CN108470358A - 一种基于二阶震荡人工蜂群算法的点云配准方法 - Google Patents

Abstract

本发明公开了一种基于二阶震荡人工蜂群算法的点云配准方法，其特征是，包括以下步骤：步骤1)对输入的待配准点云进行简化处理，并获得固有形状特征点；步骤2)根据固有形状特征点提取的待配准点云，对目标点云进行二阶震荡人工蜂群算法迭代优化；步骤3)利用ICP算法迭代最近点精配准。本发明所达到的有益效果：本发明可提高对点云配准空间的全局搜索能力，解决配准对应关系难以寻找，搜索难度较大的问题；实现了一种用于三维点云配准空间的由粗至精的配准，可以有效降低点云配准对初始位置的严重依赖；可解决数据本身存在高噪声、离群点等会影响配准精度的问题，降低后期配准的计算量，提高运算效率。

Description

一种基于二阶震荡人工蜂群算法的点云配准方法

技术领域

本发明涉及一种基于二阶震荡人工蜂群算法的点云配准方法，属于计算机图形学技术领域。

背景技术

点云配准是计算机视觉后续处理的基础，是计算机形状建模、三维物体识别、逆向工程等领域的一个核心问题。三维重建过程中，获取三维物体表面的真实数据却因受测量设备、自遮挡与环境等因素的影响，实际测量过程中获取的点云数据只是实体表面的部分数据，且易导致平移或旋转错位，故需对被测物体在不同视角下进行多次测量，并将各个视角下的点云数据合并到统一的坐标系下，形成最终完整的点云数据，方便后续可视化等操作。点云数据配准的实质是把在不同的坐标系中测量得到的数据点云进行坐标变换，以得到统一坐标系下的整体数据模型。这给点云配准带来了许多挑战。第一，数据本身存在高噪声、离群点等会影响配准的精度；第二，在数据采集过程中，因三维扫描仪的自遮挡、视角和光线等问题，存在数据获取的缺失或部分重合等问题，导致后期配准对应关系难以寻找，搜索难度较大；第三，点云数据的初始位置对配准的性能影响较大。

针对传统ICP算法易陷入局部最优的问题，利用群智能优化策略可以解决这类问题，尽管一些工作针对群智能优化点云配准展开研究，如文献1：Chi K C,Tsui H T,TongL.Surface registration using a dynamic genetic algorithm.Pattern Recognition,2004,37(1):105-117.，提出利用参数解码、适应度函数、交叉变异等一系列方法建立点云数据配准的关键模型，利用遗传算法自动判断出两点云数据的重叠区域，求解出两个点云数据该重合区域的坐标变换，实现配准。该方法在特定情况下为精配准提供了良好的初始位置，但全局优化能力和配准的鲁棒性还不够。文献2：García-Torres J M,Damas S,Cordón O,et al.A case study of innovative population-based algorithms in 3Dmodeling:Artificial bee colony,biogeography-based optimization,harmonysearch.Expert Systems with Applications,2014,41(4):1750-1762.，首次引入三种启发式优化算法：ABC(Artificial bee colony algorithm)、BBO(Biogeography-BasedOptimization)、HS(Harmony Search)，实现三维深度图像的配准，通过优化配准实验(SAMPL点云库)比较了三种智能优化方法的性能，文献2表明，目前的人工蜂群算法在三维深度图像配准中相比于BBO、HS等其他的进化算法更具优势。但是，所提的ABC优化点云配准方法依然存在求解复杂空间优化问题早熟收敛，搜索性能不足的问题。这些基于群智能优化的配准方法被逐步提出，为解决三维点云配准问题提供了新的思路和突破口这些方法相比于传统的配准方法精度有所提高，但又存在计算量较大，运算效率低等问题。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种基于二阶震荡人工蜂群算法的点云配准方法，用于支持对输入的两片点云的自动由粗到精的配准。

为了实现上述目标，本发明采用如下的技术方案：

一种基于二阶震荡人工蜂群算法的点云配准方法，其特征是，包括以下步骤：

步骤1)对输入的两组待配准的点云分别进行简化处理，两组点云记为待配准点云和目标点云，并分别获得固有形状特征点；

步骤2)二阶震荡人工蜂群算法点云配准优化：根据固有形状特征点提取的待配准的点云，进行二阶震荡人工蜂群算法迭代优化；

步骤3)利用ICP算法迭代最近点精配准：对人工蜂群算法点云粗配准的基础上进行迭代最近点的精细配准，通过K-D tree点云数据存储结构加速空间最近邻域搜索，进行精细配准。

前述的一种基于二阶震荡人工蜂群算法的点云配准方法，其特征是，所述步骤1)包括点云均匀采样和特征点提取两步：

11)点云均匀采样：提取待配准的点云数据，对输入的待配准的点云数据进行读取操作，将输入的待配准的点云按一定比例参数进行均匀采样，这里的比例依据经验值选择；

12)特征点提取：将点云均匀采样获得的新的待配准的点云采用固有形状特征点提取算法进行特征点的提取。

前述的一种基于二阶震荡人工蜂群算法的点云配准方法，其特征是，所述步骤12)具体步骤为：

步骤121)对点云上的每个点pt_i定义一个局部坐标系，并设定每个点的搜索半径r_ISS；pt_i采用该点的三维向量表示，包含三维坐标的位置信息；

步骤122)查询点云数据中每个点pt_i在半径r_ISS周围内的所有点，计算其权值w_ij＝1/|pt_i-pt_j|,|pt_i-pt_j|＜r_ISS；

步骤123)计算每个点pt_i的协方差矩阵：

步骤124)计算每个点pt_i的协方差矩阵cov(pt_i)的特征值降序排列；

步骤125)设置阈值ε₁和ε₂，满足式的点即被标记为固有形状特征点。

前述的一种基于二阶震荡人工蜂群算法的点云配准方法，其特征是，所述步骤2)中具体包括如下内容：

步骤21)初始化食物源位置和参数设置：设置蜂群规模数m，设置寻食步数计数器t＝0，最大寻食步数为MCN，蜜源停留最大限制次数limit，初始化标志向量Bas(i)＝0，产生规模为m的种群，其中雇佣蜂和跟随蜂各占种群规模的一半，每个雇佣蜂被赋予一个初始位置，即蜜源的位置产生，公式如下：

其中，i∈{1,2,...,SN},j∈{1,2,...,D}为随机生成的参数，D为求解向量的维数，SN＝m/2，食物源SN的数量为种群的一半；

将这m个可行解的函数值中排名前50％的解看做蜜源，蜜源个数在迭代程中保持不变，每个蜜源对应一只雇佣蜂，后50％的解为跟随蜂所在的位置；rand函数是产生在(0,1)之间均匀分布的随机数，和分别表示对应于第j维向量的上限值和下限值；

步骤22)函数值评价：对于蜂群随机初始位置的食物源，按照收益度的高低，计算蜜源所表示的适应值函数值，即函数值进行评价；

步骤23)雇佣蜂二阶震荡搜索机制：每只雇佣蜂按如下更新公式进行蜜源搜索，计算蜜源所表示的适应度函数值，根据评价结果，在新的蜜源V_i(i＝1,2,…,m_e)和原来的蜜源x_i(i＝1,2,…,m_e)之间选择一个更好蜜源作为下一代搜索的位置，更新标志向量Bas(i)＝Bas(i)+1，m_e＝m/2，公式更新如下：

x_i(t+1)＝x_i(t)+v_i(t+1)；其中，w＝0.9-0.5·(Cycle/MCN)为线性权重，其值的变化范围从0.9线性递减为0.4以平衡雇佣蜂搜索策略的全局探测能力与局部搜索性能，Cycle为最大迭代次数，p_i为到目前为止搜索的最好位置，p_g为到目前为止整个群体中所有蜜蜂发现的最好位置，ξ₁和ξ₂为取值[0,1]之间的随机数；

迭代初期为时，ξ₁取值为：加强算法的全局搜寻力度；

迭代后期为时，ξ₂取值为：增加算法的局部精细寻优性能，r₁和r₂为取值(0,1)之间的随机数，c₁和c₂为学习因子，依据经验值选取；

步骤24)招募选择机制：在雇佣蜂完成邻域搜索后，将蜜源信息以舞蹈方式与跟随蜂分享，跟随蜂则根据每个雇佣蜂提供的蜜源信息，根据概率公式计算跟随蜂选择蜜源的概率p_i，公式如下：fit_i为第i个雇佣蜂完成邻域搜索后点云配准的目标优化函数：F(T)＝min||T(P)-Q||²，通过改进的人工蜂群算法的全局寻优性能，求解最优的变换矩阵T，使得目标点云P与待配准点云Q间的欧式距离最小，具体两个点云之间的欧式距离如何计算属于现有技术，不做赘述；

被吸引的跟随蜂在雇佣蜂搜索的蜜源附近根据步骤25)进行邻域搜索，当所有雇佣蜂招募选择机制完成之后，转步骤26)进行记忆最好的食物源；

步骤25)跟随蜂二阶震荡搜索机制：被吸引的跟随蜂在雇佣蜂搜索的蜜源附近根据雇佣蜂搜索公式在邻域蜜源附近搜索，生成相应的候选解V_i，计算蜜源所表示的适应值函数值，根据评价结果，在新的蜜源V_i(i＝1,2,…,m_e)和原来的蜜源X_i(i＝1,2,…,m_e)之间选择一个更好蜜源作为下一代搜索的位置，返回步骤23)，更新标志向量Bas(i)＝Bas(i)+1；

步骤26)记忆最好的食物源：记录全局最好的蜜源位置，即当前所有蜜蜂找到的最优蜜源，即全局最优解；

步骤27)放弃枯竭的食物源：判断蜜源的搜索Bas(i)是否达到最大限制次数limit，若Bas(i)＞limit，则第i个蜜蜂放弃当前蜜源而转为侦察蜂；

步骤28)侦察蜂全局搜索机制：侦察蜂按式进行蜜源随机搜索，计算蜜源所表示的适应度函数值，若优于当前蜜源，更新当前雇佣蜂所在蜜源位置，令Bas(i)＝0，否则更新标志向量Bas(i)＝Bas(i)+1；

步骤29)更新迭代次数t+1；若满足当前搜索条件，则搜索停止，输出全局最优位置X_g，否则继续执行。

前述的一种基于二阶震荡人工蜂群算法的点云配准方法，其特征是，所述步骤3)中的精细配准步骤通过K-D tree数据结构搜索寻找k最近邻域点，由每一点的k个邻域最近点形成的点集得到一个中心点，加速迭代最近点算法的搜索配准过程。

本发明所达到的有益效果：本发明可提高对点云配准空间的全局搜索能力，解决配准对应关系难以寻找，搜索难度较大的问题；实现了一种用于三维点云配准空间的由粗至精的配准，可以有效降低点云配准对初始位置的严重依赖；可解决数据本身存在高噪声、离群点等会影响配准精度的问题，降低后期配准的计算量，提高运算效率。

附图说明

图1是本发明的处理流程示意图；

图2是实施例的输入点云集示例示意图，图2-1是bun000目标点云数据，图2-2是bun045待配准点云数据，图2-3是dragonStandRight_0目标点云数据，图2-4是dragonStandRight_48待配准点云数据；

图3是点云均匀采样的结果示意图，图3-1是bun000均匀采样结果示意图，图3-2是bun045均匀采样结果示意图，图3-3是dragonStandRight_0均匀采样结果示意图，图3-4是dragonStandRight_48均匀采样结果示意图；

图4是点云固有形状特征点提取的结果示意图，图4-1是bun000固有形状特征点提取，图4-2是bun045固有形状特征点提取，图4-3是dragonStandRight_0固有形状特征点提取，图4-4是dragonStandRight_48固有形状特征点提取；

图5是二阶震荡人工蜂群算法迭代优化粗配准的结果示意图，图5-1是bunny二阶震荡蜂群优化粗配准示意图，图5-2是dragon二阶震荡蜂群优化粗配准示意图；

图6是二阶震荡人工蜂群算法粗精配准优化的最终示意图，图6-1是bunny二阶震荡蜂群优化粗精配准结果示意图，图6-2是dragon二阶震荡蜂群优化粗精配准结果示意图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，本发明公开的一种基于二阶震荡人工蜂群算法的点云配准方法，具体包括以下步骤：

步骤1)待配准点云简化处理：对输入的待配准点云进行简化处理获得预处理后的简化的点云，点云简化处理过程对输入的两片点云进行简化以降低后续计算的复杂度，包括待配准点云均匀采样和特征点提取两个步骤：

点云均匀采样部分，过程如下：

步骤111)点云数据配准的两个点集为待配准点云P和目标点云Q，P＝{p_i|p_i∈R³,i＝1,2,...,m}和Q＝{q_i|q_i∈R³,i＝1,2,...,n}，其中，m和n为两片点云中点的数量，对输入的待配准的点云数据进行读取操作；

步骤112)将输入的待配准的点云按一定比例参数进行均匀采样；

特征点提取采用固有形状特征点提取方式：特征点是描述曲面几何形状最基本的一种特征基元，在不同的坐标系下能保持较好的一致性。所提取特征点为文献3：ZhongY.Intrinsic shape signatures:A shape descriptor for 3D objectrecognition.IEEE,International Conference on Computer Vision Workshops.IEEE,2010:689-696.ISS(Intrinsic shape signatures)特征点提取算法的具体步骤：

设点云数据有N个点，任意一点pt_i坐标为(x_i,y_i,z_i),i＝0,1,...,N-1，过程如下：

步骤121)对点云上的每个点pt_i定义一个局部坐标系，并设定每个点的搜索半径r_ISS；

步骤122)查询点云数据中每个点pt_i在半径r_ISS周围内的所有点，计算其权值：w_ij＝1/|pt_i-pt_j|,|pt_i-pt_j|＜r_ISS；

步骤123)计算每个点pt_i的协方差矩阵：

步骤124)计算每个点pt_i的协方差矩阵cov(pti)的特征值降序排列；

步骤125)设置阈值ε₁和ε₂，满足式的点即被标记为固有形状特征点。

步骤2)二阶震荡人工蜂群算法点云配准优化：根据固有形状特征点提取的待配准点云，对目标点云进行二阶震荡人工蜂群算法迭代优化。

人工蜂群算法是建立在蜜蜂自组织模型和蜂群智能基础上的一种非数值优化的随机搜索方法，如文献4：Karaboga D.An idea based on honey bee swarm fornumerical optimization[R],Tech.Rep.TR06,Erciyes University,EngineeringFaculty,Computer Engineering Department,2005.，蜜蜂根据分工协作，实现信息的共享与交流，从而搜寻到最优的食物源(蜜源)。

本步骤中改进的二阶震荡人工蜂群算法，引入二阶振荡机制优化人工蜂群算法性能，从而达到在算法前期遏制过快收敛，加强邻域搜索振荡。并在迭代后期加速收敛，提高搜索精度与效率。为了进一步利用异步变化学习因子指导二阶振荡机制达到平衡优化算法中寻优速度与求解精度的矛盾。从而实现了采用异步变化学习因子指导二阶振荡的人工蜂群算法，在雇佣蜂群觅食搜索初期，增加空间搜索的多样性，避免搜索过程陷入局部最优，扩大全局搜索范围；迭代后期能加强搜索，提高求解精度，逐步收敛到最优解。具体过程如下：

步骤21)初始化食物源位置：进行初始化参数设置，设置蜂群规模数m，设置寻食步数计数器t＝0，最大寻食步数为MCN，蜜源停留最大限制次数limit，初始化标志向量Bas(i)＝0，产生规模为m的种群，其中雇佣蜂和跟随蜂各占种群规模的一半，每个雇佣蜂被赋予一个初始位置，即蜜源的位置产生，公式如下：

步骤22)函数值评价：对于蜂群随机初始位置的食物源，按照收益度的高低，计算蜜源所表示的适应值函数值，即函数值进行评价；点云配准的本质是将多个视角下扫描获取的点云数据统一到同一个坐标系下，其过程是寻找两片点云数据集的一系列空间变换，该变换矩阵可以用T来表示三维空间几何模型的变换关系。对于待配准点云P和目标点云Q，就是寻求三维空间内最优的变换矩阵T，变换矩阵T包含6个参数，分别为沿3个坐标轴的平移量V_x、V_y、V_z，以及绕3个坐标轴的旋转角α、β、γ。变换矩阵的表示形式，公式如下：

T＝R_xR_yR_zV， 对点云配准目标函数中变换矩阵，参数编码和归一化处理后对应食物源的位置，利用二阶振荡扰动策略的人工蜂群算法对点云模型进行目标函数的优化，全局优化函数为：F(T)＝min||T(P_m)-Q_n||²，通过改进的人工蜂群算法的全局寻优性能，求解最优的变换矩阵T，使得扫描点集P＝{p_i∈R³,i＝1,2,……,m}与待配准点集Q＝{q_j∈R³,j＝1,2,……,n}间的欧式距离最小，需要对变换矩阵T中的6个参数进行编码，由于旋转变量α、β、γ和平移变量V_x、V_y、V_z的取值范围不同，故进一步对参数编码进行归一化操作，如参数编码随机生成6个约束范围内的解x₁，x₂，x₃，x₄，x₅，x₆。组成一组解X＝[x₁,x₂,x₃,x₄,x₅,x₆]，对其进行归一化处理X'＝[x'₁,x'₂,x'₃,x'₄,x'₅,x'₆]，其中x_i'＝(x_i-lb_i)/(ub_i-lb_i)，i＝1,2,...,6，ub_i和lb_i是x_i的上下限，使得参数编码的数值在[0,1]范围之间，每个参数对应人工蜂群算法中食物源的变量，整个点云配准的问题就转变为一个求解六维空间内的函数优化问题，当两片点云配准完成后，其F(T)的取值越小。

步骤23)雇佣蜂二阶震荡搜索机制：每只雇佣蜂按进行蜜源搜索，计算蜜源所表示的适应度函数值，根据评价结果，在新的蜜源V_i(i＝1,2,…,m_e)和原来的蜜源X_i(i＝1,2,…,m_e)之间选择一个更好蜜源作为下一代搜索的位置，更新标志向量Bas(i)＝Bas(i)+1，雇佣蜂蜜源搜索公式如下：x_i(t+1)＝x_i(t)+v_i(t+1)，其中，w为线性权重，迭代初期加强算法的全局搜寻力度；迭代后期增加算法的局部精细寻优性能，r₁和r₂为取值(0,1)之间的随机数，c₁和c₂为学习因子；

为了更为有效地控制学习因子的取值范围，进一步利用异步变化学习因子来更好地平衡二阶振荡机制的搜索效率，w作为线性权重，公式如下：w＝μ+η·rand(0,1)，μ＝μ_min+(μ_max-μ_min)·rand(0,1)，c₁和c₂作为学习因子公式如下：c₁＝c₁min+(c₁max-c₁min)·Cycle/MCN，c₂＝c₂min+(c₂max-c₂min)·Cycle/MCN。

步骤24)招募选择机制：在雇佣蜂完成邻域搜索后，将蜜源信息以舞蹈方式与跟随蜂分享，跟随蜂则根据雇佣蜂提供的蜜源信息，根据概率公式计算跟随蜂选择蜜源的概率p_i，公式如下：被吸引的跟随蜂在雇佣蜂搜索的蜜源附近根据步骤25)进行邻域搜索，当所有雇佣蜂招募选择机制完成之后，转步骤26)进行记忆最好的食物源；

步骤25)跟随蜂二阶震荡搜索机制：被吸引的跟随蜂在雇佣蜂搜索的蜜源附近根据雇佣蜂搜索公式在邻域蜜源附近搜索，生成相应的候选解V_i，计算蜜源所表示的适应值函数值，根据评价结果，在新的蜜源V_i(i＝1,2,…,m_e)和原来的蜜源X_i(i＝1,2,…,m_e)之间选择一个更好蜜源作为下一代搜索的位置，更新标志向量Bas(i)＝Bas(i)+1；

步骤26)记忆最好的食物源：记录全局最好的蜜源位置，即当前所有蜜蜂找到的最优蜜源，即全局最优解；

步骤27)放弃枯竭的食物源：判断蜜源的搜索Bas(i)是否达到最大限制次数limit，若Bas(i)＞limit，则第i个蜜蜂放弃当前蜜源而转为侦察蜂；

步骤28)侦察蜂全局搜索机制：侦察蜂按式进行蜜源随机搜索，计算蜜源所表示的适应度函数值，若优于当前蜜源，更新当前雇佣蜂所在蜜源位置，令Bas(i)＝0，否则更新标志向量Bas(i)＝Bas(i)+1；

步骤29)，更新迭代次数t+1。若满足当前搜索条件，则搜索停止，输出全局最优位置X_g，否则继续执行。

步骤3)在改进的二阶震荡人工蜂群算法完成对点云较好的初始配准的基础上，得到空间变换矩阵参数，再通过k-d tree(k-Dimension tree)近邻搜索法加速对应点查找，采用迭代最近点精配准的方法，如文献5：Besl P J and McKay N D.Method forregistration of 3-D shapes[J].IEEE Transactions on Pattern Analysis andMachine Intelligence,1992,14(2):586-606.，以提高点云ICP精细配准的效率。

本实施例中，测试数据选用了斯坦福大学经典的2个模型数据(“Bunny”和“Dragon”)来进行实验，选择了不同视角下的点云，部分数据含有噪音和离群点，其中bun000和bun045数据集大小分别为40256和40097个点，dragonStandRight_0和dragonStandRight_48的数据集大小分别为41841和22092个点。如图2所示为输入的点云集，通过本实施例所述的基于二阶震荡人工蜂群算法(SOABC)的点云配准方法，可将图2输入的2组点云进行均匀采样得到图3，并进行特征点提取得到图4所示的固有形状特征点提取的结果示意，再通过二阶震荡人工蜂群算法迭代优化得到图5所示的粗配准结果，最终经过ICP精配准获得图6的最终配准结果。具体实施过程如下：

1.点云简化处理

采样参数设定为0.1，可以有效保持点云数据的整体性，降低后续数据处理的运算量，其搜索范围r_ISS分别为0.02和0.2，ε₁＝ε₂＝0.6，可以有效保持点云数据的固有形状特征信息，对于数据本身存在高噪声、离群点等会影响配准精度的点云具有较好的鲁棒性。

2.二阶震荡人工蜂群算法点云配准优化

在实验中，ICP算法和SOABC算法分别最大迭代50次和100次，人工蜂群的种群规模设置为20，旋转角度范围[0°,360°]，平移量范围[-40mm,40mm]。

在本部分，我们验证了本文算法SOABC在不同的模型和视角下的粗配准性能，我们将SOABC与传统的ABC算法进行了比较，SOABC的参数设置为Limit＝D*SN，D＝6,c1max＝c2max＝0.5，c1min＝c2min＝2.5。为了比较的公平，在设置相同的种群规模SN＝20和最大的迭代次数100的前提下进行了实验。结果如表1所示。

表1 ABC和SOABC配准结果.

Data	ABC	SOABC
			Bunny	1.8175e-02	2.2775e-04
Dragon	2.5191e-02	1.1440e-02

3.ICP迭代最近点精配准

在实验中，ICP算法和SOABC算法分别最大迭代50次和100次，人工蜂群的种群规模设置为20，旋转角度范围[0°,360°]，平移量范围[-40mm,40mm]。为了验证本文配准策略流程的有效性和鲁棒性，实验分别在2个模型数据上进行测试。配准结果通过可视化的方式进行呈现，我们给出了输入点云，进行简化和特征点提取，然后利用SOABC进行粗配准，在粗配准的基础上进行ICP精配准，最后将变换参数映射到输入的点云上得到最终的配准结果。同时我们使用均方根差在对应点间进行量化(root mean square error,RMS)，反映了点云配准的精度，值越小，配准效果越好。最终获得如图6所示的配准结果。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (5)

1.一种基于二阶震荡人工蜂群算法的点云配准方法，其特征是，包括以下步骤：

步骤1)对输入的两组待配准的点云分别进行简化处理，两组点云记为待配准点云和目标点云，并分别获得固有形状特征点；

步骤2)二阶震荡人工蜂群算法点云配准优化：根据固有形状特征点提取的待配准的点云，进行二阶震荡人工蜂群算法迭代优化；

步骤3)利用ICP算法迭代最近点精配准：对人工蜂群算法点云粗配准的基础上进行迭代最近点的精细配准，通过K-D tree点云数据存储结构加速空间最近邻域搜索，进行精细配准。

2.根据权利要求1所述的一种基于二阶震荡人工蜂群算法的点云配准方法，其特征是，所述步骤1)包括点云均匀采样和特征点提取两步：

11)点云均匀采样：提取待配准的点云数据，对输入的待配准的点云数据进行读取操作，将输入的待配准的点云按一定比例参数进行均匀采样；

12)特征点提取：将点云均匀采样获得的新的待配准的点云采用固有形状特征点提取算法进行特征点的提取。

3.根据权利要求2所述的一种基于二阶震荡人工蜂群算法的点云配准方法，其特征是，所述步骤12)具体步骤为：

步骤121)对点云上的每个点pt_i定义一个局部坐标系，并设定每个点的搜索半径r_ISS；pt_i采用该点的三维向量表示，包含三维坐标的位置信息；

步骤122)查询点云数据中每个点pt_i在半径r_ISS周围内的所有点，计算其权值w_ij＝1/|pt_i-pt_j|,|pt_i-pt_j|＜r_ISS；

步骤123)计算每个点pt_i的协方差矩阵：

步骤124)计算每个点pt_i的协方差矩阵cov(pt_i)的特征值降序排列；

步骤125)设置阈值ε₁和ε₂，满足式的点即被标记为固有形状特征点。

4.根据权利要求1所述的一种基于二阶震荡人工蜂群算法的点云配准方法，其特征是，所述步骤2)中具体包括如下内容：

步骤21)初始化食物源位置和参数设置：设置蜂群规模数m，设置寻食步数计数器t＝0，最大寻食步数为MCN，蜜源停留最大限制次数limit，初始化标志向量Bas(i)＝0，产生规模为m的种群，其中雇佣蜂和跟随蜂各占种群规模的一半，每个雇佣蜂被赋予一个初始位置，即蜜源的位置产生，公式如下：

其中，i∈{1,2,...,SN},j∈{1,2,...,D}为随机生成的参数，D为求解向量的维数，SN＝m/2，食物源SN的数量为种群的一半；

将这m个可行解的函数值中排名前50％的解看做蜜源，蜜源个数在迭代程中保持不变，每个蜜源对应一只雇佣蜂，后50％的解为跟随蜂所在的位置；rand函数是产生在(0,1)之间均匀分布的随机数，和分别表示对应于第j维向量的上限值和下限值；

步骤22)函数值评价：对于蜂群随机初始位置的食物源，按照收益度的高低，计算蜜源所表示的适应值函数值，即函数值进行评价；

步骤23)雇佣蜂二阶震荡搜索机制：每只雇佣蜂按如下更新公式进行蜜源搜索，计算蜜源所表示的适应度函数值，根据评价结果，在新的蜜源V_i(i＝1,2,…,m_e)和原来的蜜源x_i(i＝1,2,…,m_e)之间选择一个更好蜜源作为下一代搜索的位置，更新标志向量Bas(i)＝Bas(i)+1，m_e＝m/2，公式更新如下：

其中，w＝0.9-0.5·(Cycle/MCN)为线性权重，其值的变化范围从0.9线性递减为0.4以平衡雇佣蜂搜索策略的全局探测能力与局部搜索性能，Cycle为最大迭代次数，p_i为到目前为止搜索的最好位置，p_g为到目前为止整个群体中所有蜜蜂发现的最好位置，ξ₁和ξ₂为取值[0,1]之间的随机数；

迭代初期为时，ξ₁取值为：加强算法的全局搜寻力度；

迭代后期为时，ξ₂取值为：增加算法的局部精细寻优性能，r₁和r₂为取值(0,1)之间的随机数，c₁和c₂为学习因子，依据经验值选取；

步骤24)招募选择机制：在雇佣蜂完成邻域搜索后，将蜜源信息以舞蹈方式与跟随蜂分享，跟随蜂则根据每个雇佣蜂提供的蜜源信息，根据概率公式计算跟随蜂选择蜜源的概率p_i，公式如下：fit_i为第i个雇佣蜂完成邻域搜索后点云配准的目标优化函数：F(T)＝min||T(P)-Q||²，通过改进的人工蜂群算法的全局寻优性能，求解最优的变换矩阵T，使得目标点云P与待配准点云Q间的欧式距离最小；

被吸引的跟随蜂在雇佣蜂搜索的蜜源附近根据步骤25)进行邻域搜索，当所有雇佣蜂招募选择机制完成之后，转步骤26)进行记忆最好的食物源；

步骤25)跟随蜂二阶震荡搜索机制：被吸引的跟随蜂在雇佣蜂搜索的蜜源附近根据雇佣蜂搜索公式在邻域蜜源附近搜索，生成相应的候选解V_i，计算蜜源所表示的适应值函数值，根据评价结果，在新的蜜源V_i(i＝1,2,…,m_e)和原来的蜜源X_i(i＝1,2,…,m_e)之间选择一个更好蜜源作为下一代搜索的位置，返回步骤23)，更新标志向量Bas(i)＝Bas(i)+1；

步骤26)记忆最好的食物源：记录全局最好的蜜源位置，即当前所有蜜蜂找到的最优蜜源，即全局最优解；

步骤27)放弃枯竭的食物源：判断蜜源的搜索Bas(i)是否达到最大限制次数limit，若Bas(i)＞limit，则第i个蜜蜂放弃当前蜜源而转为侦察蜂；

步骤28)侦察蜂全局搜索机制：侦察蜂按式进行蜜源随机搜索，计算蜜源所表示的适应度函数值，若优于当前蜜源，更新当前雇佣蜂所在蜜源位置，令Bas(i)＝0，否则更新标志向量Bas(i)＝Bas(i)+1；

步骤29)更新迭代次数t+1；若满足当前搜索条件，则搜索停止，输出全局最优位置X_g，否则继续执行。

5.根据权利要求1所述的一种基于二阶震荡人工蜂群算法的点云配准方法，其特征是，所述步骤3)中的精细配准步骤通过K-D tree数据结构搜索寻找k最近邻域点，由每一点的k个邻域最近点形成的点集得到一个中心点，加速迭代最近点算法的搜索配准过程。