基于人工蜂群优化的异尺度点云配准算法
1 引言
点云配准是三维重建过程中的关键步骤。三维点云配准主要分为同尺度点云配准和异尺度点云配准两大类。同尺度点云配准对同一三维数据采集设备得到的多片点云进行配准,需正确求解点云空间位置变换的旋转参数、平移参数。而异尺度点云配准是针对不同三维数据采集设备得到的多片点云的,其配准过程还需考虑不同点云之间的尺度差异。但因广泛灵活的适应性,异尺度点云配准逐渐在大场景三维重建、遥感及考古等领域[1-2]受到了越来越多的重视。
异尺度点云配准算法一般可分三大类:基于优化求解的方法[3-4]、基于高斯混合模型(GMM)的方法[5]、基于特征的方法[6-8]。基于优化求解的方法将配准问题转换为非线性最优化问题,并根据目标函数进行迭代收敛求解,但在尺度差异较大的情况下配准效果不佳。基于高斯混合模型的方法的核心是将配准问题转换为求解高斯混合模型参数的问题,但随着点云数量的增加,计算时间会快速增加。基于特征的方法分为特征提取和特征选择两种:前者通过奇异值分解(SVD)得到新的点云特征空间后分步求解配准参数;后者则根据点或线等特征选出特征子集,使用随机抽样一致性(RANSAC)方法或者特征直线的螺旋缩放运动求解配准参数,此类方法配准结果受特征分解或选择效果影响较大,稳定性有待提升。近几年,随着对异尺度点云配准算法研究的不断深入,基于特征学习的方法[9]、基于改进概率模型的方法[10]及基于RANSAC的方法[11]等被提出。ScaleLK方法以深度学习的方式提取尺度特征并进行异尺度点云配准,相比于传统特征提取方法,效率更高,但并未解决特征提取带来的不稳定性问题。MMC算法使用多维混合柯西分布代替高斯分布,解决了配准过程易受噪声影响的问题。基于RANSAC的尺度估计方法具备优异的全局性能,但配准过程耗时较长。
人工蜂群优化算法[12]是一类模拟蜂群觅食行为的最优化算法,具有优化能力好、鲁棒性强和控制参数量少等优点,适用于求解多参数优化问题。近年来已有学者采用该算法进行同尺度点云配准[13],可进一步将人工蜂群优化方法引入到异尺度点云配准问题中,从而获得更好的配准效果。本文首先引入尺度缩放因子,其与三维旋转、平移参数共同作为配准过程中的待求变量,解决了异尺度点云配准的尺度缩放问题;提出基于改进欧氏距离的目标函数,消除尺度缩放因子带来的误差;最后使用人工蜂群优化方法对目标函数进行优化求解,得到有效实现异尺度点云配准的7个配准参数。与其他异尺度点云配准算法相比,所提算法充分利用了仿生智能优化算法的全局优化能力,有效提升了点云配准的精度。
2 算法原理
2.1 异尺度点云配准
点云配准对不同视角下的点云进行空间位置变换,实现对物体形貌的完整重建。源点云
式中:
其中,
平移向量
因此,异尺度配准变换矩阵
在完全配准的情况下,
式中:
2.2 人工蜂群优化
人工蜂群优化方法是一种应用广泛的性能优异的仿生智能优化方法,其优化原理源于蜜蜂觅食行为。算法中的蜜蜂被分为3类:雇佣蜂,发现食物源的蜜蜂,评估食物的价值,将食物信息以一定概率分享给其他蜜蜂;跟随蜂,接收到雇佣蜂的信息,在食物邻域搜索并评估食物价值,保留价值更高的食物;侦察蜂,雇佣蜂的食物被抛弃后,随机进行邻域搜索,寻找新的食物源。
人工蜂群优化方法在每一次迭代中都会进行全局和局部最优的搜索,相较于其他仿生智能优化方法,有全局优化能力好、鲁棒性强、控制参数少的优点,其易用性已经体现在生物医学信号处理、光通信[14]、图像处理[15]等多个领域。其原理简要介绍如下。
首先,随机初始化
式中:
雇佣蜂需要对初始化后的可行解进行邻域搜索,以判断是否需要放弃当前食物,表达式为
式中:
进入跟随蜂阶段,蜂群根据概率
使用人工蜂群优化方法配准同尺度点云时,重点关注蜂群搜索策略的改进和目标函数的构造。Chen等[13]使用差分进化算法改进蜂群搜索策略,进一步提升了配准的精度和效率。马卫[16]在蜂群的个体位置和群体位置中引入振荡环节,可以扩大蜂群搜索点云配准参数的范围。Yi等[17]在欧氏距离目标函数中加入平滑项作为蜂群搜索的目标函数,算法表现出了优异的抗噪性。
3 算法框架
所提算法通过人工蜂群优化方法进行异尺度点云配准,重点解决了三个方面的问题:引入尺度缩放因子
人工蜂群优化方法解决最优化问题时能够同步求解多个参数,这一特点使得在6维配准参数之外引入尺度参数并求解具有便捷性。考虑到标量性质的尺度参数引入会给基于欧氏距离的目标函数带来误差,本文将使用误差构造归一化尺度参数的改进欧氏距离作为目标函数。最后,将7维配准参数共同作为待优化变量进行求解。由于人工蜂群优化求解过程不涉及梯度求导运算和复杂公式推导,使用其求解配准参数的过程中各参数的物理意义更加明确,同时也能充分利用其优异的全局优化能力实现高精度配准。
3.1 尺度缩放因子引入及目标函数构造
在基于仿生智能优化的点云配准问题中,一般使用欧氏距离均值作为目标函数,在异尺度点云配准问题中,提出一种带尺度因子的改进欧氏距离作为目标函数,它们的表达式分别为
尺度点云配准的参数分为尺度因子
3.2 待配准参数求解
异尺度点云配准是一个针对
4 实验及分析
设计三组实验来说明所提算法相比其他算法的优势及解决跨源点云配准问题的可行性。第一组实验使用不同算法对同源点云进行异尺度配准并比较,定性和定量分析所提算法在解决部分重叠点云配准问题上的优势。第二组实验使用所提算法对有噪声干扰的同源点云进行异尺度配准,分析算法的抗噪性。第三组实验使用所提算法对跨源点云进行异尺度配准,直观分析配准结果并对比尺度因子求解值和真实值。
4.1 实验说明
配准实验是在Intel(R)Core™ i5-7600 CPU、8 GB内存的计算机硬件环境下进行的。
1)数据介绍
点云数据信息如
表 1. 点云数据信息
Table 1. Point cloud data information
|
图 2. 同源点云数据。(a)Bun000;(b)Bun045;(c)ArmadilloBack_0;(d)ArmadilloBack_30
Fig. 2. Homologous point cloud data. (a) Bun000; (b) Bun045; (c) ArmadilloBack_0; (d) ArmadilloBack_30
图 3. 跨源点云数据。(a)背包_Kinect;(b)背包_SFM;(c)清华门_Lidar;(d)清华门_SFM;(e)生科楼_Lidar;(f)生科楼_SFM
Fig. 3. Cross-source point cloud data. (a) Bag_Kinect; (b) Bag_SFM; (c) Tsinghua gate_Lidar; (d) Tsinghua gate_SFM; (e) Life science building_Lidar; (f) Life science building_SFM
第二类数据采用悉尼理工大学提供的跨源点云数据背包[19]和中国科学院自动化研究所模式识别国家重点实验室提供的点云数据清华门和生科楼[20]。该类点云数据由不同传感器获取,点云在点数、结构上存在较大的差异,不同传感器获取到的同一物体细节信息有差异,如
2)参数设置
根据蜂群算法在解决各类优化问题上的经验,食物源和雇佣蜂数目
3)评价指标
为评价不同算法的性能,采用均方根误差(RMSE)作为配准效果的定量评价指标。其定义为
式中:
4.2 实验结果及分析
4.2.1 同源点云配准
使用所提算法对Bunny和Armadillo两组同源点云数据进行异尺度配准,并与EBABC-RS-IR[13]、ICP[21]、Scale-ICP[22]和CPD[5]的配准结果进行对比。EBABC-RS-IR和ICP是两种同尺度点云配准方法,Scale-ICP是基于SVD的异尺度点云配准方法,CPD是一种经典的基于GMM的点云配准算法。首先对源点云Bun045和ArmadilloBack_30进行不同程度的缩小,使得源点云到目标点云配准的尺度因子值分别为
图 4. 不同尺度参数下的待配准点云。(a)Bunny,so=20;(b)Bunny,so=10;(c)Bunny,so=1.25;(d)Armadillo,so=20;(e)Armadillo,so=10;(f)Armadillo,so=1.25
Fig. 4. Point clouds to be registered with different scaling factors. (a) Bunny, so=20; (b) Bunny, so=10; (c) Bunny, so=1.25; (d) Armadillo, so=20; (e) Armadillo, so=10; (f) Armadillo, so=1.25
使用不同算法配准的结果如
图 5. 不同尺度因子下各算法对Bunny点云的配准结果。(a)EBABC-RS-IR;(b)ICP;(c)Scale-ICP;(d)CPD;(e)所提算法
Fig. 5. Registration results of various algorithms for Bunny point cloud under different scale factors. (a) EBABC-RS-IR; (b) ICP; (c) Scale-ICP; (d) CPD; (e) proposed algorithm
图 6. 不同尺度因子下各算法对Armadillo点云的配准结果。(a)EBABC-RS-IR;(b)ICP;(c)Scale-ICP;(d)CPD;(e)所提算法
Fig. 6. Registration results of various algorithms for Armadillo point cloud under different scale factors. (a) EBABC-RS-IR; (b) ICP; (c) Scale-ICP; (d) CPD; (e) proposed algorithm
由于EBABC-RS-IR和ICP算法已直观地说明了在异尺度点云配准中的无效性,因此仅从均方根误差值和算法使用时间两个方面来定量分析Scale-ICP、CPD和所提算法的异尺度点云配准性能。从
表 2. 不同尺度缩放因子下各配准算法所求均方根误差值
Table 2. RMSE for each registration algorithm with different scaling factors
|
表 3. 不同尺度缩放因子下各配准算法的使用时间
Table 3. Time for each registration algorithm with different scaling factors
|
综合
4.2.2 白噪声环境下的配准
受设备、采集环境及目标物体的影响,采集到的点云数据中会存在一定的噪声。漂移点和孤立点这两种噪声由于数目少且离目标物体较远,对配准过程的影响可忽略。对于超过预定扫描区域的噪声,可通过裁剪点云来降低对配准过程的影响。混杂在目标物体中的噪声点云难以去除,从而造成点云配准精度较低。为点云添加白噪声可较大程度地模拟混杂点类型的点云噪声,从而有效验证所提算法的抗噪能力。
在
图 7. 不同噪声下点云配准结果。(a)Bunny,20 dB;(b)Bunny,25 dB;(c)Bunny,30 dB;(d)Armadillo,20 dB;(e)Armadillo,25 dB;(f)Armadillo,30 dB
Fig. 7. Point cloud registration results under different noise. (a) Bunny, 20 dB; (b) Bunny, 25 dB; (c) Bunny, 30 dB; (d) Armadillo, 20 dB; (e) Armadillo, 25 dB; (f) Armadillo, 30 dB
不同白噪声干扰下,点云配准的均方根误差值和使用时间如
表 4. 不同噪声干扰下所提算法所求均方根误差值
Table 4. RMSE of the proposed algorithm under different noise
|
表 5. 不同噪声干扰下所提算法使用时间
Table 5. Time of the proposed algorithm under different noise
|
点云噪声越大,配准后的精度越低,而算法使用时间变化不大,直观配准结果
4.2.3 跨源点云配准
为验证所提算法在解决跨源点云配准问题中的有效性,采用背包、清华门和生科楼三组跨源点云进行配准,各组数据的点云相对状态如
图 8. 待配准跨源点云的相对初始状态。(a)背包;(b)清华门;(c)生科楼
Fig. 8. Relative initial state of cross-source point clouds to be registered. (a) Bag; (b) Tsinghua gate; (c) Life science building
配准结果如图
图 10. 清华门点云配准结果。(a)主视角;(b)俯视角;(c)侧视角
Fig. 10. Tsinghua gate point cloud registration results. (a) Main perspective; (b) prone perspective; (c) side perspective
图 11. 生科楼点云配准结果。(a)主视角;(b)俯视角;(c)侧视角
Fig. 11. Life science building point cloud registration results. (a) Main perspective; (b) prone perspective; (c) side perspective
清华门和生科楼均为建筑物点云数据,各片点云数据较大且待配准点云的数目也相差较大,
综上,所提算法对有结构差异、点云数目相差较悬殊的跨源点云配准同样适用,同时也可以较高精度求出两片不同源点云配准之间的尺度因子值。
5 结论
提出一种基于人工蜂群优化的异尺度点云配准方法,通过将点云配准的7个参数作为待求解量,用人工蜂群优化方法进行求解。采用带尺度的改进目标函数,相比于将欧氏距离作为目标函数,改进后的目标函数求解精度更高且求解结果更加稳定。相比于基于梯度、基于混合高斯模型、基于特征的异尺度点云配准方法,基于人工蜂群优化的方法在时间、精度上都具有优势。针对跨源点云配准,所提方法求解出尺度因子后实现了细节信息的互补,可进一步使用重建出来的完整模型进行纹理映射。
[1] Li J Y, Hu Q W, Ai M Y. Point cloud registration based on one-point RANSAC and scale-annealing biweight estimation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(11): 9716-9729.
[2] 张子健, 程效军, 曹宇杰, 等. 结合激光与视觉点云的古遗迹三维重建应用[J]. 中国激光, 2020, 47(11): 1110001.
[3] 林宝尉, 王法胜, 孙怡. 基于SGICP的点云尺度估计及配准算法[J]. 计算机应用与软件, 2018, 35(5): 202-207.
Lin B W, Wang F S, Sun Y. Sgicp-based point cloud scale estimation and alignment algorithm[J]. Computer Applications and Software, 2018, 35(5): 202-207.
[4] Wu Z Z, Chen H C, Du S Y, et al. Correntropy based scale ICP algorithm for robust point set registration[J]. Pattern Recognition, 2019, 93: 14-24.
[5] Myronenko A, Song X B. Point set registration: coherent point drift[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(12): 2262-2275.
[6] Du S Y, Cui W T, Wu L Y, et al. Precise iterative closest point algorithm with corner point constraint for isotropic scaling registration[J]. Multimedia Systems, 2019, 25(2): 119-126.
[7] 盛庆红, 张斌, 肖晖, 等. 直线簇约束下的地面LiDAR点云配准方法[J]. 武汉大学学报·信息科学版, 2018, 43(3): 406-412.
Sheng Q H, Zhang B, Xiao H, et al. A registration method based on line cluster for terrestrial LiDAR point clouds[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3): 406-412.
[8] 张琮毅, 魏子庄, 徐昊文, 等. 尺度可变的快速全局点云配准方法[J]. 计算机学报, 2019, 42(9): 1939-1952.
Zhang C Y, Wei Z Z, Xu H W, et al. Scale variable fast global point cloud registration[J]. Chinese Journal of Computers, 2019, 42(9): 1939-1952.
[9] Xu S, Shang Y L. ScaleLK: registration of point clouds with different scales using deep learning methods[J]. IOP Conference Series Materials Science and Engineering, 2020, 768(7): 072089.
[10] 唐志荣, 刘明哲, 王畅, 等. 基于多维混合柯西分布的点云配准[J]. 光学学报, 2019, 39(1): 0115005.
[11] 李绕波, 袁希平, 甘淑, 等. 一种基于对偶四元素描述的线面特征约束的点云配准方法[J]. 光学学报, 2022, 42(2): 0214003.
[12] Karaboga D, Basturk B. On the performance of artificial bee colony (ABC) algorithm[J]. Applied Soft Computing, 2008, 8(1): 687-697.
[13] Chen L, Kuang W Y, Fu K. A resample strategy and artificial bee colony optimization-based 3d range imaging registration[J]. Computer Vision and Image Understanding, 2018, 175: 44-51.
[14] 巩稼民, 刘芳, 吴艺杰, 等. 基于神经元网络和人工蜂群算法的拉曼光纤放大器设计方案[J]. 光学学报, 2021, 41(20): 2006002.
[15] Rostami O, Kaveh M. Optimal feature selection for SAR image classification using biogeography-based optimization (BBO), artificial bee colony (ABC) and support vector machine (SVM): a combined approach of optimization and machine learning[J]. Computational Geosciences, 2021, 25(3): 911-930.
[16] 马卫. 仿生群智能优化算法及在点云配准中的应用研究[D]. 南京: 南京大学, 2020: 82-114.
MaW. Bionic swarm intelligence optimization algorithm and its application in point clouds registration[D]. Nanjing: Nanjing University, 2020: 82-114.
[17] YiZ L, LiY, GongM L. An efficient algorithm for feature-based 3D point cloud correspondence search[M]∥Bebis advances in visual computing. Lecture notes in computer science. Cham: Springer, 2016, 10072: 485-496.
机器视觉课题组. 三维重建数据集[EB/OL]. (2011)[2022-05-26]. http://vision.ia.ac.cn/zh/data.
[21] Besl P J, McKay N D. A method for registration of 3-D shapes[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1992, 14(2): 239-256.
[22] Ying S H, Peng J G, Du S Y, et al. A scale stretch method based on ICP for 3D data registration[J]. IEEE Transactions on Automation Science and Engineering, 2009, 6(3): 559-565.
Article Outline
范怡萍, 葛宝臻, 陈雷. 基于人工蜂群优化的异尺度点云配准算法[J]. 激光与光电子学进展, 2023, 60(12): 1210023. Yiping Fan, Baozhen Ge, Lei Chen. Registration Algorithm for Differently Scaled Point Clouds Based on Artificial Bee Colony Optimization[J]. Laser & Optoelectronics Progress, 2023, 60(12): 1210023.