摘要(Abstract)：
为了提高三维点云配准的性能,采用基于分层粒子群优化的迭代最近点算法来完成点云配准;首先将源点云作为粒子群粒子,将粒子分成多个子群,然后以点云的曲率为适应度值,分别求解子群适应度值和全局粒子适应度值,并将子群适应度值、全局粒子适应度值和粒子当前速度三者结合,共同搜寻最优粒子,以得到能够精确表达点云结构的特征点,最后采用迭代最近点算法对特征点进行配准。仿真结果表明,通过合理设置粒子速度权重和子群规模,相对于标准迭代最近点算法,分层粒子群优化算法的三维点云配准效率提升显著,配准均方误差略有减小。
关键词(KeyWords)： 分层粒子群;三维点云;点云配准;迭代最近点算法;均方误差
基金项目(Foundation): 国家自然科学基金项目(61961036);; 广西科技重大专项(桂科AA18118036);; 广西高校中青年教师科研基础能力提升项目(2019KY0680,2019KY0677)
作者(Author): 黄筱佟,温佩芝,萧华鹏,贺杰,邸臻炜
DOI: 10.13349/j.cnki.jdxbn.20210127.001
参考文献(References)：
[1] 赵夫群，周明全，耿国华.基于局部特征的点云配准算法[J].图学学报，2018,39(3):389-394.
[2] 程俊廷，郭博洋，卢建军.海量三维扫描点云数据预处理方法[J].电子技术与软件工程，2018(11):189-190.
[3] 姜晓通，戴宁，程筱胜，等.二进制编码八叉树的海量点云邻域快速搜索算法[J].计算机辅助设计与图形学学报，2018,30(5):824-832.
[4] 陈杰，蔡勇，张建生.基于熵准则遗传算法的点云配准算法[J].计算机应用研究，2019,36(1):316-320.
[5] LI P,WANG R S,WANG Y X,et al.Evaluation of the ICP algorithm in 3D point cloud registration[J].IEEE Access,2020,22(8):68030-68048.
[6] 王勇，邹辉，何养明，等.多分辨率配准点的ICP算法[J].小型微型计算机系统，2018,39(3):406-410.
[7] LEE J,LEE M,KANG S S,et al.Real-time 3D pose estimation of small ring-shaped bin-picking objects using deep learning and ICP algorithm[J].Journal of Institute of Control,2019,25(9):760-769.
[8] XIONG L,WU L Y,CUI W T,et al.Robust non-rigid registration based on affine ICP algorithm and part-based method[J].Neural Processing Letters,2018,48(3):1305-1321.
[9] 石爱军，白瑞林，田青华，等.遗传算法结合自适应阈值约束的ICP算法[J].光学技术，2018,44(1):63-68.
[10] 韩磊，陈宇，王春阳，等.一种自适应点云特征点提取算法[J].现代计算机，2018(11):46-50.
[11] 范君，王新，徐慧.粒子群优化混合核极限学习机的构造煤厚度预测方法[J].计算机应用，2018,38(6):1800-1825,1830.
[12] 朱庆保，徐晓晴，朱世娟.一种新的求解动态连续优化的分层粒子群算法[J].控制与决策，2013,28(10):1573-1577.
[13] 安无恙，吕柏权，李嫽.基于分层型的改进粒子群优化算法[J].自动化与仪表，2018,33(7):19-24.
[14] 马翠，周先东，杨大地.分层粒子群优化算法[J].计算机工程，2009,35(20):194-196.
[15] 陆卫刚，周治平.面向增强现实的点云配准算法[J].激光与光电子学进展，2019,56(19):192803.
