约束改进的ICP点云配准方法

提高配准速度和精度是点云配准研究的重点。提出一种距离约束改进的迭代邻近点算法,针对邻近点法中找到的配准点,采用最近原则排除含相同点的点对;使用配准点重心作为参考点,结合点对距离约束排除误配准点对后进行点云配准;与使用点云重心作为参考点的方法和迭代邻近点算法进行了比较。实验结果表明,在配准速度和精度方面,提出的算法都有了提高,实现了点云的快速、准确配准。

一种基于参考点距离的SIFT特征点匹配算法

针对SIFT特征点匹配时间消耗大的问题,提出了一种基于参考点距离的SIFT特征点匹配算法—DRP算法。该算法首先计算一次所有待匹配特征点到参考点之间的距离,对之进行快速排序并保存。然后计算待查询特征点到参考点的距离,并在已排序的距离中使用二分法搜索返回此距离的最近邻。最后以此最近邻为中心,在有限范围内搜索待查询特征点的近似最近邻。VGG实验室ACF图片库的测试结果表明,相比于经典的SIFT算法,DRP算法可以在不损失匹配效果的前提下,有效降低SIFT特征点匹配的时间消耗。

基于自适应聚合距离的多目标进化算法

随着目标数的增多,种群收敛性与分布性的冲突愈加激烈,传统的多目标进化算法的选择算子难以平衡种群的收敛性与分布性.对此,提出一种基于自适应聚合距离的多目标进化算法.首先,采用参考点支配关系替代原有的Pareto支配关系,以增加选择压力,加强收敛性;其次,提出自适应聚合距离,通过动态变化的惩罚参数来自适应调整收敛性与分布性的比例;最后,设计一种带有淘汰算子的方法以改进小生境选择策略,根据自适应聚合距离的大小进行选择和淘汰操作.为验证算法的可行性,将所提出算法在测试问题上与其他4种优秀的多目标进化算法进行比较,并应用于两个实际应用中,仿真结果表明,所提出算法的综合性能更优,能有效平衡种群的收敛性与分布性.