基于人工蜂群优化的异尺度点云数据三维重建方法技术

本发明专利技术公开了基于人工蜂群优化的异尺度点云数据三维重建方法，包括：步骤S1，获取异尺度点云数据；步骤S2，将尺度缩放因子引入欧式距离作为目标函数；步骤S3，通过人工蜂群优化目标函数，获取不同视角下的异尺度点云的配准；步骤S4，通过不同视角下的异尺度点云的配准进行三维模型重建。本发明专利技术解决异尺度点云配准的尺度缩放问题的同时提高了配准精准度。准的尺度缩放问题的同时提高了配准精准度。准的尺度缩放问题的同时提高了配准精准度。

【技术实现步骤摘要】
基于人工蜂群优化的异尺度点云数据三维重建方法


[0001]本专利技术涉及基于人工蜂群优化的异尺度点云数据三维重建方法

技术介绍

[0002]当前元宇宙概念兴起，VR虚拟现实技术也开始进入日常生活中，作为关键实现技术的三维重建也备受关注。同时自然资源部办公厅关于全面推进实景三维中国建设的通知中明确要求加快城市实景三维重建，点云配准算法的改进对于实景三维建设的国家方针也有重大意义。
[0003]但当前已有的异尺度点云配准方法在密度差不同，传感器噪声和离群异常值；不同捕获设备尺度变换导致的空间一致性问题和部分重叠三个方面均存在巨大改进提升空间。

技术实现思路

[0004]本专利技术的目的在于克服现有的缺陷而提供的基于人工蜂群优化的异尺度点云数据三维重建方法，解决异尺度点云配准的尺度缩放问题的同时提高了配准精准度。
[0005]实现上述目的的技术方案是：
[0006]基于人工蜂群优化的异尺度点云数据三维重建方法，包括：
[0007]步骤S1，获取异尺度点云数据；
[0008]步骤S2，将尺度缩放因子引入欧式距离作为目标函数；
[0009]步骤S3，通过人工蜂群优化目标函数，获取不同视角下的异尺度点云的配准；
[0010]步骤S4，通过不同视角下的异尺度点云的配准进行三维模型重建。
[0011]优选的，所述步骤S1中，在ASL Datasets Repository、The KITTI Vision Benchmark Suite以及清华校门数据集中获取异尺度点云数据。
[0012]优选的，所述步骤S2中，动态点云通过异尺度配准变换矩阵T与静态点云合并到统一坐标系下，异尺度配准变换矩阵T公式为：
[0013][0014]其中，s∈R1，为标量性质的尺度缩放因子，R∈R3×3，为空间旋转矩阵，为空间平移向量；
[0015]旋转矩阵R和绕Z,Y,X三个坐标轴的欧拉角{α,β,γ}之间的关系为：
[0016]R＝R
Z
(α)R
Y
(β)R
X
(γ)；
[0017]其中，
[0018][0019][0020][0021]平移向量和沿三个坐标轴平移量{t
x
,t
y
,t
z
}之间的关系为：
[0022][0023]优选的，所述步骤S2中，异尺度配准变换矩阵T由7个参数{s,α,β,γ,t
x
,t
y
,t
z
}共同决定，完全配准的情况下，P变换后的点云T(P)与Q对应点之间的距离为零，但实际配准中因测量误差、噪声无法达到理想值零，因此，寻求一个最优变换矩阵T使得T(P)与Q对应点之间的距离最小，具体公式为：
[0024][0025]其中，为一对对应点，通过K最邻近法搜索确定。
[0026]优选的，所述步骤S3中，人工蜂群优化在每一次迭代中都会进行全局和局部最优的搜索；
[0027]首先，随机初始化SN个食物源S，
[0028]S
ij
＝S
minj
+rand[0,1](S
maxj
‑
S
minj
)；
[0029]其中，i∈{1,2,...,SN}，j∈{1,2,...,d}，S
maxj
和S
minj
分别代表可行解在j维的上下边界，雇佣蜂需要对初始化后的可行解进行邻域搜索以确定是否需要放弃当前食物，邻域搜索公式为：
[0030][0031]其中，k∈{1,2,...,SN}，k≠i，j∈{1,2,...,d}，k和j随机选取，取[
‑
1,1]之间的随机数；邻域搜索的目标函数值小于原来的值，则用邻域搜索得来的可行解代替原解，否则保持不变，然后雇佣蜂分享信息给跟随蜂，
[0032][0033]进入跟随蜂阶段，蜂群根据概率p
i
选择食物源进行采蜜,选择的概率和食物的收益F
Obj
(S
j
)有关,选择好食物之后根据邻域搜索公式进行邻域搜索，保留最优解。
[0034]优选的，所述步骤S3中，通过人工蜂群优化的目标函数公式如下：
[0035][0036][0037]其中，尺度点云配准的参数分为尺度因子s，平移参数和旋转参数R三类，尺度因子s为标量值。
[0038]优选的，所述步骤S3包括：
[0039]步骤S31，随机初始化SN组解{s,α,β,γ,t
x
,t
y
,t
z
}，并求出各组解的目标函数值F
Obj
(T)；
[0040]步骤S32，雇佣蜂阶段：雇佣蜂对各组初始食物源进行邻域搜索，计算邻域搜索食物源的目标函数值，比较初始食物源与邻域食物源的目标函数值，保留较优食物源，统计食物源更新状况，确定当前食物的分享概率；
[0041]步骤S33，跟随蜂阶段：跟随蜂通过分享概率选择待更新的食物，对所选食物进行邻域搜索，计算邻域搜索食物源的目标函数值，比较邻域搜索食物源与所述步骤S32中食物源的目标函数值，保留较优食物源，并统计食物源更新状况；
[0042]步骤S34，侦查蜂阶段：若食物源被搜索次数到达设置的控制参数Limit次后未更新，则放弃该食物，侦查蜂返回所述步骤S1，产生新的食物源，直至达到条件后，输出最优个体T
result
，即完成了异尺度点云的配准。
[0043]本专利技术的有益效果是：本专利技术通过引入尺度缩放因子，与三维旋转、平移参数共同作为配准待求变量，解决了异尺度点云配准的尺度缩放问题；进而提出改进欧氏距离的目标函数，消除尺度缩放因子带来的误差；最后使用人工蜂群优化方法对目标函数进行优化求解，得到有效实现异尺度点云配准的7个配准参数，本专利技术的异尺度点云配准充分利用了仿生智能优化算法的全局优化能力，有效提升了点云配准的精度。
附图说明
[0044]图1是本专利技术基于人工蜂群优化的异尺度点云数据三维重建方法的流程图；
[0045]图2是本专利技术通过人工蜂群优化目标函数的流程图。
具体实施方式
[0046]下面将结合附图对本专利技术的技术方案进行清楚、完整地描述。在本专利技术的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相正对地重要性。
[0047]下面将结合附图对本专利技术作进一步说明。
[0048]如图1所示，基于人工蜂群优化的异尺度点云数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人工蜂群优化的异尺度点云数据三维重建方法，其特征在于，包括：步骤S1，获取异尺度点云数据；步骤S2，将尺度缩放因子引入欧式距离作为目标函数；步骤S3，通过人工蜂群优化目标函数，获取不同视角下的异尺度点云的配准；步骤S4，通过不同视角下的异尺度点云的配准进行三维模型重建。2.根据权利要求1所述的基于人工蜂群优化的异尺度点云数据三维重建方法，其特征在于，所述步骤S1中，在ASL Datasets Repository、The KITTI Vision Benchmark Suite以及清华校门数据集中获取异尺度点云数据。3.根据权利要求1所述的基于人工蜂群优化的异尺度点云数据三维重建方法，其特征在于，所述步骤S2中，动态点云通过异尺度配准变换矩阵T与静态点云合并到统一坐标系下，异尺度配准变换矩阵T公式为：其中，s∈R1，为标量性质的尺度缩放因子，R∈R3×3，为空间旋转矩阵为空间平移向量；旋转矩阵R和绕Z,Y,X三个坐标轴的欧拉角{α,β,γ}之间的关系为：R＝R
Z
(α)R
Y
(β)R
X
(γ)；其中，其中，其中，平移向量和沿三个坐标轴平移量{t
x
,t
y
,t
z
}之间的关系为：4.根据权利要求3所述的基于人工蜂群优化的异尺度点云数据三维重建方法，其特征在于，所述步骤S2中，异尺度配准变换矩阵T由7个参数{s，α，β，γ，t
x
，t
y
，t
z
)共同决定，完全配准的情况下，P变换后的点云T(P)与Q对应点之间的距离为零，但实际配准中因测量误差、噪声无法达到理想值零，因此，寻求一个最优变换矩阵T使得T(P)与Q对应点之间的距离最小，具体公式为：其中，为一对对应点，通过K最邻近法搜索确定。
5.根据权利要求4所述的基于人工蜂群优化的异尺度点云数据三维重建方法，其特征在于，所述步骤S3中，人工蜂群优化在每一次迭代中都会进行全局和局部最优的搜索；首先，随机初始化SN个食物源S，S
ij
＝S
min j
+rand[0，1](S
max j
‑
S
mi...

【专利技术属性】
技术研发人员：刘培晟，朱思龙，刘兆瑞，王子阳，高心丹，
申请(专利权)人：东北林业大学，
类型：发明
国别省市：