Алгоритм адаптивного гибридного оптимизационного поиска соответствия при регистрации облака точек

Полный текст на elibrary.ru

Публикация в Journal of Optical Technology

Ссылка для цитирования:

Yang Yang, Ming Li, Xie Ma An adaptive hybrid harmony search optimization algorithm for point cloud fine registration (Алгоритм адаптивного гибридного оптимизационного поиска соответствия при регистрации облака точек) [на англ. яз.] // Оптический журнал. 2021. Т. 88. № 5. С. 36–51. http://doi.org/10.17586/1023-5086-2021-88-05-36-51

Yang Yang, Ming Li, Xie Ma An adaptive hybrid harmony search optimization algorithm for point cloud fine registration (Алгоритм адаптивного гибридного оптимизационного поиска соответствия при регистрации облака точек) [in English] // Opticheskii Zhurnal. 2021. V. 88. № 5. P. 36–51. http://doi.org/10.17586/1023-5086-2021-88-05-36-51

Ссылка на англоязычную версию:

Y. Yang, M. Li, and X. Ma, "Adaptive hybrid harmony search optimization algorithm for point cloud fine registration," Journal of Optical Technology. 88(5), 252-263 (2021). https://doi.org/10.1364/JOT.88.000252

Аннотация:

Точная регистрация облака точек является ключевым этапом в его предобработке. Существующие алгоритмы такой регистрации все еще сталкиваются с такими проблемами как низкая точность и невысокая скорость итерационного процесса. Для повышения эффективности поискового алгоритма разработан метод точной регистрации облака точек на основе адаптивного гибридного оптимизационного поиска соответствия. Вначале введена математическая модель процедуры точной регистрации, использующая итеративный алгоритм ближайших точек. Далее рассмотрены недостатки базового алгоритма поиска соответствия и предложены дополнительные стратегии для улучшения вычислительных характеристик: хаотическое кубическое отображение, алгоритм лягушачьих прыжков с перегруппировкой, адаптивная параметризация и квадратичная интерполяция. Наконец, разработанный алгоритм был проверен с использованием контрольных функций и данных регистрации облака точек. Для сравнения были использованы еще пять других традиционных алгоритмов. Компьютерное моделирование показало высокую эффективность предложенного алгоритма.

Ключевые слова:

облако точек, точная регистрация, итеративный алгоритм ближайших точек, адаптивный гибридный оптимизационный поиск соответствия

Благодарность:

Работа выполнена при поддержке Фонда естественных наук гю Нинбо, Китай (грант № 2016A610039).

Коды OCIS: 150.0150, 100.0100

Список источников:

1. Mian S.H., Mannan M.A., Al-Ahmari A. Accuracy of a reverse-engineered mould using contact and noncontact measurement techniques // Int. J. Comput. Integr. Manuf. 2015. V. 28. № 5. P. 419–436.
2. Kumara W.G.C.W., Yen S.H., Hsu H.H., Shih T.K., Chang W.C., Togootogtokh E. Real-time 3D human objects rendering based on multiple camera details // Multimed. Tools. Appl. 2017. V. 76. № 9. P. 11687–11713.
3. Florent P., Romain N., Line V.W., Nys G.A., Billen R. 3D point clouds in archaeology: Advances in acquisition, processing and knowledge integration applied to quasi-planar objects // Geosci.2017. V. 7. № 4. P. 96.
4. Yang X.C., Clements L.W., Luo M., Narasimhan S., Dawant B.M., Miqa M.I. Stereovision-based integrated system for point cloud reconstruction and simulated brain shift validation // J. Med. Imaging. 2017. V. 4. № 3. P. 035002.
5. Besl P.J., McKay H.D. A method for registration of 3-D shapes // IEEE Trans. Pattern. Anal. Mach. Intell. 1992. V. 14. № 2. P. 239–256.
6. Cheng L., Song C., Liu X.Q., Xu H., Wu Y., Li M., Chen Y. Registration of laser scanning point clouds: A Review // Sensors. 2018. V. 18. № 5. P. 1641.
7. Guo H., Pan J.Z., Lin D.J. Registration of point cloud data of multi-population genetic algorithm based on real coding // J. East. China. Univ. Sci. Technol. 2007. V. 33. № 5. P. 733–736.
8. Wang X., Zhang M.M., Yu X., Zhang M.C. Point cloud registration based on improved iterative closet point method // Opt. Precis. Eng. 2012. V. 20. № 9. P. 2068–2077.
9. Senin N., Colosimo B.M., Pacella M. Point set augmentation through fitting for enhanced ICP registration of point clouds in multi-sensor coordinate metrology // Robot. Comput. Integr. Manuf. V. 29. № 1. P. 39–52.
10. Liu J., Zhu J., Yang J., Meng X. L., Zhang H. Three-dimensional point cloud registration based on ICP algorithm employing K-D tree optimization // Int. Conf. Digit. Image. Process, Chengu, 2016. P. 872–876.
11. Huang J.H., Wang Z., Gao J., Huang Y., Towers D.P. High-precision registration of point clouds based on sphere feature constraints // Sensors. 2017. V. 17. № 1. P. 72.
12. Zhao F.Q., Zhou M.Q. Improved probability iterative closest point registration algorithm // J. Graph. V. 38. № 1. P. 15–22.
13. Yang P., Zhou Y.H., Yao J., Tang Y., Chen J.B. Three-dimensional shape reconstruction via an objective function optimization-based point cloud registration method // Opt. Eng. 2017. V. 56. № 11. P. 1.
14. He Y., Liang B., Yang J., Li S.Z., He J. An iterative closest points algorithm for registration of 3D laser scanner point clouds with geometric feature // Sensors. 2017. V. 17. № 8. P. 1862.
15. Lin C.Y., Veneziani A., Ruthotto L. Numerical methods for Polyline-to-Point-Cloud registration with applications to Patient-Specific Stent reconstruction // Int. J. Numer. Method. Biomed. Eng. 2018. V. 34. № 3. P. e2934.

16. Petricek T. and Svoboda T. Point cloud registration from local feature correspondences-evaluation on challenging datasets // Plos. One. 2017. V. 12. № 11. P. e0187943.
17. Yu C.K., Ju D.Y. A maximum feasible subsystem for globally optimal 3D point cloud registration // Sensors. 2018. V. 18. № 2. P. 544.
18. Luo N., Wang Q. Effective outlier matches pruning algorithm for rigid pairwise point cloud registration using distance disparity matrix // IET Comput. Vis. 2017. V. 12. № 2. P. 220–232.
19. Zhang J., Ackland D., Fernandez J. Point-cloud registration using adaptive radial basis functions // Comput. Method. Biomec. 2018. V. 21. № 7. P. 498–502.
20. Zhang X., Jian L., Xu M. Robust 3D point cloud registration based on bidirectional maximum correntropy criterion // Plos. One. 2018. V. 13. № 5. P. e0197542.
21. Sun D.Z., Guo H.S., Li Y.R., Nie L.K. Method of rigid registration based on Poisson reconstruction of local sample points // J. Mech. Eng. 2018. V. 54. № 15. P. 141–149.
22. Tang Z.R., Liu M.Z., Jiang Y., Zhao F.X. Point cloud registration algorithm based on canonical correlation analysis // Chin. J. Laser. 2019. V. 46. № 4. 1–17.
23. Tang Z.R., Liu M.Z., Wang C., Jiang Y. Point cloud registration algorithm based on multi-dimensional mixed Cauchy distribution // Act. Opt. Sin. 2019. V. 39. № 1. 1–21.
24. Liu M., Shu Q., Yang Y.X., Yuan F. Three-dimensional point cloud registration based on independent component // Laser. Opt. Prog. 2019. V. 56. № 1. 1–17.
25. Sun S.F., Li Z., Xia K., Shi Y.F., Yang J.Q., Dong F.M. Variable scale point cloud registration algorithm // J. Syst. Simul. 2018. V. 30. № 7. P. 2465–2474.
26. Li L., Yang M., Wang C.X., Wang B. Robust point set registration using signature quadratic form distance // IEEE Trans. Cybern. 2018. V. 50. № 5. 2097–2109.
27. Naus K., Marchel L. Use of a weighted ICP algorithm to precisely determine USV movement parameters // Appl. Sci. Basel. 2019. V. 9. № 17. P. 3530.
28. Geem Z.W., Kim J.H., Loganathan G.V. A new heuristic optimization algorithm: Harmony Search // Simulation. 2001. V. 2. № 2. P. 60–68.
29. Fourie J., Mills S., Green R. Harmony filter: A robust visual tracking system using the improved harmony search algorithm // Image. Vision. Comput. 2010. V. 28. № 12. P. 1702–1716.
30. Gao M.L., He X.H., Luo D.S., Yu Y.M. Object tracking based on harmony search: Comparative study // J. Electron. Imaging. 2012. V. 21. № 4. P. 3001–3014.
31. Li J., Duan H. Novel biological visual attention mechanism via Gaussian harmony search // Optik. 2014. V. 125. № 10. P. 2313–2319.
32. Talarposhti K.M., Jamei M.K. A secure image encryption method based on dynamic harmony search (DHS) combined with chaotic map // Opt. Laser. Eng. 2016. V. 81. P. 21–34.
33. Salehi M., Granpayeh N. Design of an optical comb generator based on harmony search algorithm // J. Nanophotonics. 2018. V. 12. № 4. P. 046006.
34. Wu Y.L., Zhang X.D., Yan H.M. Focusing light through scattering media using the harmony search algorithm for phase optimization of wavefront shaping // Optik. 2018. V. 158. P. 558–564.
35. Zhang T.H., Geem Z.W. Review of harmony search with respect to algorithm structure // Swarm. Evol. Comput. 2019. V. 48. P. 31–43.
36. Wang X., Gao X.Z., Zenger K. An introduction to harmony search optimization method. Switzerland: Cham, 2015. P. 21.
37. Tao C.H., Yang C.D. Three control strategies for the Lorenz chaotic system // Chaos. Soliton. Fract. 2008. V. 35. № 5. P. 1009–1014.
38. Eusuff M., Lansey K., Pasha F. Shuffled frog-leaping algorithm: A memetic meta-heuristic for discrete optimization // Eng. Optimiz. 2006. V 38. № 2. P. 129–154.
39. Mahdavi M., Fesanghary M., Damangir E. An improved harmony search algorithm for solving optimization problems // Appl. Math. Comput. 2007. V. 188. № 2. P. 1567–1579.
40. Ali M.M., Törnb A. Population set-based global optimization algorithms: Some modifications and numerical studies // Comput. Oper. Res. 2004. V. 31. № 10. P. 1703–1725.
41. Pan Q.K., Suganthan P.N., Liang J.J. A local-best harmony search algorithm with dynamic sub-harmony memories for lot-streaming flow shop scheduling problem // Expert. Syst. Appl. 2011. V. 38. № 4. P. 3252–3259.
42. Holland J. H. Genetic algorithms and the optimal allocation of trials // Siam. J. Comput. 1973. V. 2. № 2. P. 88–105.
43. Mirjalili S. Dragonfly algorithm: A new meta-heuristic optimization technique for solving single-objective discrete, and multi-objective problems // Neural. Comput. Appl. 2016. V. 27. № 4. P. 1053–1073.
44. Mirjalili S. The whale optimization algorithm // Adv. Eng. Softw. 2016. V. 95. № 5. P. 51–67.