[發明專利]一種基于加速高斯混合模型的空間目標重建方法

在審

• 申請號: 201810570805.8
• 申請日: 2018-06-05
• 公開（公告）號: CN108921935A
• 公開（公告）日: 2018-11-30
• 發明（設計）人: 朱效洲;曹璐;姚雯;陳小前;趙勇;白玉鑄;王祎
• 申請（專利權）人: 中國人民解放軍軍事科學院國防科技創新研究院
• 主分類號: G06T17/00
• 分類號: G06T17/00;G06K9/62
• 代理公司: 北京辰權知識產權代理有限公司 11619
• 代理人: 劉廣達

一種基于加速高斯混合模型的空間目標重建方法，包括：讀入點云數據；根據給定高斯混合模型分量的個數K，使用K?means++算法從點云中篩選出K個點作為初始聚類中心；使用K?means算法將所述點云聚類為K個簇；根據每個簇中所包含點的情況，分別對權重、均值、協方差矩陣初始化，作為所述高斯混合模型參數的初值；使用高斯混合模型對所述參數進行迭代更新，獲取最終的估計值。該重建方法針對航天器近距離感知中的目標三維結構重建問題進行研究，目標點云中包含數量巨大的點，結合算法流程設計和CPU?GPU異構實現，重建過程中計算速度快，魯棒性強。

技術領域

本發明涉及航天器近距離感知領域，特別涉及一種基于加速高斯混合模型的空間目標重建方法。

背景技術

點云可用于對目標外形進行直觀描述，但對于進一步接近或抓捕等任務來說，這種形式的描述遠不能滿足任務需求，還需要在此基礎之上進一步獲取目標外形的解析描述。

高斯混合模型(Gaussian Mixture Model,GMM)作為一種功能強大的參數化概率模型，核心思想在于將目標建模為多個高斯分布加權和的形式，已廣泛應用于背景建模、圖像分割、超像素生成、語音識別等各個領域，取得了豐碩的成果。

Jian等最早在兩點云配準過程中使用GMM對點云進行建模，最終將配準問題轉化為兩個GMM的對齊問題。在建模過程中，點云中的每個點使用一個高斯分量進行表示，各高斯分量的權重和協方差矩陣相同，均值為各點在3D空間中的坐標。Eckart等和Evangelidis等分別在兩點云配準和多點云配準中使用GMM 對點云進行建模。二者相同之處在于均使用少量GMM表示整個點云，而并非像 Jian等那樣使用GMM表示每個點，這大大減少了所需GMM的數量；不同之處在于前者并不限定協方差矩陣的形式，而后者為簡化計算過程使用各向同性的協方差矩陣。在Evangelidis等基礎之上，Danelljan等還在對點云建模過程中引入除點云3D坐標之外的顏色信息，通過提高GMM維數以期提高點云配準的精度。目標點云中往往包含數量巨大的點，可能有幾萬、幾十萬、乃至上百萬的量級，使用原始GMM對目標點云進行重建會消耗大量的時間，因此需要對其進行加速。

在上文提到的文獻中，只有Eckart等利用GMM算法的并行特性，利用GPU 對建模過程進行加速，但文獻中并未涉及加速過程的實現細節。此外，Eckart等還在近期提出一種自頂向下的分層GMM模型，用于加速點云配準之前的建模過程。

使用原始高斯混合模型(Gaussian Mixture Model，GMM)對目標點云進行重建主要有以下兩個方面的缺點：目標點云中包含數量巨大的點，可能有幾萬、幾十萬乃至上百萬的量級，重建會消耗大量的時間，需要對其進行加速；重建過程中的不確定性對最終結果影響很大，魯棒性較差，如對參數初值的依賴性較強，初值選取不好容易導致參數估計無法收斂。因此，需要一種新的方法，解決目前方法所存在的計算量大、魯棒性弱等問題。

發明內容

本發明的目的是通過以下技術方案實現的。

本發明設計了一種基于加速高斯混合模型的空間目標重建方法。該重建方法針對航天器近距離感知中的目標三維結構重建問題進行研究，解決了目前方法所存在的計算量大、魯棒性弱等問題。

一種基于加速高斯混合模型的空間目標重建方法，包括：

讀入點云數據；

根據給定高斯混合模型分量的個數K，使用K-means++算法從點云中篩選出K個點作為初始聚類中心；

使用K-means算法將點云聚類為K個簇；

根據每個簇中所包含點的情況，分別對權重、均值、協方差矩陣初始化，作為高斯混合模型參數的初值；

使用高斯混合模型通過期望最大化算法對參數進行迭代更新，獲取最終的估計值。