进化点云拼接技术的优化加速方法研究

发布时间：2020-04-06 02:00

【摘要】：随着三维点云采集设备的不断发展,三维点云数据已成为机器视觉领域内的重要数据形式。由于视场限制和物体形貌的遮挡,很难一次获得物体的全部三维点云信息,需要通过多次变换视角进行点云采集,再将点云数据统一到同一坐标系下,从而完整描述被测物体。因此,精确、高效和鲁棒的点云拼接算法是三维成像领域的一个研究热点。在点云拼接算法中,进化点云拼接算法是一种新兴的精度较高,对初始位置不敏感的拼接算法。但该类算法拼接耗时往往较长,影响了其在工程领域的实际应用。因此,本文围绕该类算法的加速策略,开展了以下研究:1.研究了目前主流的点云拼接技术,包括多种粗拼接算法、经典ICP类精确拼接算法以及两种典型的ICP改进算法、进化点云拼接算法等;并对这些算法进行了对比、分析,指出了各种算法的适用条件、局限性及改进方向。2.针对进化拼接算法中,拼接算法收敛精度远高于模型分辨率而造成的过度开发问题,提出一种基于哈希表和飞蛾火焰的进化拼接算法。所提算法利用哈希表的快速插入查找功能缓存目标函数值,避免进化群体的过度开发和重复搜索;在飞蛾火焰算法中引入新的搜索方程和重启动机制来平衡其探索和开发性能;最后利用改进的飞蛾火焰算法优化求解空间最优变换。通过与多种最新的进化拼接算法进行对比实验,验证了所提算法能够有效缩短运算时间。3.针对现有进化点云拼接算法未使用点云色彩信息这一局限性,提出一种基于色彩信息的自适应进化点云拼接算法。使用随机采样与色彩特征点相结合的方式对输入点云进行采样,以包含色彩约束的点对距离中值为目标函数,利用自适应进化算法求解两片点云间的最优空间变换,实现三维点云数据的有效拼接。4幅彩色点云的拼接实验结果表明,与仅使用空间信息的自适应进化点云拼接算法和其他两种较新的进化拼接算法相比,所提算法在保证同等拼接精度的情况下,能够有效缩短拼接时间。
【图文】：

解空间,旋转角

图 2-3 旋转角解空间和平移变量解空间[23]空间上下界的计算述分支限界法的流程可以看出，解空间的下界直接决定了是否间，而解空间上界则用来不断更新全局上界UB，因此，如何界是 GoICP 的核心部分。下面给出 GoICP 中的上下界算法，对，其误差值的上界E 可以表示为：20 01( , )PNiiE e r t 0t 表示当前解空间的中心所表示的旋转和平移变换，0 0( , )ie r t 表i个点经过0r 和0t 变换后距离目标点云中最近点的距离。算一个解空间的目标函数下界时，首先给出源点云中每个点ip 点距离ie 的下界ie ，为：0 0max( ( , ) ,0)i i ri te e r t 和t 分别表示点ip 处的旋转参数不确定度和平移参数的不确定于不同点的位置，而则对所有点均相同。其计算公式可以表

对比图,对比图,平均目标,拼接算法

图 4-4 实验二中TE 数据的对比图-7 所示，Chow’s GA 与其他三种算法相比，TE 最大且成 Falco’s DE、HMFO 三种算法均拥有较高的拼接成功率，。但是 HMFO 的和T 更短，可以看出，HMFO 的 vO 的 50%到 70%。较了每种算法的收敛速度，下面比较 SaEvO、De Falco’的拼接算法的收敛精度，Chow’s GA 由于性能较弱，因此间断运行 60 秒，，结果记录 30 次运行中成功时的平均目标果如表 4-8 所示。表 4-8 实验二结果数据型拼接算法 NOST(次) 平均目标函数值ele SaEvO 29 0.0663De Falco’s DE 27 0.0659HMFO 30 0.0674ird SaEvO 26 0.0959De Falco’s DE 24 0.0964
【学位授予单位】：天津大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41

【参考文献】