基于布谷鸟优化的三维点云配准算法

被引：15

作者：

马卫 ^{[1
,2
]}

机构：

[1] 南京大学计算机软件新技术国家重点实验室

[2] 南京旅游职业学院酒店管理学院

来源：

计算机应用与软件 | 2020年 / 37卷 / 12期

关键词：

布谷鸟算法; 全局优化; 点云配准; 粗精配准; ICP算法;

D O I：

暂无

中图分类号：

TP18 [人工智能理论]; TP391.7 [机器辅助技术];

学科分类号：

140102 [集成电路设计与设计自动化]; 140502 [人工智能];

摘要：

针对ICP算法在点云配准时存在对初始位置敏感、易陷入局部最优的缺陷,提出一种基于布谷鸟优化算法的点云配准方法。对输入点云的均匀采样,并基于领域半径约束的固有形状特征点(Intrinsic Shape Signature, ISS)提取进一步简化点云。通过布谷鸟算法莱维飞行全局搜索更新策略完成对点云较好的初始配准,得到空间变换矩阵参数。利用k-D树(k-Dimension tree)近邻搜索方法加快对应点的搜索速度,以提高点云ICP精细配准的效率。通过对不同初始位置的点云库模型进行配准实验,结果表明该算法能有效克服ICP算法的缺陷,其全局搜索性能与寻优精度更具优势,抗噪性好,配准精度高,鲁棒性强。

引用

页码：216 / 223+272 +272

页数：9

共 18 条

[1]

基于熵准则遗传算法的点云配准算法 [J].

陈杰 ;

蔡勇 ;

张建生 .

计算机应用研究, 2019, 36 (01) :316-320

[2]

采用搜索趋化策略的布谷鸟全局优化算法 [J].

马卫 ;

孙正兴 .

电子学报, 2015, 43 (12) :2429-2439

[3]

Using extended measurements and scene merging for efficient and robust point cloud registration.[J].Jacopo Serafin;Giorgio Grisetti.Robotics and Autonomous Systems.2017,

[4]

A GMM based uncertainty model for point clouds registration.[J].Qianshan Li;Rong Xiong;Teresa Vidal-Calleja.Robotics and Autonomous Systems.2017,

[5]

A fast and robust local descriptor for 3D point cloud registration.[J].Jiaqi Yang;Zhiguo Cao;Qian Zhang.Information Sciences.2016,

[6]

Feature Matching with Bounded Distortion [J].