车载激光扫描(mobile laser scanning，MLS)能快速获大场景点云数据，在道路交通领域有应用价值和潜力[1-2]，如道路信息调查[3]和智能驾驶高精度三维地图制作[4]。MLS硬件系统发展很快，形成了多种类型的商业化产品，该系统必要组件包括激光扫描仪、高精度POS系统和高精度时间同步控制系统[5]。由于MLS测量存在视场限制和遮挡，需要将地面激光扫描(terrestrial laser scanning，TLS)点云数据作为补充。MLS点云位于大地坐标系，TLS点云位于局部坐标系，需要进行坐标转换。本文采用TLS与MLS点云配准以完成基准统一。

综上所述，我国大多的水利工程均存在不同程度的渗水问题，因此，堤坝防渗加固施工是水利工程施工中的重要内容，对水利设施的使用质量有着重要的影响，而对于堤坝防渗加固技术的选择，则应该在分析渗漏原因以及类型的基础上，合理选择施工技术，秉着具体问题具体治理的原则，做好堤坝渗水病害的防渗施工。

点云自动配准一般按“初始配准”和“精配准”两步进行[6]。点云精配准最著名的算法是ICP算法[7-9]。最小二乘3D(least-squares 3D，LS3D)表面配准[10]近些年也被采用。ICP和LS3D均使用局部优化算法，局部优化收敛性依赖于初始转换参数。初始配准为精配准提供初始值，研究最多的是特征匹配。特征匹配通过在重叠区自动提取特征建立对应关系，所采用的特征需要具有旋转和平移不变性，如曲率和点标签[11]、旋转图像(spin image)[12]、快速点特征直方图(FPFH)[13]。文献[14—15]对已有特征描述子进行了总结，并比较了它们的性能，结果表明特征提取方法需谨慎选择。点云特征匹配面临分布不均匀、噪声、部分重叠、数据量大、重复结构等诸多问题，加上无法准确度量同名对应关系的几何质量，特征匹配的优化往往耗时且容易失败[16]。

除两步配准外，遗传算法(genetic algorithm，GA)可一步完成配准[17]。GA是一种全局优化算法，采用在整个解空间全局自适应地搜索最优解[18]。GA很早被应用于3D医学点云配准[19]。文献[20]分析了GA应用在点云配准中的细节，提出了基于均方误差(mean square errors，MSE)的配准模型。文献[21—23]均采用基于MSE的配准模型进行GA配准。MSE度量准则源自局部优化算法，需要转化为最大化的适应度值用于评价转换参数的好坏程度。与基于特征的配准相比，GA配准不需要特征提取和描述；与ICP相比，GA配准不依赖于初始转换参数，但效率更低。论文提出一种结合GA与ICP的高效率自动配准方法。

1 GA简述

GA是一种采用随机搜索机制的全局优化方法，模拟生物进化过程，即保持一个候选解组成的种群，用3个遗传操作完成进化：选择、交叉和变异[18，24-26]。不同的优化问题，进化操作的解表达形式不同。解转化为其表达形式的过程称为编码，即将搜索空间的解表示为由多个基因组成的可遗传操作的染色体，形式上为一个向量。解码是编码的逆操作。数值优化问题采用数值编码和解码方法，常用方法为二进制和浮点编码[26]。前者是将实数解转为二进制数构成染色体，相应解码为二进制数染色体转成实数解；后者直接将实数解作为染色体，无须解码。实数编码没有转化精度损失，效率更高，也易与经典优化估计方法结合使用[18]。

标准GA包括3个主要步骤：种群初始化、适应度计算和遗传操作。在确定编码方式后，进行种群初始化生成候选解集。种群是由个体组成的集合{Pop| Ch1，Ch2，…，ChM}。M为个体数目，其经验值取几十至几百。种群初始化方法一般为均匀随机生成搜索空间内样本集合。搜索空间是优化问题的解域，定义为[-U，U]，U为搜索空间上限。GA优化获得最优解的过程是种群进化的过程，适应度用于评价解的好坏，是选择操作的依据。适应度函数是非负最大的，一般由目标函数转化而来。由于搜索空间、适应度函数定义与实际问题相关，点云配准的相关定义在GA配准一章阐述。

遗传操作是模拟生物基因产生下一代的操作，包括选择、交叉和变异。选择操作是从父代总群中选择M个染色体作为子代进行进化。某一个体被选中的机会应当与适应度值成比例，适应度越高，被选中的概率越大。期望值选择[26]是一种较好的算法，可以确保适应度值较大的个体以较高的概率被选择。首先，直接复制∑Numi个个体到下一代

(1)

式中，Fi为第i个个体的适应度值。复制后剩余适应度值为

(2)

所有个体的剩余适应度值用于按适应度比例随机选择余下的M-∑Numi个个体。

交叉操作通过双亲染色体的基因值依交叉概率Pc作运算产生两个新的个体，变异操作依变异概率Pm改变染色体一个或多个基因值产生新个体。交叉与变异操作与编码方式有关。算术交叉和非均匀变异方法适用于浮点编码方法[18]，在本文提出的方法中被采用。依经验，Pc取0.6～1的值，Pm不大于0.1。为了让某一代的最优解不被交叉和变异操作破坏，适应度值最高的个体直接复制到下一代群体中。

适应度值计算和遗传操作迭代进行，构成了GA进化过程。GA进化的终止条件为以下两个条件满足任意一个时：

(1) 最大代数maxgen：进化代数达到maxgen时终止；

(2) 最大适应度保持不变代数maxbest：最大适应度值已maxbest代(相邻两代最大适应度值相等)保持不变则终止。为了获得全局最优解，maxgen和maxbest不能过小。

甲硝唑联合过氧化氢冲洗宫腔治疗产褥感染疗效与安全性的Meta分析 …………………………………… 张 波等（12）：1711

2 配准方法

2.1 问题描述

点云配准分解为两个子问题：如何建立同名对应关系(correspondences，CORRS)；如何利用CORRS构造优化目标函数估计坐标转换参数。传统基于特征的配准是先提取关键点(特征明显且感兴趣的点)，对关键点进行描述，再利用相似关系建立CORRS；采用RANSAC算法剔除错误CORRS，并估计最优转换参数。ICP配准利用距离最近点构造CORRS，再利用距离阈值和法向量夹角阈值剔除错误CORRS，进而估计最优转换参数。基于特征的配准和ICP配准归纳为4步[27]：点云选择、CORRS建立、错误CORRS剔除、转换参数估计。点云选择是选择部分的点用于配准，目的是提高配准效率。基于特征的配准关键点提取的过程即为点云选择。ICP配准则采用下采样完成点云选择，应用较多的方法为法线空间采样，它在法向量空间内均匀随机抽样，结果表现为地物特征变化大的地方剩余点较多，变化小的地方剩余点稀少，可有效保持地物特征[9]。

给定待配准点云S的匹配点Si，基准点云T的点Ti，点云配准首先建立S和T的对应关系(Si，Tj)，再根据对应关系建立目标函数并估计最优转换参数。这里，S为TLS点云，T为MLS点云。点云配准采用的变换模型如下[27]

Tj=t+RSi

(3)

式中，S是待配准点云，Si=[Sxi Syi Szi]T为第i个配准点；基准点云T，Tj=[Txj Tyj Tzj]T为对应点；t=[tx ty tz]T为平移向量；R表示旋转矩阵，是x、y、z轴三个旋转角α、β、γ的函数。

[11] SEEGER S, LABOUREUX X. Feature Extraction and Registration: An Overview[M]∥GIROD B, GREINER G, NIEMANN H. Principles of 3D Image Analysis and Synthesis. Kluwer: Academic Publishers, 2002: 153-166.

传统配准方法的优化目标为CORRS距离平方和最小，即MSE度量

(4)

式中，N为CORRS数目。

式中，ni和nj为对应点的归一化法向量；Sc为距离映射函数，其值称为匹配分数。Sc需要满足：0<Sc≤1，单调递增。第1个条件使得F是归一化的，不会随CORRS数目增大而无限增大；第2个条件使距离越大，分数越小，即对F贡献越小。

2.2 GA配准

GA本身是一种全局的启发式的优化方法，它在整个转换参数空间自适应搜索最优解。这里将GA配准概括为4个步骤(如图1所示)：总群初始化和点云选择，待配准点云转换，适应度计算，遗传操作。后3个步骤迭代计算，构成GA进化过程。总群初始化和GA进化已作了描述。在预处理后，点云数据量仍然较大，很多点位于地面，需用点云选择提高配准效率。GA配准点云选择方法与ICP配准相同，即为法线空间采样法。

我的离职或多或少也受了这事影响，觉得华为制度太不讲人性，再加上一些其他因素，我的离开多少带着情绪。可以说，那时我看华为，偏颇而片面。

虚线框内为遗传进化过程 图1 遗传算法配准流程 Fig.1 The flow chart of the proposed GA registration

GA配准建立CORRS的方法为先对待配准点云进行转换，然后用邻近点搜索距离最近点建立CORRS。点云转换和邻近点搜索需要对总群每一个体分别进行，为计算最耗时的阶段。点云转换和适应度计算对个体的计算是独立的，可以采用多核并行运算，本文采用OpenMP编程[28]作加速。

[12] JOHNSON A E, HEBERT M. Using Spin Images for Efficient Object Recognition in Cluttered 3D Scenes[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1999, 21(5): 433-449.

F=e-E

(5)

由于S和T部分重叠，文献[17,20]提出在GA配准中使用距离截断MSE模型对式(4)作修正。距离截断函数为

(6)

式中，dth为距离阈值，它是重叠区域CORRS的最大距离。Silva模型将CORRS分为两类：重叠区域内为内点和非重叠区域内为外点。该模型意味着通过最小化MSE同时最大化内点数目得到最优转换参数。

2.3 搜索空间

GA是在整个搜索空间进化搜索最优解的过程。点云配准的搜索空间由转换参数的上界U确定，即[-U，U]。在任意情况下，α、β、γ的上界为180°，tx、ty、tz是无界的。如果搜索空间过大，GA收敛慢，或早熟(收敛至局部最优)，或退化为随机搜索。搜索空间越小，GA收敛速度越快，配准效率越高。因此，确定一个有限且尽可能小的搜索空间是必要的。

同Silva模型一样，这里将整个匹配区域也分为重叠区域和非重叠区域。为了保证距离较近的CORRS获得高的分数，重叠区域又分为理想重叠区域和缓冲区域。重叠区域内两个区域分段处的距离阈值称为理想距离dideal。在dideal处，匹配点被赋予分数高置信度0.95；在dth处，被赋予分数低置信度0.05。利用负指数函数定义连续的匹配分数函数(如图2所示)。

如果所采用的扫描仪不带内置GPS，可采用其他的辅助测量方式获取设站位置，如外置GPS或GPS RTK。GPS RTK采用差分GPS定位，精度达厘米级，则tx、ty、tz的搜索范围可限定在0.1 m以内，即tx，ty，tz∈ [-0.1 m，0.1 m，0.1 m]。无论采用何种辅助测量方式，平移向量的搜索范围应根据定位精度进行设置。

2.4 NSMS配准模型

已有GA配准方法采用基于MSE的配准模型。MSE度量源自局部优化算法，应用于全局优化精度会受影响。对应点满足di≤dth时为内点，增加K个内点，目标函数值为

(7)

通过作差计算，如果di≤1，则EK≤E；否则EK>E。当dth>1 m(文献[17]取值为5 m，本文取值2 m)且1<di≤dth时EK>E，即增加内点目标函值增大，与内点增加目标函数减小的期望相反。

含平衡机约束条件的区间直流潮流模型与方法//鲁广明,严剑峰,丁涛,谢昶,李方兴,吕颖,毛学魁//(20):80

这里则提出了NSMS配准模型，该模型直接依距离映射函数计算F，并将法向量约束引入配准模型进行优化。NSMS配准模型的形式如下

(8)

By the further analysis,it is clearly to see that Eve tries to change the argument to protect herself.After shirking her responsibility entirely to Adam,she begins to deliberately belittle her pride and independence that she had previously gained.For examples,shesays:

本文将TLS扫描仪设站粗略位置作为先验信息限定搜索空间。扫描仪设站的粗略位置可由内置GPS获取。关于内置GPS的信息量少，可了解的是它采用单点定位方式，定位精度达分米级或米级[29]。tx、ty、tz的取值在位置误差范围内，本文将其设定为10 m。α、β与扫描平台的水平程度有关，它们的值通常很小，一般在5°以内；γ与北向对准有关，在任意设站时的范围是[-180°，180°)。因此，转换参数的搜索空间为(α，β，γ，tx，ty，tz |α，β∈ [-5°，5°]，γ∈ [-180°，180°]，tx，ty，tz∈ [-10 m，10 m])，即U等于[5°,5°,180°,10 m,10 m,10 m]。

图2 NSMS模型的匹配分数函数 Fig.2 The matching score function of the proposed NSMS model

Scdi=

(9)

NSMS模型带两个参数dideal和dth。dideal一般较小，本文取0.05 m。如果dth较小，则内点较少，总群的整体适应度值较小，不利于遗传进化，即很难搜索到最优解；其值较大，总群的整体适应度值较大，容易搜索到最优解，但分数函数变化较缓(图2(b))，个体差异变小，所获解的精度较低。由于搜索空间已经限定，本文取适当值dth=2 m。

2.5 GA与ICP融合策略

由于GA采用全局搜索策略，其收敛性不依赖于初始值，但计算效率低，局部收敛慢，因此进一步提出采用GA与ICP相结合的配准策略以提高配准效率。结合方式为：先采用GA配准，当进化到一定代数时，GA已经趋于局部搜索，其获得的解已接近于最优化解，此时改用ICP进行局部优化。由于局部范围内的GA适应度比较接近，为控制GA的终止精度，可将GA第2个终止条件中的“相邻两代最大适应度相等”改为“相邻两代最大适应度之差的绝对值小于e″。e是微小正数，一般取10-3～10-2。

3 试验与分析

为验证GA配准的有效性，NSMS配准模型的优越性以及GA与ICP融合配准策略的高效性，采用两组实测数据进行了试验。图3(a)所示为数据1，待配准点云S约1.3千万点，基准点云T约1.1千万点；图3(b)所示为数据2，待配准点云S约5.2千万点，基准点云T含1千万点。两组数据重叠度均约为50%；使用的地面激光扫描仪为Riegl VZ400，设站粗略位置均通过扫描仪内置GPS获得。

点云数据量大、含噪声，且配准需要法向量，因此对点云进行了预处理。预处理过程为：剔除扫描距离较大的点，这里距离阈值根据扫描仪的有效距离设置为100 m；进行均匀间隔下采样，采样间隔为2.5 cm；根据邻域局部协方差矩阵估计法向量与曲率估计[30]； 树叶易随风飘动， 树叶点

对配准有影响，其呈散状分布，曲率大，通过曲率阈值0.05可予剔除，如图4所示。预处理后，数据1中S的点约占原始的19%，T的点约占原始的58%，效果见图3(c)；数据2中S的点约占原始的9.5%，T的点约占原始的45%，效果见图3(d)。可见，预处理后点云数据量明显减小，但原有特征信息仍然保留。

为定量评价GA配准精度，将待配准点云S与其参照点云Sref的距离均方根误差RMSE作为衡量指标。Sref是S的理论值。理论值是未知的，这里通过人工选择特征点进行粗配准(如图5)，再采用ICP精配准获得S和T之间的转换参数，将S转换点云近似作为Sref。为剔除错误的对应关系，ICP配准的对应点距离阈值设为0.2 m，法向量夹角阈值为10°。

因用于配准的点云是依法向量空间随机选择且GA采用随机搜索机制，各组配准试验均独立进行了50次，以统计结果进行评估。为剔除错误的对应关系，ICP算法的对应点距离阈值设为0.2 m，法向量夹角阈值为10°。试验运行环境为：Intel Core i7-4790 CPU @ 3.60 GHz，4核心处理器和8 G内存。详细的GA配准参数见表1，计算机线程数目等于8。

表1 GA配准试验参数

Tab.1 The experimental parameters of GA registration

名称符号数值S选择比例PS0．5%T选择比例PT5%总群大小M100理想距离/cmdideal5距离阈值/mdth2最大进化代数maxgen300最优个体不变代数maxbest20GA+ICP终止进化精度e10-3

采用NSMS模型与Silva模型的GA配准对比试验结果如表2所示。NSMS模型的精度和效率均优于Silva模型，平均优化时间高于Silva模型20%左右，RMSE在1至5 cm之间。采用NSMS模型的GA配准效果如图6所示。在具有任意北偏角和较大平移值的情况下GA仍然能完成匹配，验证了方法有效。

蓝色为待配准点云;红色为基准点云 图3 试验点云 Fig.3 The test point clouds

点云按高程值渲染 图4 散状点剔除 Fig.4 The removal of scattered points

图5 人工选择特征点进行粗配准 Fig.5 Coarse registration by manually selected eigen points

表2 GA配准结果统计

Tab.2 The statistical results of GA registration

数据配准模型RMSE/cmGA进化代数最小最大平均最小最大平均平均运行时间/s数据1NSMS1．43．92．893279159160Silva6．39．37．6101232168208数据2NSMS2．75．44．389247151506Silva29．216．420．7103251173590

蓝色为待配准点云；红色为基准点云；绿线框内为局部地物放大 图6 GA配准后点云 Fig.6 The point cloud after GA registration

GA最大适应度变化曲线如图7所示，在进化初期，适应度变化较快，GA表现全局搜索；当进化至一定阶段时，适应度变化缓慢并趋于成熟，GA表现局部搜索。GA配准50%以上迭代位于变化平缓区域，表明局部收敛速度慢。数据1和数据2的GA与ICP融合策略平均运行时间分别为98 s、217 s；平均进化代数为76、67。融合GA和ICP的配准策略效率比GA配准提高了50%左右。

1条折线表示1次试验 图7 GA配准最大适应度 Fig.7 The max fitness of GA registration

4 结 论

为统一地面激光扫描与车载激光扫描点云坐标基准，提出了一种结合遗传算法GA与ICP的高效率自动配准方法：当GA配准趋于局部搜索时，改用ICP完成配准。本文重点研究了GA配准，其归结为4步：①总群初始化和点云选择；②匹配点云转换；③适应度计算；④遗传操作。GA配准以地面激光扫描仪内置GPS测量粗略位置作为先验信息限定优化搜索空间。笔者提出了最大化的归一化匹配分数之和(normalized sum of matching scores，NSMS)配准模型以提高全局配准精度。通过实测点云数据进行试验，结果表明：GA配准是有效的，基于NSMS模型的均方根误差(root mean square error，RMSE)为1～5 cm；NSMS模型的精度和效率均优于已有的基于均方误差(mean square errors，MSE)的Silva模型；融合配准策略可将效率提高50%左右。GA配准可以达到很高的配准精度，可一步完成点云配准；也可以作为初始配准，与精配准结合以提高效率。

从华堂村的调查情况来看，当地传统产业的产品都各家各户在当地集市上销售，没有深加工，因而也没有远销推向大市场的可能.如当地已无缫丝厂，丝蚕生产销售的是活茧产品；桃形李生产销售的是食用鲜果，主要通过当地集市和村口的一个桃形李市场销售；白鹅则完全没有深加工，均为鲜活产品形式通过当地集市销售.

参考文献：

[1] WILLIAMS K, OLSEN M J, ROE G V, et al. Synthesis of Transportation Applications of Mobile LiDAR[J]. Remote Sensing, 2013, 5(9): 4652-4692.

[2] 方莉娜, 杨必胜. 车载激光扫描数据的结构化道路自动提取方法[J]. 测绘学报, 2013, 42(2): 260-267.

FANG Li’na, YANG Bisheng. Automated Extracting Structural Roads from Mobile Laser Scanning Point Clouds[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(2): 260-267.

[3] GUAN Haiyan, LI J, CAO Shuang, et al. Use of Mobile LiDAR in Road Information Inventory: A Review[J]. International Journal of Image and Data Fusion, 2016, 7(3): 219-242.

[4] YANG Bisheng, LIU Yuan, LIANG Fuxun, et al. Using Mobile Laser Scanning Data for Features Extraction of High Accuracy Driving Maps[C]∥Proceedings of the International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Prague, Czech Republic: ISPRS, 2016: 433-439.

[5] BARBER D, MILLS J, SMITH-VOYSEY S. Geometric Validation of a Ground-based Mobile Laser Scanning System[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2008, 63(1): 128-141.

[6] SALVI J, MATABOSCH C, FOFI D, et al. A Review of Recent Range Image Registration Methods with Accuracy Evaluation[J]. Image and Vision Computing, 2007, 25(5): 578-596.

[7] BESL P J, MCKAY N D. A Method for Registration of 3D Shapes[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1992, 14(2): 239-256.

[8] CHEN Yang, MEDIONI G. Object Modelling by Registration of Multiple Range Images[J]. Image and Vision Computing, 1992, 10(3): 145-155.

2007.

[9] RUSINKIEWICZ S, LEVOY M. Efficient Variants of the ICP Algorithm[C]∥Proceedings of the Third International Conference on 3-D Digital Imaging and Modeling. Quebec City, Quebec, Canada: IEEE, 2001: 145-152.

[10] AKCA D, GRÜN A. Least Squares 3D Surface Matching[M]. Zürich: Institut für Geodäsie und Photogrammetrie,

人力资本积累影响制造业结构升级的实证研究....................................................................................................阳立高 李永奇 韩 峰 龚世豪（1）

一是明确专项工作包联主体。项目引进之后，党委政府明确牵头领导和责任单位，将辖区管理和职能部门有效连接，给予回乡创业项目全面、实时、无缝的服务，尽最大努力协调解决项目遇到的困难。二是加强基础设施建设力度。地方党委政府加快推进农村路网、管网、电网、通信网等基础设施建设，为回乡项目提供硬件条件支持。三是督促项目规范有序运作。地方党委政府除了服务项目运作，还积极担负起监督项目规范运作的职责，督促企业规范运用各类优惠政策，遵纪守法、安全生产，做好相关职工维权和矛盾调处工作，真正确保项目健康运作、良性发展。

图8为理论仿真及实验测量的有光束抖动情况下，单模光纤及两模光纤的平均耦合效率与随机抖动幅度标准差σr的关系曲线.由图可看出，两模光纤和单模光纤的平均耦合效率均随σr的增加而单调递减，当σr相同时，实验测得两模光纤的耦合效率始终高于单模光纤.当σr为5 μm时，实验测得两模光纤的耦合效率为19.97%，此时单模光纤耦合效率下降到7.87%，两模光纤的耦合效率比单模光纤高12.1%.可见少模光纤相比于单模光纤对随机抖动的容忍度更高.

传统配准采用最小化形式的目标函数E估计最优参数，GA配准依最大化形式的适应度F进行优化。F由E转换而来，常用方法为负指数函数作转化函数

丁主任早上7点起床，拖着深蓝色的胶拖鞋，端着圆木盖的白色痰盂，吧唧吧唧地上厕所。厕所离甲洛洛家门不到五米，因此，甲洛洛只需在门外把漱口的时间拖得够长，或不出家门守在窗边即可观察到他。甲洛洛还是喜欢前者，躲在窗边，始终觉得不够磊落。

[13] RUSU R B, BLODOW N, BEETZ M. Fast Point Feature Histograms (FPFH) for 3D Registration[C]∥Proceedings of 2009 IEEE International Conference on Robotics and Automation. Kobe, Japan: IEEE, 2009: 3212-3217.

小学生受到了年龄与心理特征的限制，所以只会对自己感兴趣的一些事物加以关注，因此在进行作文教学的时候，老师应该根据学生的心理特征巧妙地把教学目标代入到学生感兴趣的事物中。比如说在进行作文教学的过程中，老师可以采用游戏的方式进行教学，在爱玩驱动力下学生的注意力很容易被游戏教学所吸引。像进行丢沙包游戏的时候，老师可以让学生观察每个学生在游戏的时候所流露出来的神态、动作等，这个时候老师在引导学生把自己的做游戏时的感受、所见、所闻写出来，这样学生就会很容易把自己真情实感体会在作文中流露，从而创作出优秀的作文。

[14] TOMBARI F, SALTI S, DI STEFANO L. Performance Evaluation of 3D Keypoint Detectors[J]. International Journal of Computer Vision, 2013, 102(1-3): 198-220.

[15] HNSCH R, WEBER T, HELLWICH O. Comparison of 3D Interest Point Detectors and Descriptors for Point Cloud Fusion[C]∥Proceedings of the ISPRS Technical Commission Ⅲ Symposium. Zurich, Switzerland: ISPRS, 2014: 57-64.

傍晚，我和妈妈走在回家的路上，我不经意间抬头看了一眼天空，哇！远处的云彩通红通红的。妈妈说，早晨太阳刚出来时或者傍晚太阳落山时，天边的云彩通红一片，像火烧的一样，这就叫“火烧云”。

[16] THEILER P W, WEGNER J D, SCHINDLER K. Keypoint-based 4-points Congruent Sets-automated Marker-less Registration of Laser Scans[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 96(2): 149-163.

[17] SILVA L, BELLON O R P, BOYER K L. Precision Range Image Registration Using a Robust Surface Interpenetration Measure and Enhanced Genetic Algorithms[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,

2005, 27(5): 762-776.

[18] 朱灿. 实数编码遗传算法机理分析及算法改进研究[D]. 长沙: 中南大学, 2009.

有时研究人员和日记主人是同一个人(“研究人员本人日记”)，此时研究人员就以自身经历为考察对象；有时研究人员不自己写日记或不用自己的日记，而要求被调查者(往往是语言学习者和语言教师)写日记，供研究人员使用。

ZHU Can. The Study on Mechanism and Improvement of Real-coded Genetic Algorithms[D]. Changsha: Central South University, 2009.

[19] JACQ J J, ROUX C. Registration of 3-D Images by Genetic Optimization[J]. Pattern Recognition Letters, 1995, 16(8): 823-841.

[20] SILVA L, BELLON O R P, BOYER K L. Enhanced, Robust Genetic Algorithms for Multiview Range Image Registration[C]∥Proceedings of the Fourth International Conference on 3D Digital Imaging and Modeling. Banff, Alta., Canada: IEEE, 2003: 268-275.

[21] SCHENK S, HANKE K. Genetic Algorithms for Automatic Registration of Laser Scans with Imperfect and Subdivided Features (GAReg-ISF)[J]. Photogrammetrie-Fernerkundung-Geoinformation, 2009, 2009(1): 23-32.

[22] LOMONOSOV E, CHETVERIKOV D, EKRT A. Pre-Registration of Arbitrarily Oriented 3D Surfaces Using a Genetic Algorithm[J]. Pattern Recognition Letters, 2006, 27(11): 1201-1208.

[23] ZHU Jihua, MENG Deyu, LI Zhongyu, et al. Robust Registration of Partially Overlapping Point Sets via Genetic Algorithm with Growth Operator[J]. IET Image Processing, 2014, 8(10): 582-590.

[24] BRINDLE A. Genetic Algorithms for Function Optimization[D]. Alberta: University of Alberta, 1981.

[25] MAN K F, TANG K S, KWONG S. Genetic Algorithms: Concepts and Applications[J]. IEEE Transactions on Industrial Electronics, 1996, 43(5): 519-534.

[26] 周明, 孙树栋. 遗传算法原理及应用[M]. 北京: 国防工业出版社, 1999.

ZHOU Ming, SUN Shudong. Genetic Algorithms: Theory and Applications[M]. Beijing: National Defense Industry Press, 1999.

[27] HOLZ D, ICHIM A E, TOMBARI F, et al. Registration with the Point Cloud Library: A Modular Framework for Aligning in 3-D[J]. IEEE Robotics & Automation Magazine, 2015, 22(4): 110-124.

[28] VAN DER PAS R. An Introduction into OpenMP[EB/OL]. http:∥www.nic.uoregon.edu/iwomp2005/iwomp2005_tutorial_openmp_rvdp.pdf.

[29] COLOMINA I C. On Trajectory Determination for Photogrammetry and Remote Sensing: Sensors, Models and Exploitation[C]∥Proceedings of the Photogrammetric Week. Stuttgart, Germany: [s.n.], 2015: 131-142.

[30] PAULY M, KEISER R, GROSS M. Multi-scale Feature Extraction on Point-sampled Surfaces[J]. Computer Graphics Forum, 2003, 22(3): 281-289.