基于重选点策略和人工蜂群优化的三维图像配准方法与流程

本发明涉及三维图像配准技术领域，尤其涉及一种基于重选点策略和人工蜂群优化的三维图像配准方法。

背景技术：

三维成像是指由多传感器在不同视角采集三维物体深度图像数据，并形成被测物体的三维完整形貌的过程。三维图像配准(ir)是三维成像领域的关键技术，其任务是找到三维空间的最优变换，将多传感器采集到的多片深度图像统一到同一坐标系下，最终恢复出完整的三维物体。

目前为了提高三维图像配准的速度及精度，结合仿生智能优化算法进行配准的方法成为了国内外研究热点。其中主要改进是针对图像配准的各个阶段提出相应的策略，或通过在仿生智能优化算法中引入一些学习机制与变异算子等来有效提高算法的全局收敛能力和求解精度，进而得到高精度的图像配准算法。

然而，很多改进策略在提高了配准算法的全局收敛能力和求解精度的同时，却额外增加了计算复杂度，从而影响了算法的实际工程应用效果，降低了配准完成的时间。

技术实现要素：

为了解决上述问题，本发明旨在提供一种基于重选点策略和人工蜂群优化的三维图像配准方法(称为ebabc-rs-ir法)。该方法将一种重选点策略引入配准过程中的采样阶段，并在人工蜂群算法的求解过程中，通过加入一个开发性能更强的搜索方程与算法原有方程进行交叉搜索，对算法的搜索过程进行优化和改进，从而更加有效地协调了算法的开发能力和探索能力。该方法在保证配准结果高精度的前提下大幅缩减了配准完成的时间，且改进原理简单易于理解，具有良好的可执行性。

为实现上述目的，本发明采用如下技术方案：

一种基于重选点策略和人工蜂群优化的三维图像配准方法，包括步骤：

步骤1，在动态点云中利用等间距随机选点方法得到用于配准的采样点集；

步骤2，随机产生一定数量的蜂群，初始化蜂群个体的位置；

步骤3，蜜蜂根据当前找到的蜜源位置确定各自的欧式变换矩阵，根据欧式变换矩阵对采样点集进行位置变换；

步骤4，针对所有蜜源，利用kd-tree算法找到变换位置后的采样点集在静态点云中各自的对应点，计算所有对应点的欧式距离中值作为目标函数值，计算得到最优蜜源位置及其对应的最优目标函数值；

步骤5，比较前后两代最优目标函数值，如果变化量连续多次小于设定值，则在动态点云中进行重选点操作，得新的采样点集；否则，进入步骤6；

步骤6，若达到最大进化代数，则进入步骤7；否则，返回步骤3；

步骤7，根据当前最优蜜源，得到最优的欧式变换矩阵，根据最优的欧式变换矩阵移动动态点云，完成图像配准。

所述步骤1、5中，在动态点云中得到采样点集的公式为：

n为动态点云中点的数目，为[0,1]之间的随机数，h为采样点的数目，round为四舍五入取整函数，fix为舍弃小数部分向下取整函数，dk表示采样点集中的第k个点。

步骤3中，在采蜜蜂阶段和观察蜂阶段，分别通过选择概率cr交叉使用eabc算法原搜索方程与新搜索方程进行交替搜索，查找蜜源位置；该新搜索方程为：

vi,j＝xbest,j+ξ(axr1,j-bxr2,j)

所述eabc算法原搜索方程如下：

vi,j＝xr1,j+α(xbest,j-xr1,j)+β(xr1,j-xbest,j)

式中，vi,j表示第i个引领蜂寻找到的新蜜源位置的第j维分量；xbest为当前群体搜索到的最优蜜源位置，ξ为[-1,1]之间的随机数，a和b为常数；r1≠r2≠i是从集合{1,2,...np}中随机选择的整数，np为蜜源数量，j∈{1,2,...d}中的一个随机选择的整数；xbest,j表示当前群体搜索到的位于第j维分量的最优蜜源位置，xr1,j，xr2，j分别表示位于第r1，r2个蜜源的第j维分量；

α是[0,a]之间的一个随机数，β为rand*b，b是一个均值为μ，标准差为δ的高斯分布数；

当rand小于选择概率cr，使用新搜索方程，否则采用eabc算法原搜索方程；其中，rand为一个介于0、1之间的通过交叉操作而产生一个随机数，通过与选择概率cr相比较，而实现交替搜索。

本发明有益效果如下：

(1)针对图像配准的采样阶段提出了基于等间距选点法的重选点策略，由于减少了采样点数，使得计算量得以简化；且在配准过程中，增强了采样点集对动态点云的遍历性及点集深度信息的利用率，从而保证了配准的精度。

(2)通过在采蜜蜂阶段和观察蜂阶段引入一围绕群体最优解附近进行密集搜索的新搜索方程，与算法中的原搜索方程进行交替搜索以保证既进一步提高了算法的开发能力，而又不破坏其原本具有的良好探索性能及平衡能力。

(3)物理意义明确，算法研究无须进行复杂的公式推导，原理易于理解，方便实现。

附图说明

图1为本发明方法中加入重选点策略的点云配准方法简化逻辑流程图；

图2a-2b，2c-2d，2e-2f，2g-2h分别为常用于图像配准算法测试的四种主流模型tele，bird，angel，bunny的0度视角和40度视角的模型；

图3a-3d分别为四种tele，bird，angel，bunny主流模型配准结果误差值低于表1中参考误差值时，所能达到的高精度配准效果；

图4a-4d分别为各模型配准算法的性能比较示意图；

图5a-5b分别是各配准算对于四个主流模型的平均配准时间的折线图，以及四个模型的平均配准时间给出的各种配准算法对于四个主流模型的平均性能的条形图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本发明基于重选点策略和人工蜂群优化的三维图像配准方法，包括：

步骤1在动态点云中利用等间距随机选点方法选出，如h＝100个点，得到用于配准的采样点集；

步骤2随机产生数量为2np的蜂群，分为采蜜蜂和观察蜂，并在规定的解空间内，初始化蜂群个体的位置，生成np个蜜源，计算出每个蜜源对应的蜜量；

步骤3蜜蜂通过交替搜索方法对蜜源进行搜索，根据当前找到的蜜源位置确定各自的欧式变换矩阵t，根据各自的欧式变换矩阵t对采样点集进行位置变换；交替搜索方法中的新搜索方程为：

vi,j＝xbest,j+ξ(axr1,j-bxr2,j)；

式中，vi,j表示第i个引领蜂寻找到的新蜜源位置的第j维分量；xbest为当前群体搜索到的最优蜜源位置；ξ为[-1,1]之间的随机数，a和b为常数；r1≠r2≠i是从集合{1,2,...np}中随机选择的整数；j∈{1,2,...d}中的一个随机选择的整数，d为整数；

在采蜜蜂和观察蜂阶段，通过选择概率cr交叉使用原eabc算法搜索方程及和引入的新搜索方程进行交替搜索。

蜂群更新蜜源位置的交替搜索的伪代码如下所示，其中α是[0,a]之间的一个随机数，β为rand*b，b是一个均值为μ，标准差为δ的高斯分布数；rand为一个介于0、1之间通过交叉操作而产生的随机数，其通过与选择概率cr相比较，而实现交替搜索。

步骤4针对所有蜜源，利用kd-tree算法找到变换位置后的采样点集在静态点云中各自的对应点，计算所有对应点的欧式距离中值作为目标函数值；从而得到最优蜜源位置及其对应的最优目标函数值；

比较前后两代最优目标函数值，如果其变化量连续10次(该次数可以根据情况来设定不同的数值)小于设定值，则进行重选点操作，利用同样的等间距选点法选取h＝100个点得到新的采样点集。否则，直接进入步骤6；

步骤6如果已经达到设定的最大进化代数，如10000，直接进入步骤7；否则，返回步骤3；

步骤7根据当前最优蜜源，得到最优的欧式变换矩阵t，根据最优的欧式变换矩阵t移动动态点云完成图像配准。

基于仿生智能优化算法的图像配准方法中，配准结果的误差参考值(欧氏距离中值)的最大值、最小值和平均值体现出各配准算法的配准精度，而标准差则代表各配准算法的鲁棒性。

选取4种常用于图像配准算法测试的主流模型(如图2a-2h所示)；各模型包含0度视角和40度视角两片点云(其中，由于stanford库提供的bunny模型点云样本以45度作为间隔，故实验中该模型采用近似其他模型40度角的45度视角点云)

图2a-2h中的4种主流模型包括sampl点云库中的tele、bird和angel模型以及stanfordcomputergraphicslaboratory提供的bunny模型；

表1

表1为对应该4种主流模型的配准结果误差参考值(欧氏距离中值)。

表2

表2中，粗体及下划线所标注数据表示各模型获得最终误差中值的最小值及平均值的最佳情况。

表3

表3中，粗体及下划线所标注数据表示各模型配准所用时间、代数的最小值和平均值及成功率的最佳情况

由表2和表3通过对比各配准算法完成配准后的精度，所用时间和代数以及成功率等值，可以看出本方法明显优于其他的配准方法，且将本方法中所提的重选点策略加入到其他配准算法中也能起到一定程度的性能提升；

表2及表3为本发明方法(ebabc-rs-ir)与粒子群配准算法(pso-ir)、人工蜂群配准算法(abc-ir)、飞蛾火焰配准算法(mfo-ir)和改进人工蜂群算法(eabc-ir)，以及同样加入本发明的重选点策略后的一种基于改进人工蜂群算法的配准方法(eabc-rs-ir)的性能比较；

图4a-4d是针对各模型配准后的精度，以柱状图的方式更清晰的展示了各配准算法的性能。其中为了方便观察和显示，避免坐标范围过大，本发明结合不同模型的配准精度，对各算法的配准结果选取值1或2作为截止。

值得注意的是，由于bunny模型的精度较高，故将各配准算法得到的最终误差中值均乘以10⁵，以0.2作为截止值。此外，各模型的误差参考中值在图中以单独的竖线标明。

图5a-5b将各配准算法结果中的平均时间以折线图的形式画出，并将各种配准算法对于四个模型的平均性能(根据四个模型的平均配准时间给出)以条形图的方式给出；

由图4a-4d及图5a-5b可以看出，本发明所提出的重选点策略及在人工蜂群算法搜索过程中提出的新搜索方程都可以减少配准完成所用的时间，且本发明中主要提出的ebabc-rs-ir算法在同时运用了本发明中的两种策略后得到了最佳的配准性能；

此外，我们采用了统计学上常用的非参数检验方法，对本发明所提及其他几种基于仿生智能优化的配准方法进行了性能检验及显著性差异对比。

表4是对本发明方法及其余五种基于仿生智能优算法的配准方法运用非参数检验中常用的friedman检验得到的性能排名；

表5是对本发明方法及其余五种基于仿生智能优算法的配准方法运用非参数检验中常用的wilcoxon秩和检验得到的显著性差异结果。

其中，主要使用friedman方法得出了各配准方法的性能排名，排名结果如表4所示。同时使用了wilcoxon秩和检验方法比较了各配准方法间的显著性差异，结果如表5所示；

表4

表5

表4中的性能得分部分，由于配准问题时最小优化问题，故ranking值越低，代表算法性能越强。故本发明所提的ebabc-rs-ir算法是几种基于仿生智能优化算法的配准方法中性能最佳的算法。

表5中，共有三种符号代表算法间的显著性差异。其中，“-”代表位于列所在的算法具有显著性优势，“+”号代表行所在的算法具有显著性优势，“＝”代表位于行和列的两种算法间不存在显著性差异。

通过共同比较表4与表5中两种不同的非参数检验方法得到的结果，可以很明显的看出本发明所提的方法对pso-ir、mfo-ir、abc-ir具有显著性的优势。

对于eabc-ir，本发明算法也有一个很大的性能提升，且单独使用了重选点策略的eabc-rs-ir算法也获得了良好的性能提升，这两种检验方法进一步的说明了本发明所提重选点策略及对人工蜂群算法的改进策略都可以提高配准算法的性能。

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替换，这些改进和替换也应视为本发明保护的范围。