中视野范围过小，需要来回查看术前图像等问题。因此，增强现实导航技术就成了缓解这些缺陷的一个可行的解决方案。利用这种技术能够让医生在术中得到更多的术前图像信息，增加手术的精度，减轻医生需要多次切换屏幕查看图像的负担。

虽然腹腔镜手术增强现实导航系统有众多优点，但是系统中图像配准过程耗时长，精度低的问题依然存在，需要对配准的算法进行优化。目前对多模态图像配准可分为基于优化方法的和基于机器学习方法的。而在基于优化方法里又可细分为基于最大期望方法、非线性优化方法、基于分支与边界方法、随机配准方法和运动框架多视图配准方法。

本发明提出的基于自适应烟花与KD树算法的三维点云配准方法，是一种粗配准与精配准相结合的三维点云配准方法，粗配准属于一种基于优化方法的随机配准优化，而精配准使用KD树搜索改进近点迭代的算法。本文提出的点云配准方法减少了配准的时间同时提高了配准的精度。

发明内容

本发明提出了一种基于自适应烟花与KD树算法的三维点云配准方法。该算法主要分为两个部分组成，首先通过自适应烟花算法对两个点云集进行粗配准，然后使用基于KD树搜索算法的改进近点迭代算法进行精配准。

一种基于自适应烟花与KD树算法的三维点云配准方法，具体包括如下步骤：

步骤1：输入两个点云集P和Q，确定P中与Q点集重叠区域的点集p，Q点集建立KD 树并在其中搜索点集p的最近邻点集q；

步骤2：确定烟花算法的适应度函数为：

式中d即为适应度，n为p点集中的点的个数，p_i与q_i分别为点集p与点集q中的点，优化目标为找到合适的R和T矩阵，使得适应度最小，需要参数初始化，包括设置烟花初始位置，确定爆炸算子、变异算子、映射规则和精选策略，利用自适应烟花算法进行粗配准，通过迭代计算优化后得到旋转变换矩阵R和平移变换矩阵T；

步骤3：通过上一步优化得到的R、T变换p点集得到p′，设置迭代次数k值(初始值k＝1) 并在Q点集的KD树数据结构中重新搜索与p′点集对应的最近邻点集q′；

步骤4：利用四元数法计算p′点集到q′点集的变换矩阵R_k和T_k，使得

最小的值，其中利用解得的R_k和T_k变换p′点集得到p″，计算方法为：p″＝R_k×p′+T_k；

步骤5：计算p″点集与q′点集在这一代平均距离d_k+1