基于佳点集人工鱼群的点云配准算法

针对点云配准迭代最近点(iterative closest point, ICP)算法对点云的初始位置姿态有较高的要求且易陷入局部最优的问题,文章提出一种基于佳点集人工鱼群的点云配准算法。首先采用佳点集方法对人工鱼群初始化,解决人工鱼群因初始种群分布不均而陷入局部最优的问题,并通过下采样与三维尺度不变特征变换(3D scale invariant feature transform, 3D SIFT)特征点提取简化点云;然后采用快速点特征直方图(fast point feature histogram, FPFH)特征描述解求点云间的对应点对并剔除错误对应点对,通过佳点集人工鱼群算法寻优刚性变换的6个参数完成粗配准;最后使用ICP算法完成精配准。实验选取斯坦福大学提供的Bunny、Dragon和Happy Buddha 3组测试数据集进行配准;结果表明,该文算法收敛速度快,能为ICP算法提供良好的初始位姿避免其陷入局部最优。     

基于点云数据的自由曲面加工误差评定

针对自由曲面加工误差检测困难的问题,提出了一种自由曲面加工误差评定方法。该方法以高精度蓝光扫描仪获取到的点云作为实测数据,以自由曲面的立体印刷模型作为理论模型。首先设置动态偏差阈值去除点云的远距离噪声,利用基于曲面变化度的局部离群系数方法去除点云的近距离噪声;然后采用最近点迭代算法分离点云位置误差的旋转量,以自适应粒子群算法依据最小区域原则分离位置误差的平移量;最后对点云进行基准变换后,计算点云与模型之间的偏差。实验结果表明,相对于最近点迭代算法,所提方法计算的位置误差向量均方根误差减小了66%,轮廓度减小了18%。提出方法的位置误差分离精度更高,轮廓度误差评定更准确,适用于扫描点云对自由曲面的加工误差评价,可以有效判断出超差区域。     

基于混合算法的点云配准方法研究

为解决ICP( Iterative Closest Point) 算法对初始点云位置要求高且易陷入局部最优的问题,提出一种新的配准方法。首先遵从优势互补基本思想,结合将人工萤火虫算法和粒子群算法生成自适应人工萤火虫-粒子群算法( AAGPSO: Adaptive Artificial Glowworm-Particle Swarm Optimization) ,以使算法的收敛速度变快,解的精度得到提高; 其次优化迭代最近点算法( ICP) ,将已改进的AAGPSO 算法引入ICP 配准算法中进行点云配准,解决ICP 算法因点云的初始位置相差较大而陷入局部最优问题,加快整体的配准效率。通过实验对比原始ICP 配准方法和改进的配准方法并对其进行误差分析,结果验证了AAGPSO 算法在传统ICP 算法的基础上提高了配准精度,并且加快了算法收敛速度,改进的配准方法具有明显优越性。     

基于最佳粒子共享和分层搜索的并行粒子群优化算法

为提高粒子群优化算法在优化问题中的效率,本文提出了并行粒子群优化算法(BLP-SO).基本思想是并行机制 最佳粒子共享 分层搜索.主要工作包括(1)信息共享机制中引入了区域学习,使粒子更新能参考其他粒子的信息;(2)提出了粒子群两层划分模型,底层利于扩大搜索范围,上层利于全局精细搜索;(3)证明了关于粒子群和并行粒子群收敛性定理;(4)在4个基准函数上的优化实验表明,新方法比经典的IPPSO并行粒子群算法在解的精度上提高了51.93%到96.10%.     

基于特征点匹配的点云配准方法研究

针对快速点特征直方图(fast point feature histogram, FPFH)与迭代最近点(iterative closest point, ICP)算法结合的配准方法达不到精度要求的问题,文章在FPFH的基础上加入特征点的提取与匹配,使得配准精度进一步提升。该方法先通过尺度不变特征变换(scale-invariant feature transform, SIFT)算法和3DHarris算法对点云数据的特征点进行提取,再通过计算FPFH寻找对应点对,使用随机采样一致性(random sample consensus, RANSAC)算法剔除错误点对,通过奇异值分解(singular value decomposition, SVD)算法计算初始旋转矩阵和平移矩阵,最后用传统ICP精配准。结果表明,基于特征点匹配的算法相比基于特征描述的算法精度更高。     

基于粒子群优化算法的散乱点云数据配准

针对目前散乱点云数据配准算法在精度、速度和优化等方面存在的问题,提出一种基于粒子群优化算法的点云数据配准算法.该算法首先根据数据点之间曲率的相似度函数,采用粒子群优化算法在两组点云数据中搜索可以匹配的点对集合,然后用最近点迭代算法进行二次配准,实现了两组散乱点云数据的精确配准.对比实验表明,该算法配准速度快,效果好.     

基于ISS-BSHOT特征的ICP点云配准方法

针对点云配准处理过程中配准精度低且耗时长等问题,提出一种基于内部形态描述子(intrinsic shape signatures, ISS)关键点与二进制方向直方图描述子(binary signature of histograms of orientations, BSHOT)相结合的点云配准方法.首先,计算点云分辨率,采用ISS算法提取源点云与目标点云的关键点,并利用BSHOT算法描述关键点邻域,通过汉明距离匹配对应点对;其次,采用随机采样一致性算法删除匹配错误的对应点对,完成粗配准;最后,利用迭代最近点(iterative closest point, ICP)算法完成精配准.实验结果表明,该算法可在保证配准精度的同时显著提高配准效率.     

地面三维激光扫描点云配准的最佳距离

分析点云配准的原理,在此基础上推导出点云配准误差传播模型.利用该模型解算了配准后的点位误差,将该误差作为衡量点云配准好坏的指标.为评估地面三维激光扫描测距的变化给点云配准误差造成的影响,设计了一套试验方案,在地面三维激光扫描仪测距精度内对不同距离进行了严格的试验.根据提取的靶心和点云配准误差传播模型,计算得出不同距离下的点云配准精度,从而分析得出点云配准精度的扫描最佳距离.结果表明点云误差传播模型正确,试验方法良好.     

粒子群优化算法及其应用

粒子群算法是一种群体优化算法,详细介绍了粒子群算法的基本原理、参数选择及其应用领域.     

基于改进粒子群算法的自适应波束形成

基于最小均方误差准则,将自适应波束形成的权值求解问题表示为多目标优化模型,利用提出的改进粒子群优化算法,获得了阵列最优权值向量.改进粒子群优化算法中引入动态邻域拓扑结构,自适应调整粒子的领域搜索范围,避免粒子陷入局部最优.仿真结果表明:所提算法的收敛速度优于传统算法.     

基于随机点摆动前行模式的改进粒子群优化算法

基于飞鸟寻食细致化仿生,提出了一种新的基于随机点摆动前行模式(RSFM)的改进粒子群算法原理,设计了改进粒子群算法流程,并利用算例展示了该算法的具体使用方法与计算效果。     

基于改进FPFH-ICP的车载激光雷达点云配准方法

为了改善传统车载激光雷达点云配准方法准确度低、计算速度慢的问题,提出了一种基于快速点特征直方图（fast point feature histograms, FPFH）初始匹配与改进迭代最近点（iterative closestpoint,ICP）精确配准相结合的改进FPFH-ICP配准算法。配准前使用体素滤波器和statistical-outlier-removal滤波器进行预处理;采用FPFH提取点云特征,基于采样一致性（sample consensus initial alignment, SAC-IA）进行初始配准,为精确配准提供良好的位姿信息;建立K-D树并在传统ICP配准算法的基础上添加法向量阈值,对车载激光雷达点云数据进行精确配准;在4种不同场景的实验中,改进FPFH-ICP配准比ICP配准的均方根误差和配准用时分别平均减少了7.56%和41.22%,比点特征直方图（point feature histograms, PFH）配准的均方根误差和配准用时分别平均减少了30.28%和18.95%,表明改进的FPFH-ICP能够对车载激光雷达点云数据实现精确且高效的配准。     

基于粒子群优化聚类算法的点模型简化

为了有效地简化稠密采样点模型,提出了一种基于粒子群优化聚类算法的点模型简化方法.引入了具有强大全局寻优能力的粒子群优化算法,对传统的k-均值聚类算法进行改进,基于改进的聚类算法对点模型进行简化,选取具有最优个体适应度函数的粒子作为原始采样点集的最终简化模型.算法聚类依据采样点的空间位置、法向和曲率的邻近性,实现了点模型表面区域几何特征保持的简化.同时在聚类区域的划分中考虑了曲率阈值和区域半径,使得算法在有效地保持特征边界和曲面细节的同时,能够生成高质量的简化曲面.实验结果表明,粒子群优化的k-均值聚类算法克服了传统聚类算法容易陷入局部极小的缺点,具有更好的全局收敛性和较快的收敛速度.该简化方法在有效简化点模型的同时,很好地保持了原始模型的几何形状,且在相同简化效率下能够生成更高质量的简化曲面.     

基于同名控制点的三维激光点云配准

多站点云数据配准是三维激光扫描数据处理的重要环节.基于同名控制点的七参数配准模型是一种具有较高精度的算法模型.推导了七参数配准的过程,编程实现了多站三维激光点云的配准,并验证了配准结果的精度.     

基于改进粒子群优化算法的弹道求解方法

为了提高火控系统实时性,提出了基于粒子群优化算法的弹道解算方法,该方法提高了系统响应速度,并为更好地与多核平台下的并行计算相结合提供了基础.首先在预估计瞄准角附近生成并初始化粒子群,然后通过由弹道微分方程等组成的适应度函数对每个粒子的好坏进行评价,最后对粒子群的速度和位置进行更新.为了加快算法的收敛速度,将周氏迭代修正公式计算得到的全局最优粒子的修正角度代替全局最优位置引导粒子群更新.采用实际算例对该方法的可行性与有效性进行了验证.实验结果表明较传统的迭代修正方法其解算速度中提高了约2倍;较传统粒子群算法其粒子群收敛速度加快了约1.5倍.此外该方法最大的优点便是可以与并行计算很好地结合,在多核计算机平台下计算时间还可以进一步缩短.     

基于高重叠度视角的锁销点云模型的快速建立

基于高重叠度视角,提出了一种在集装箱码头针对锁销模型快速建立的三维点云拼接方法.实验使用Azure Kinect深度相机采集场景点云,并对点云进行预处理,得到目标点云.对于视角略微不同的锁销,在采用采样一致性初始配准算法(sample consensus initial algorithm, SAC-IA)的基础上,利用经典的迭代最近点(iterative closest point, ICP)算法进行配准,确定2片点云的重叠位置关系.在总体拼接过程中,用锁销在相机z方向投影的包围盒面积的相对大小,来估计锁销的大体形状;然后通过对比相邻视角该面积的差值,选取数量合适的、重叠度较大的点云视角,保证配准的正确率并减少耗时.实验结果表明,该方法对锁销的配准误差较低,可以较快速地建立适用于类型匹配的工件模型.     

面向缺失点云配准的镜像迭代最近点算法

面向点云配准任务,以改善重叠度较低的点云对之间的配准效果为研究目的,提出了一种有效的缺失点云配准算法——镜像迭代最近点算法。该算法以建立源点云和目标点云之间的镜像型对应关联性为核心,具体过程为：首先建立源点云到目标点云的前向对应关系,以捕获位于重叠区域的特征点;然后建立重叠区域的后向对应关系,以获取可靠匹配对集合;最后根据可靠匹配对估计最优刚体变换矩阵。此外,通过KD树构建和特征扩展两方面进行优化,以提升算法效率。所提算法仅依赖重叠区域匹配对集合,具有良好的鲁棒性和抗干扰能力。在斯坦福数据集上的实验结果表明：对于较低重叠度的数据集,所提算法在精度和效率上均优于以往的多数算法;对于较高重叠度的数据集,所提算法使精度平均提升28.8%,使效率平均提升47.9%。实验证明所提算法能快速且可靠地配准缺失点云。     

基于四元约束的多视角建筑物Lidar点云配准方法

基于建筑物Lidar点云的特点,提出一种基于四元约束的多视角点云配准算法。建筑物Lidar点云的实验结果表明,在复杂和大场景建筑物Lidar点云的多视角配准中,该算法可以得到较好的配准精度。     

基于粒子群算法的大跨度钢结构吊点层次优化

在面对大跨度钢结构的多台起重机协同吊装时,为了解决各种变形协调方程都不明确情况下的结构吊点设计问题,利用最小应变能原理,基于改进粒子群算法对吊点进行层次优化,即对吊点数量和布局进行综合优化.通过对标准粒子群算法进行改进并结合APDL的ANSYS二次开发技术,在MATLAB环境中编制了适应大跨度钢结构多吊点层次优化的程序,有限元软件ANSYS被后台调用求解目标函数.该方法充分发挥了有限元软件数值计算准确及粒子群算法求极值的高效性和全局性的优点,与ANSYS自带的零阶方法以及遗传算法、模拟退火算法等进化算法相比表明,本优化方法取得了较好的结果,为解决大跨度结构的吊点离散变量组合优化问题提供了一种新的更有效的途径.     

基于改进粒子群优化的BP神经网络图像压缩方法

为了改善反向传播(BP)神经网络算法过度依赖初始参数,导致网络收敛速度慢,容易陷入局部极小值的问题,提出利用改进的粒子群优化(IPSO)算法,对BP神经网络的参数进行优化,找出合适的初始权值和阈值。该文算法在基本粒子群优化(PSO)算法中增加了基于四分位数的选择策略,引入遗传算法的自适应变异概率作为扰动概率,加入基于个体自身适应度值与种群平均适应度值比值的自适应扰动策略。该文算法IPSO-BP对训练图像Lena、测试图像Cameraman和验证图像Peppers效果都有明显的提高,经过IPSO-BP训练的模型峰值信噪比(PSNR)和均方误差(MSE)明显好于惯性权重线性递减的粒子群优化-反向传播(LDWPSO-BP)、基于动态加速因子的粒子群优化-反向传播(PSO-DAC-BP)、基于正态分布衰减惯性权重的粒子群优化-反向传播(NDPSO-BP)、自适应变异粒子群优化-反向传播(ADVPSO-BP)、遗传算法-反向传播(GA-BP)以及天牛须搜索-反向传播(BAS-BP),PSNR在7种算法中最大,MSE在7种算法中最小。虽然IPSO-BP在图像Lena上的压缩率(CR)小于PSO-D...