基于重选点策略和人工蜂群优化的三维图像配准方法技术

本发明专利技术公开基于重选点策略和人工蜂群优化的三维图像配准方法，包括：(1)对动态点云采样，得到采样点集；(2)产生一定数量蜂群，初始化蜂群个体的位置；(3)确定每个蜜蜂的欧式变换矩，根据欧式变换矩阵对采样点集进行位置变换；(3)由欧式变换矩对采样点集进行变换并计算目标函数值；(5)比较最优目标函数值的变化量，若连续多次小于阈值，则重选点操作，得到新采样点集，否则进入步骤(6)；(6)若达到最大进化代数，进入步骤(7)，否则返回步骤(3)；(7)由种群的最优解得到最优的欧式变换矩；并移动动态点云，完成图像配准。本方法将重选点策略引入采样过程，结合蜂群算法，有效降低了图像配准完成的时间，提高了性能。

【技术实现步骤摘要】
基于重选点策略和人工蜂群优化的三维图像配准方法
本专利技术涉及三维图像配准
，尤其涉及一种基于重选点策略和人工蜂群优化的三维图像配准方法。
技术介绍
三维成像是指由多传感器在不同视角采集三维物体深度图像数据，并形成被测物体的三维完整形貌的过程。三维图像配准(IR)是三维成像领域的关键技术，其任务是找到三维空间的最优变换，将多传感器采集到的多片深度图像统一到同一坐标系下，最终恢复出完整的三维物体。目前为了提高三维图像配准的速度及精度，结合仿生智能优化算法进行配准的方法成为了国内外研究热点。其中主要改进是针对图像配准的各个阶段提出相应的策略，或通过在仿生智能优化算法中引入一些学习机制与变异算子等来有效提高算法的全局收敛能力和求解精度，进而得到高精度的图像配准算法。然而，很多改进策略在提高了配准算法的全局收敛能力和求解精度的同时，却额外增加了计算复杂度，从而影响了算法的实际工程应用效果，降低了配准完成的时间。
技术实现思路
为了解决上述问题，本专利技术旨在提供一种基于重选点策略和人工蜂群优化的三维图像配准方法(称为EBABC-RS-IR法)。该方法将一种重选点策略引入配准过程中的采样阶段，并在人工蜂群算法的求解过程中，通过加入一个开发性能更强的搜索方程与算法原有方程进行交叉搜索，对算法的搜索过程进行优化和改进，从而更加有效地协调了算法的开发能力和探索能力。该方法在保证配准结果高精度的前提下大幅缩减了配准完成的时间，且改进原理简单易于理解，具有良好的可执行性。为实现上述目的，本专利技术采用如下技术方案：一种基于重选点策略和人工蜂群优化的三维图像配准方法，包括步骤：步骤1，在动态点云中利用等间距随机选点方法得到用于配准的采样点集；步骤2，随机产生一定数量的蜂群，初始化蜂群个体的位置；步骤3，蜜蜂根据当前找到的蜜源位置确定各自的欧式变换矩阵，根据欧式变换矩阵对采样点集进行位置变换；步骤4，针对所有蜜源，利用Kd-tree算法找到变换位置后的采样点集在静态点云中各自的对应点，计算所有对应点的欧式距离中值作为目标函数值，计算得到最优蜜源位置及其对应的最优目标函数值；步骤5，比较前后两代最优目标函数值，如果变化量连续多次小于设定值，则在动态点云中进行重选点操作，得新的采样点集；否则，进入步骤6；步骤6，若达到最大进化代数，则进入步骤7；否则，返回步骤3；步骤7，根据当前最优蜜源，得到最优的欧式变换矩阵，根据最优的欧式变换矩阵移动动态点云，完成图像配准。所述步骤1、5中，在动态点云中得到采样点集的公式为：N为动态点云中点的数目，为[0,1]之间的随机数，H为采样点的数目，round为四舍五入取整函数，fix为舍弃小数部分向下取整函数，Dk表示采样点集中的第k个点。步骤3中，在采蜜蜂阶段和观察蜂阶段，分别通过选择概率cr交叉使用EABC算法原搜索方程与新搜索方程进行交替搜索，查找蜜源位置；该新搜索方程为：Vi,j＝Xbest,j+ξ(aXr1,j-bXr2,j)所述EABC算法原搜索方程如下：Vi,j＝Xr1,j+α(Xbest,j-Xr1,j)+β(Xr1,j-Xbest,j)式中，Vi,j表示第i个引领蜂寻找到的新蜜源位置的第j维分量；Xbest为当前群体搜索到的最优蜜源位置，ξ为[-1,1]之间的随机数，a和b为常数；r1≠r2≠i是从集合{1,2,...NP}中随机选择的整数，NP为蜜源数量，j∈{1,2,...D}中的一个随机选择的整数；Xbest,j表示当前群体搜索到的位于第j维分量的最优蜜源位置，Xr1,j，Xr2，j分别表示位于第r1，r2个蜜源的第j维分量；α是[0,A]之间的一个随机数，β为rand*B，B是一个均值为μ，标准差为δ的高斯分布数；当rand小于选择概率cr，使用新搜索方程，否则采用EABC算法原搜索方程；其中，rand为一个介于0、1之间的通过交叉操作而产生一个随机数，通过与选择概率cr相比较，而实现交替搜索。本专利技术有益效果如下：(1)针对图像配准的采样阶段提出了基于等间距选点法的重选点策略，由于减少了采样点数，使得计算量得以简化；且在配准过程中，增强了采样点集对动态点云的遍历性及点集深度信息的利用率，从而保证了配准的精度。(2)通过在采蜜蜂阶段和观察蜂阶段引入一围绕群体最优解附近进行密集搜索的新搜索方程，与算法中的原搜索方程进行交替搜索以保证既进一步提高了算法的开发能力，而又不破坏其原本具有的良好探索性能及平衡能力。(3)物理意义明确，算法研究无须进行复杂的公式推导，原理易于理解，方便实现。附图说明图1为本专利技术方法中加入重选点策略的点云配准方法简化逻辑流程图；图2a-2b，2c-2d，2e-2f，2g-2h分别为常用于图像配准算法测试的四种主流模型tele，bird，angel，bunny的0度视角和40度视角的模型；图3a-3d分别为四种tele，bird，angel，bunny主流模型配准结果误差值低于表1中参考误差值时，所能达到的高精度配准效果；图4a-4d分别为各模型配准算法的性能比较示意图；图5a-5b分别是各配准算对于四个主流模型的平均配准时间的折线图，以及四个模型的平均配准时间给出的各种配准算法对于四个主流模型的平均性能的条形图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。本专利技术基于重选点策略和人工蜂群优化的三维图像配准方法，包括：步骤1在动态点云中利用等间距随机选点方法选出，如H＝100个点，得到用于配准的采样点集；步骤2随机产生数量为2NP的蜂群，分为采蜜蜂和观察蜂，并在规定的解空间内，初始化蜂群个体的位置，生成NP个蜜源，计算出每个蜜源对应的蜜量；步骤3蜜蜂通过交替搜索方法对蜜源进行搜索，根据当前找到的蜜源位置确定各自的欧式变换矩阵T，根据各自的欧式变换矩阵T对采样点集进行位置变换；交替搜索方法中的新搜索方程为：Vi,j＝Xbest,j+ξ(aXr1,j-bXr2,j)；式中，Vi,j表示第i个引领蜂寻找到的新蜜源位置的第j维分量；Xbest为当前群体搜索到的最优蜜源位置；ξ为[-1,1]之间的随机数，a和b为常数；r1≠r2≠i是从集合{1,2,...NP}中随机选择的整数；j∈{1,2,...D}中的一个随机选择的整数，D为整数；在采蜜蜂和观察蜂阶段，通过选择概率cr交叉使用原EABC算法搜索方程及和引入的新搜索方程进行交替搜索。蜂群更新蜜源位置的交替搜索的伪代码如下所示，其中α是[0,A]之间的一个随机数，β为rand*B，B是一个均值为μ，标准差为δ的高斯分布数；rand为一个介于0、1之间通过交叉操作而产生的随机数，其通过与选择概率cr相比较，而实现交替搜索。步骤4针对所有蜜源，利用Kd-tree算法找到变换位置后的采样点集在静态点云中各自的对应点，计算所有对应点的欧式距离中值作为目标函数值；从而得到最优蜜源位置及其对应的最优目标函数值；比较前后两代最优目标函数值，如果其变化量连续10次(该次数可以根据情况来设定不同的数值)小于设定值，则进行重选点操作，利用同样的等间距选点法选取H＝100个点得到新的采样点集。否则，直接进入步骤6；步骤6如果已经达到设定的最大进化代数，如本文档来自技高网...

【技术保护点】
1.基于重选点策略和人工蜂群优化的三维图像配准方法，其特征在于，包括步骤：步骤1，在动态点云中利用等间距随机选点方法得到用于配准的采样点集；步骤2，随机产生一定数量的蜂群，初始化蜂群个体的位置；步骤3，蜜蜂根据当前找到的蜜源位置确定各自的欧式变换矩阵，根据欧式变换矩阵对采样点集进行位置变换；步骤4，针对所有蜜源，利用Kd‑tree算法找到变换位置后的采样点集在静态点云中各自的对应点，计算所有对应点的欧式距离中值作为目标函数值，计算得到最优蜜源位置及其对应的最优目标函数值；步骤5，比较前后两代最优目标函数值，如果变化量连续多次小于设定值，则在动态点云中进行重选点操作，得新的采样点集；否则，进入步骤6；步骤6，若达到最大进化代数，则进入步骤7；否则，返回步骤3；步骤7，根据当前最优蜜源，得到最优的欧式变换矩阵，根据最优的欧式变换矩阵移动动态点云，完成图像配准。

【技术特征摘要】
1.基于重选点策略和人工蜂群优化的三维图像配准方法，其特征在于，包括步骤：步骤1，在动态点云中利用等间距随机选点方法得到用于配准的采样点集；步骤2，随机产生一定数量的蜂群，初始化蜂群个体的位置；步骤3，蜜蜂根据当前找到的蜜源位置确定各自的欧式变换矩阵，根据欧式变换矩阵对采样点集进行位置变换；步骤4，针对所有蜜源，利用Kd-tree算法找到变换位置后的采样点集在静态点云中各自的对应点，计算所有对应点的欧式距离中值作为目标函数值，计算得到最优蜜源位置及其对应的最优目标函数值；步骤5，比较前后两代最优目标函数值，如果变化量连续多次小于设定值，则在动态点云中进行重选点操作，得新的采样点集；否则，进入步骤6；步骤6，若达到最大进化代数，则进入步骤7；否则，返回步骤3；步骤7，根据当前最优蜜源，得到最优的欧式变换矩阵，根据最优的欧式变换矩阵移动动态点云，完成图像配准。2.如权利要求1所述基于重选点策略和人工蜂群优化的三维图像配准方法，其特征在于，步骤1、5中，在动态点云中得到采样点集的公式为：式中，N为动态点云中点的数目，为[0,1]之间的随机数，H为采样点的数目，round为四舍五入取整函数，fix为舍弃小数部分向下取整函数，Dk表示采样点集中的第k个点。3.如权...

【专利技术属性】
技术研发人员：陈雷，邝文岳，
申请(专利权)人：天津商业大学，
类型：发明
国别省市：天津,12