摘要
传统的迭代最近点(Iterative Closest Point,ICP)算法对点云配准产生初始位置敏感,易陷入局部最优,采用群智能优化算法可以有效解决这一问题,但同时会带来计算量较大、搜索效率不高的问题.为此,该文提出了一种二阶振荡的人工蜂群算法点云配准方法,通过对输入点云的均匀采样,并基于邻域半径约束的固有形状特征点(Intrinsic Shape Signature,ISS)提取简化点云,通过改进的二阶振荡人工蜂群算法完成对点云较好的初始配准,得到空间变换矩阵参数.最后通过近邻搜索法(k-Dimension tree,k-d tree)加速对应点查找,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和场景数据进行的配准实验表明,相比传统的配准方法和改进的群智能优化策略,该算法抗噪性好,配准精度高,鲁棒性强.
基金项目
江苏省高校"青蓝工程"中青年学术带头人项目(QLDT2021)
江苏省社科应用研究精品工程课题(22SYB-117)
科研创新团队资助项目(2021KYTD04)
国家科技期刊平台
NSTL
维普
万方数据