一种多任务代理辅助优化的点云配准方法

本发明属于点云处理，具体涉及一种多任务代理辅助优化的点云配准方法。

背景技术：

1、随着三维扫描技术和计算机性能的提升，3d配准已经应用到于许多领域的基本问题，例如：医学成像、自动驾驶、生物医疗、形状检索和工业应用。随着实际应用中研究人员对图像应用的要求越来越高，二维图像难以对复杂问题进行精准的描述，于是人们开始重点研究具有更加广阔前景的三维图像。目前的研究表明，三维点云配准处理技术在诸多领域已经进行了广泛的应用。由于无法获取完整的场景或对象，3d配准的目的是寻找两个点云之间的对应关系，也就是找到点云之间的旋转矩阵和平移向量。借助旋转矩阵和平移向量，可以将来自同一个场景或对象的点云合并称为一个完整的点云对象。

2、点云配准，也称为点云匹配或扫描配准，定义了寻找空间变换以正确对齐两组点的任务。点云配准在同步定位与制图、场景重建、目标识别、姿态估计等方面有着广泛的应用。目前的研究表明，解决点云配准问题的方法主要包括两类，分别是局部方法和全局方法。局部方法主要研究了如何通过局部特征来实现点云的配准。通过在点云中提取局部特征，并将其与目标点云进行配准，从而确定点云之间的对应关系。局部特征可以包括点的位置、法线、曲率等信息。文章

3、论文aligning point cloud views using persistent feature histograms(rusu r b,blodow n,marton z c,et al.aligning point cloud views usingpersistent feature histograms[c]//2008ieee/rsj international conference onintelligent robots and systems.ieee,2008:3384-3391)提出了一种使用持久特征直方图来对齐点云数据视图的方法。通过分析不同尺度下特征的持久性，提取出最佳特征集合来描述给定点云。这些持久特征被用于初始对齐算法，估计一个刚性变换来近似配准输入数据集。该算法对姿态和采样密度具有不变性，并且能够很好地处理来自室内和室外激光扫描的噪声数据。此外，论文还提出了一种改进的icp算法，使用近似的点到表面距离度量来加速收敛。通过将数据集转换到收敛区域，该算法为icp等迭代注册算法提供了良好的起始点。此外，论文还提出了使用几何约束的初始对齐算法，以及使用持久特征直方图进行点对点对应搜索的方法。这些创新点使得该方法能够在部分重叠的数据集中成功对齐点云视图。文章fast point feature histograms(fpfh)for 3d registration(rusu r b,blodown,beetz m.fast point feature histograms(fpfh)for 3d registration[c]//2009ieeeinternational conference on robotics and automation.ieee,2009:3212-3217)，首先，对点特征直方图(pfh)的计算进行了优化，通过缓存先前计算的值或修订理论公式，大大减少了计算时间。其次，引入了快速点特征直方图(fpfh)，通过修改pfh的数学表达式，提出了一种新的局部特征，fpfh在保留了大部分pfh的判别能力的同时，将计算复杂度从o(k^2)降低到o(k)，其中k是邻居的数量。此外，还提出了一种用于实时应用的在线计算fpfh特征的算法。最后，针对3d配准问题，提出了一种基于样本一致性的初始对齐方法sac-ia，该方法旨在将两个数据集带入局部非线性优化器的收敛区域。总体而言，本论文的重点是通过优化特征计算和选择方法来提高3d配准的效率和鲁棒性。论文registration for 3-dpoint cloud using angular-invariant feature(jiang j,cheng j,chenx.registration for 3-d point cloud using angular-invariant feature[j].neurocomputing,2009,72(16-18):3839-3844)，提出了一种角度不变特征，用于三维点云的配准过程，以可靠地选择点对应关系。该特征是一个k维向量，向量中的每个元素是法向量与其k个最近邻之间的角度。该角度特征对尺度和旋转变换具有不变性，并适用于曲率较小的表面。该特征改善了收敛性和误差，而不需要对初始变换做任何假设，并且不需要严格的采样策略。实验证明，所提出的基于角度的算法比迭代最近点(icp)和基于曲率的算法更有效。

4、然而，传统方法中，使用迭代最近点算法icp及其变体由于源点云中的每个点在评估前都需要通过最近邻搜索在目标点云中找到对应的点，因此需要频繁且昂贵的适应度函数评估来接近最优解，导致了较高的时间成本。在进化计算配准中，由于操作的随机性，获得的结果也是不确定的，大部分进化配准算法或者使用进化计算处理配准问题比较容易陷入局部最优的状况，导致配准的失败。点云配准通常设计较高的时间成本，特别是针对于大规模点云配准数据来说，配准过程中的适应度评估代价通常让人难以接受，如何降低点云配准中的时间成本是目前的关键问题。

技术实现思路

1、为了解决现有技术中所存在的上述问题，本发明提供了一种多任务代理辅助优化的点云配准方法。

2、本发明要解决的技术问题通过以下技术方案实现：

3、本发明提供一种多任务代理辅助优化的点云配准方法，包括：

4、根据不同的采样率，采用最远点采样算法对源点云模型和目标点云模型分别均采样k次，得到k个第一点云模型和k个第二点云模型；其中，k次采样时的采样率依次减小；每个第一点云模型和每个第二点云模型均具有旋转矩阵和平移向量；k为大于1的整数；

5、根据第i个第一点云模型和i个第二点云模型，构建第i个代理任务对应的子种群i，得到k个不同子种群；其中，所述第i个代理任务为所述第i个第一点云模型与所述i个第二点云模型的配准任务，所述第i个第一点云模型的旋转矩阵和平移向量，以及所述第i个第二点云模型的旋转矩阵和平移向量为所述子种群i中的两个不同个体；i为整数，且i的取值为1至k；

6、采用遗传算法对所述k个不同子种群进行迭代优化，得到目标个体；

7、基于所述目标个体，对所述源点云模型和目标点云模型进行配准。

8、与现有技术相比，本发明的有益效果：

9、本发明能够有效的处理点云配准问题中精度和速度之间的平衡，具体而言，首先，通过对待配准的源点云模型和目标点云模型进行多尺度的最远点采样，来获得多个点云配准问题的点云模型，可以在保持原始模型的原有特征的基础上，减少点的数量，从而降低计算复杂度和存储需求；接着，通过利用多尺度采样得到的多个不同的点云模型来建立不同的配准问题所对应的代理任务，弱化了针对不同配准问题所构建的代理任务之间的敏感关系；最后，通过采用遗传算法对构建的多代理任务的迭代优化，降低了源点云模型和目标点云模型之间的原始配准问题的复杂性，提高了得到的原配准问题的解的精度，有效实现了点云配准的速度和准确性之间的自适应权衡，提高了配准效果，降低了配准时间成本。

10、以下将结合附图及具体实施方式对本发明做进一步详细说明。