CN108320293A - 一种结合改进粒子群算法的快速点云边界提取技术 - Google Patents

Abstract

本发明公开了一种结合改进粒子群算法的快速点云边界提取方法。获取点云数据，建立拓扑关系做平滑处理；利用改进粒子群算法选出所有局部结构的最优特征点，通过随机抽样一致性RANSAC保留N个最优特征点，返回最优模型；通过点云数据点k邻域内点分布的均匀程度找出最优模型中所有边界特征点，完成边界提取。与传统点云边界提取方法相比，该提取方法减少了点云边界提取的计算量，效率较高。由于引入了惯性权重，可控制前一速度对当前速度的影响。通过调整惯性权重子的大小,可以避免群体陷入局部最优点，提高计算精度，有效逼近真实物体边界效果更好。

Description

一种结合改进粒子群算法的快速点云边界提取技术

技术领域

本发明涉及一种点云模型的边界提取技术，具体涉及在边界提取过程中，采用改进粒子群算法结合随机采样算法(RANSAC)，快速、准确地提取边缘轮廓，属于点云处理技术领域。

背景技术

现实生活中绝大部分物体表面的空间分布没有规律，各个数据点之间拓扑关系不明确，得到的点云数据散乱无序，因而必须先对点云进行处理以得到有用的信息。由于点云边界包含表达曲面特征和孔洞特征所需的重要信息，边界提取的快速准确与否直接影响点云后续处理的效果。如何能够快速、准确、有效地提取散乱点云的边界成为了目前的研究热点。国内外许多专家学者对点云的边界提取技术进行了探讨和研究。Emelyanov等以采用贪心策略生成的三角网格为依据来判断采样点是否边界点，但三角化过程中可能产生四面体，该算法需要检测是否存在四面体，计算量较大，所需要消耗的内存也比较多。MilroyM和Yang采用求解曲率极值的技术来提取边界，该技术能够有效提取得到曲率变化比较小也就是表面比较光滑平坦的点云模型的边界点，但是对于曲率变化较大的点云模型则效果不佳； Orriols等将最小二乘法应用到边界特征提取中，但是该算法提取边界的精度不高；Bendels 等利用最小生成树检测点云边界特征点，但在完整提取边界线方面还需要进一步完善。张献颖等首先建立三角网格，通过判断采样点的邻接点通过网格边闭合曲线与否来识别点云边界,但建立三角网格复杂度较高。刘立强等根据点云的几何分布特性，通过计算重心点距与最远点距的大小进行边界提取，得到的计算精度效果不佳。如何提高计算速度与精度成为了提取点云边界的关键。

近年来，随着群智能(SwarmIntelligence)技术得到了快速的发展，群体趋优行为可以快速地求解复杂优化问题，其中粒子群优化算法已被确认是一种高效、简单的全局优化算法，对于各类复杂优化问题，均能有效地收敛到其全局最优解。目前，粒子群算法已在多峰值函数优化、多目标优化和约束优化等方面取得了很好的效果。粒子群优化(PSO)算法源于对鸟群捕食行为的研究，并从这种模型中得到启示来用于解决优化问题，是一种基于社会群体行为的新型演化计算技术。在粒子群优化算法中，所有的粒子在搜索空间中都是一个潜在的解，它们各自以一定的速率飞行，穿过多维搜索空间，最终查找到最优解。粒子群优化算法的优点是简单、性能稳定且效率高，并且只有少量几个参数需要进行调整。因此，提出种结合改进粒子群算法的快速点云边界提取技术，改进计算速度的同时有效避免陷入局部极小值，在配准的精度方面也有所改善。

发明内容

针对背景技术的不足，本发明提供了一种结合改进粒子群算法的快速点云边界提取技术，提高点云边界提取的计算精度与速度。

本发明采用如下技术方案：

一种结合改进粒子群算法的快速点云边界提取技术，其主要步骤(如图1)包括点云数据的获取与处理、过滤与表面重建、平面分割与边界提取，具体如下：

步骤1：通过kinect、雷达、三维激光扫描等测量设备获取点云数据，并建立离散点间的拓扑关系，实现基于邻域关系的快速查找；构建八叉树结构，对给定点云数据进行采样；

步骤2：由于通过测量设备获取的原始数据往往带有噪声，在进行边界提取之前需要对数据点集先进行平滑处理，有利于提高平面分割和边界提取的效率；采用3次均值滤波作为平滑滤波3次均值滤波将采样点的值取为滤波窗口内各数据点的统计平均值的3次卷积，从而实现点云数据的平滑，相应滤波函数的表达式为

F(x,y,z)＝(B(x)B(y)B(z))^*3

其中x、y、z为数据点的三维坐标，F(x,y,z)为滤波函数，γ为待滤波点，B(γ)为均值滤波表达式；

通过测量得到点云数据不仅带有噪声还极大可能伴有表面空洞与测量误差，离群值问题等，则通过所有点进行迭代，通过插值数据猜测原始表面；

步骤3：在提取点云模型边界前，将感兴趣的模型分割提取；由于周围环境会有大量的平面区域，在点云中出现的概率很高，因此，需基于平面特征研究三维点云信息的场景分割，利用改进粒子群算法过程如图2所示，首先选取种子点确定平面参数初值，利用改进粒子群算法先选择；改进的粒子群算法是结合树状拓扑结构的逐级迭代寻优算法；粒子的邻居由父节点和它的子节点构成；受节点尤其是子节点的影响，随着迭代次数增加，粒子不断进行动态变化，同时构建的拓扑结构增加了最优子节点；因而粒子的飞行方向就由局部最优、全局最优和叶子节点最优共同调整；迭代公式为：

P_i(t+1)＝P_i(t)+V_i(t)

V_i(t+1)为粒子i在t+1时刻的速度；w称为惯性权重，其大小决定了对粒子当前速度继承的多少；V_i(t)为粒子i在t时刻的速度；γ₁表示每个粒子靠向全局最优位置的加速权重；γ₂表示每个粒子靠向个体最优位置的加速权重；γ₃表示每个粒子靠向最佳叶节点的加速权重；R₁、R₂与R₃是介于(0,1)之间的随机数常量，服从(0,1)上的均匀分布；为全局最优位置，具体指整个群体中目前具有最佳适应度粒子的位置；P_i(t)为粒子i在t时刻的位置；为个体最优位置，指每一个粒子迄今为止所经历的最佳位置，即具有最佳适应度时所处的位置；为最佳叶节点的适应值；P_i(t+1)为粒子i在t+1时刻的位置；其中系数γ₁、γ₂与γ₃也被称为学习因子，该学习因子使得粒子具有自我总结和向群体中优秀个体学习的能力，从而向种群内或邻域内最优点靠近；粒子群不断调整的过程如下：

a.初始化三维点集Q，设Q＝Q_α,β＝(x_α,β,y_α,β,z_α,β)(α＝0,…,p；β＝0,…,q)，其中α、β分别表示三维数据点矩阵的行序号和列序号，p、q分别表示为点矩阵行序号与列序号最大值； x、y、z为数据点的三维坐标；

b.将所有粒子初始化为某个范围内的均匀分布随机值，这个范围由被计算的数据点情况决定，每一个粒子都包含了位置向量和速度向量；w的取值在整个搜索过程中呈随机动态变化，阈值为[0.4,0.9]；通常γ₁、γ₂与γ₃的取值范围为(0,4)；R₁、R₂和R₃为(0,1)间服从均匀分布的随机数，通过随机函数生成；

c.计算每个粒子的适应度值；

d.将粒子进行编号分组，比较同组的叶子节点，记录最优叶子节点位置；

e.当前组最优叶子节点值与当前个体最优值比较：如果当前的结果是比个体最优值好，设置个体最优位置等于当前位置值；

f.找到个体最优的最小值与全局最优值比较：如果当前最小值小于全局最优值，设置全局最优值等于当前最小值，全局最优值的位置等于个体最优值的位置；

g.如果全局最优最小值小于规定的阈值，计算将被终止，否则更新迭代公式V_i(t+1)、 P_i(t+1)中描述的位置和速度；

h.重复上述步骤，直到达到终止条件；

对每个局部结构利用改进的粒子群算法选出最优的特征点，通过随机抽样一致性(RANSAC)进行模型参数估算，保留N个最优的特征点，返回最优的模型，最后将匹配的结果进行整合；RANSAC算法重复以下两个步骤进行迭代：

a.输入待测数据集；

b.该算法检查其全部数据集的元素与从第一步骤中获得的估计的模型参数实例化的模型一致性；如果一个数据元素与拟合模型的模型参数估计的误差阈值超过了最大偏差，将被视为异常值；种子点确定之后，利用最小二乘法拟合点所在平面，设平面方程在空间中的表达形式为：

Ax+By+Cz+D＝0

其中A、B、C分别表示x、y、z的对应的平面方程系数，D为平面方程的常量系数；

根据评价函数E估计平面是否满足：

其中：d_i为种子点到平面的距离，为距离平均均值，T_th表示设定的最大偏差计算公式为：

初步获得平面模型[A,B,C,D]后，要找出数据集合中该模型的其他剩余点是否属于平面进行判定；若点到平面的距离d_i＝0，则其在平面上；

步骤4：进行边界提取，利用点云数据点k邻域内点分布的均匀程度来判断边界特征点；设定阈值，超过阈值为边界特征点，反之则是内部点；计算点与其k个近邻点组成的向量之间的夹角，然后个夹角进行排序，计算连续夹角间的最大差值，将这个差值与设置的阈值进行比较，若大于则该点就为边界点，否则不是；如图3所示，将点S与其k邻域点投影到最小二乘平面上；设k邻域点为M_j(j∈[0,k-1])，SM_j为基准向量；取k邻域点任意点 M_i(i∈[0,k-1],i≠j)，作其对应向量SM_i；计算二者之间的夹角ε_i(ε_i∈[0,π])，同时计算对应叉积向量n_i＝SM_i×SM_j；若n_i·n_j＜0，ε_i＝ε_i+π；若n_i·n_j＞0，则ε_i不变；另s＝(ε₀,ε₁,…,ε_k-1)，并由大到小排序；加入两个极值后得到新的序s＝(0,ε₀',ε₁',…,ε_k-1',2π)，求相邻线段间的夹角 L_i(i∈[0,k])，令最大值为L_max，若L_max超过阈值，则点S为边界特征点；找出所有边界特征点，完成边界提取。

有益效果

(1)对每个局部结构利用改进的粒子群算法选出最优的特征点，通过随机抽样一致性 (RANSAC)进行模型参数估算，保留N个最优的特征点，返回最优的模型，最后将匹配的结果进行整合，大大减少了计算量，节省了时间和成本。

(2)改进的粒子群算法这一人工智能技术的引入不仅减少了点云边界提取的计算量，由于引入了惯性权重，可控制前一速度对当前速度的影响。惯性权重较大时,前一速度的影响较大,全局搜索能力较强，而当其变小时,前一速度对当前速度的影响较小,这时的局部搜索能力较强。通过调整惯性权重子的大小,可以避免群体陷入局部最优点，提高计算精度。

(3)与传统点云边界提取技术相比，更加有效逼近真实物体边界模型；同时，改进后的点云边界提取技术性能稳定，效率较高。

附图说明

图1是点云提取系统框图；

图2基于平面特征进行模型分割框图；

图3 k邻域点分布图。

具体实施方式

以下结合附图详细描述本发明技术方案。

一种结合改进粒子群算法的快速点云边界提取技术，包括点云数据的获取与处理、过滤与表面重建、平面分割与边界提取，如图1所示，具体如下：

步骤1：通过kinect、雷达、三维激光扫描等测量设备获取点云数据，并建立离散点间的拓扑关系，实现基于邻域关系的快速查找。构建八叉树结构，对给定点云数据进行采样；

步骤2：由于通过测量设备获取的原始数据往往带有噪声，在进行边界提取之前需要对数据点集先进行平滑处理，有利于提高平面分割和边界提取的效率；采用3次均值滤波作为平滑滤波3次均值滤波将采样点的值取为滤波窗口内各数据点的统计平均值的3 次卷积，从而实现点云数据的平滑，相应滤波函数的表达式为

F(x,y,z)＝(B(x)B(y)B(z))^*3

其中x、y、z为数据点的三维坐标，F(x,y,z)为滤波函数，γ为待滤波点，B(γ)为均值滤波表达式；

通过测量得到点云数据不仅带有噪声还极大可能伴有表面空洞与测量误差，离群值问题等，则通过所有点进行迭代，通过插值数据猜测原始表面；

步骤3：在提取点云模型边界前，将感兴趣的模型分割提取；由于周围环境会有大量的平面区域，在点云中出现的概率很高，因此，需基于平面特征研究三维点云信息的场景分割；利用改进粒子群算法过程如图2所示，首先选取种子点确定平面参数初值，利用改进粒子群算法先选择；改进的粒子群算法是结合树状拓扑结构的逐级寻优算法；粒子的邻居由父节点和它的子节点构成；受节点尤其是子节点的影响，随着迭代次数增加，粒子不断进行动态变化，同时构建的拓扑结构增加了最优子节点；因而粒子的飞行方向就由局部最优、全局最优和叶子节点最优共同调整；更新公式为：

P_i(t+1)＝P_i(t)+V_i(t)

V_i(t+1)为粒子i在t+1时刻的速度；w称为惯性权重，其大小决定了对粒子当前速度继承的多少；V_i(t)为粒子i在t时刻的速度；γ₁表示每个粒子靠向全局最优位置的加速权重；γ₂表示每个粒子靠向个体最优位置的加速权重；γ₃表示每个粒子靠向最佳叶节点的加速权重；R₁、R₂与R₃是介于(0,1)之间的随机数常量，服从(0,1)上的均匀分布；为全局最优位置，具体指整个群体中目前具有最佳适应度粒子的位置；P_i(t)为粒子i在t时刻的位置；为个体最优位置，指每一个粒子迄今为止所经历的最佳位置，即具有最佳适应度时所处的位置；为最佳叶节点的适应值；P_i(t+1)为粒子i在t+1时刻的位置；其中系数γ₁、γ₂与γ₃也被称为学习因子，该学习因子使得粒子具有自我总结和向群体中优秀个体学习的能力，从而向种群内或邻域内最优点靠近；粒子群不断调整的过程如下：

a.初始化三维点集Q，设Q＝Q_α,β＝(x_α,β,y_α,β,z_α,β)(α＝0,…,p；β＝0,…,q)，其中α、β分别表示三维数据点矩阵的行序号和列序号，p、q分别表示为点矩阵行序号与列序号最大值； x、y、z为数据点的三维坐标；

b.将所有粒子初始化为某个范围内的均匀分布随机值，这个范围由被计算的数据点情况决定，每一个粒子都包含了位置向量和速度向量；w的取值在整个搜索过程中呈随机动态变化，阈值为[0.4,0.9]；通常γ₁、γ₂与γ₃的取值范围为(0,4)；R₁、R₂和R₃为(0,1)间服从均匀分布的随机数，通过随机函数生成；

c.计算每个粒子的适应度值；

d.将粒子进行编号分组，比较同组的叶子节点，记录最优叶子节点位置；

e.当前组最优叶子节点值与当前个体最优值比较：如果当前的结果是比个体最优值好，设置个体最优位置等于当前位置值；

f.找到个体最优的最小值与全局最优值比较：如果当前最小值小于全局最优值，设置全局最优值等于当前最小值，全局最优值的位置等于个体最优值的位置；

g.如果全局最优最小值小于规定的阈值，计算将被终止；否则更新式V_i(t+1)、P_i(t+1)中描述的位置和速度；

h.重复上述步骤，直到达到终止条件；

对每个局部结构利用改进的粒子群算法选出最优的特征点，通过随机抽样一致性(RANSAC)进行模型参数估算，保留N个最优的特征点，返回最优的模型，最后将匹配的结果进行整合；RANSAC算法重复以下两个步骤进行迭代：

a.输入待测数据集；

b.该算法检查其全部数据集的元素与从第一步骤中获得的估计的模型参数实例化的模型一致性；如果一个数据元素与拟合模型的模型参数估计的误差阈值超过了最大偏差，将被视为异常值；种子点确定之后，利用最小二乘法拟合点所在平面，设平面方程在空间中的表达形式为：

Ax+By+Cz+D＝0

其中A、B、C分别表示x、y、z的对应的平面方程系数，D为平面方程的常量系数；

根据评价函数E估计平面是否满足：

其中：d_i为种子点到平面的距离，为距离平均均值，T_th表示设定的最大偏差计算公式为：

初步获得平面模型[A,B,C,D]后，要找出数据集合中该模型的其他剩余点是否属于平面进行判定；若点到平面的距离d_i＝0，则其在平面上；

步骤4：进行边界提取，利用点云数据点k邻域内点分布的均匀程度来判断边界特征点；设定阈值，超过阈值为边界特征点，反之则是内部点；计算点与其k个近邻点组成的向量之间的夹角，然后个夹角进行排序，计算连续夹角间的最大差值，将这个差值与设置的阈值进行比较，若大于则该点就为边界点，否则不是；如图3所示，将点S与其k邻域点投影到最小二乘平面上；设k邻域点为M_j(j∈[0,k-1])，SM_j为基准向量；取k邻域点任意点 M_i(i∈[0,k-1],i≠j)，作其对应向量SM_i；计算二者之间的夹角ε_i(ε_i∈[0,π])，同时计算对应叉积向量n_i＝SM_i×SM_j；若n_i·n_j＜0，ε_i＝ε_i+π；若n_i·n_j＞0，则ε_i不变；另s＝(ε₀,ε₁,…,ε_k-1)，并由大到小排序；加入两个极值后得到新的序s＝(0,ε₀',ε₁',…,ε_k-1',2π)，求相邻线段间的夹角 L_i(i∈[0,k])，令最大值为L_max，若L_max超过阈值，则点S为边界特征点；找出所有边界特征点，完成边界提取。

Claims (2)

1.一种结合改进粒子群算法的快速点云边界提取技术，其特征在于，包括点云数据的获取与处理、过滤与表面重建、平面分割与边界提取，具体如下：

步骤1、获取点云数据，建立离散点间拓扑关系；对给定点云数据进行采样；

步骤2、利用滤波函数对数据点集先进行平滑处理；滤波后采用插值法猜测原始表面；

步骤3、在提取点云模型边界前，基于平面特征研究三维点云信息的场景分割，其中通过改进粒子群算法的不断迭代，选取出种子点以确定平面参数初值，迭代公式为：

P_i(t+1)＝P_i(t)+V_i(t)

V_i(t+1)为粒子i在t+1时刻的速度；w称为惯性权重，其大小决定了对粒子当前速度继承的多少；V_i(t)为粒子i在t时刻的速度；γ₁表示每个粒子靠向全局最优位置的加速权重；γ₂表示每个粒子靠向个体最优位置的加速权重；γ₃表示每个粒子靠向最佳叶节点的加速权重；R₁、R₂与R₃是介于(0,1)之间的随机数常量，服从(0,1)上的均匀分布；为全局最优位置，具体指整个群体中目前具有最佳适应度粒子的位置；P_i(t)为粒子i在t时刻的位置；P_i ^o(t)为个体最优位置，指每一个粒子迄今为止所经历的最佳位置，即具有最佳适应度时所处的位置；为最佳叶节点的适应值；P_i(t+1)为粒子i在t+1时刻的位置；其中系数γ₁、γ₂与γ₃也被称为学习因子，该学习因子使得粒子具有自我总结和向群体中优秀个体学习的能力，从而向种群内或邻域内最优点靠近；

对每个局部结构利用改进的粒子群算法选出最优的特征点，通过随机抽样一致性RANSAC进行模型参数估算，保留N个最优的特征点，返回最优的模型，最后将匹配的结果进行整合；

步骤4、进行边界提取；利用点云数据点k邻域内点分布的均匀程度来判断边界特征点；设定阈值，超过阈值为边界特征点，反之则是内部点；计算点与其k个近邻点组成的向量之间的夹角，然后个夹角进行排序，计算连续夹角间的最大差值，将这个差值与设置的阈值进行比较，若大于则该点就为边界点，否则不是；将点S与其k邻域点投影到最小二乘平面上；设k邻域点为M_j(j∈[0,k-1])，SM_j为基准向量；取k邻域点任意点M_i(i∈[0,k-1],i≠j)，作其对应向量SM_i；计算二者之间的夹角ε_i(ε_i∈[0,π])，同时计算对应叉积向量n_i＝SM_i×SM_j；若n_i·n_j＜0，ε_i＝ε_i+π；若n_i·n_j＞0，则ε_i不变；另s＝(ε₀,ε₁,…,ε_k-1)，并由大到小排序；加入两个极值后得到新的序s＝(0,ε₀',ε₁',…,ε_k-1',2π)，

求相邻线段间的夹角L_i(i∈[0,k])，令最大值为L_max，若L_max超过阈值，则点S为边界特征点；找出所有边界特征点，完成边界提取。

步骤3中所述粒子的粒子群不断调整的过程具体如下：

a.初始化三维点集Q，设Q＝Q_α,β＝(x_α,β,y_α,β,z_α,β)(α＝0,…,p；β＝0,…,q)，其中α、β分别表示三维数据点矩阵的行序号和列序号，p、q分别表示为点矩阵行序号与列序号最大值；x、y、z为数据点的三维坐标；

b.将所有粒子初始化为某个范围内的均匀分布随机值，每一个粒子都包含了位置向量和速度向量；w的取值在整个搜索过程中呈随机动态变化，阈值为[0.4,0.9]；通常γ₁、γ₂与γ₃的取值范围为(0,4)；R₁、R₂和R₃为(0,1)间服从均匀分布的随机数，通过随机函数生成；

c.计算每个粒子的适应度值；

d.将粒子进行编号分组，比较同组的叶子节点，记录最优叶子节点位置；

e.当前组最优叶子节点值与当前个体最优值比较：如果当前的结果是比个体最优值好，设置个体最优位置等于当前位置值；

f.找到个体最优的最小值与全局最优值比较：如果当前最小值小于全局最优值，设置全局最优值等于当前最小值，全局最优值的位置等于个体最优值的位置；

g.如果全局最优最小值小于规定的阈值，计算将被终止，否则更新V_i(t+1)、P_i(t+1)中描述的位置和速度；

h.重复上述步骤，直到达到终止条件。

2.如权利要求1所述的提取技术，其特征在于，步骤3中所述RANSAC算法重复以下两个步骤进行迭代：

a.输入待测数据集；

b.如果一个数据元素与拟合模型的模型参数估计的误差阈值超过了最大偏差，将被视为异常值；种子点确定之后，利用最小二乘法拟合点所在平面，设平面方程在空间中的表达形式为：

Ax+By+Cz+D＝0

其中A、B、C分别表示x、y、z的对应的平面方程系数，D为平面方程的常量系数；

根据评价函数E估计平面是否满足：

其中：d_i为种子点到平面的距离，为距离平均均值，T_th表示设定的最大偏差计算公式为：

初步获得平面模型[A,B,C,D]后，要找出数据集合中该模型的其他剩余点是否属于平面进行判定；若点到平面的距离d_i＝0，则其在平面上。