CN101236660A - 三维扫描仪及其三维模型重构方法 - Google Patents

Abstract

本发明三维扫描仪及其三维模型重构方法属于三维扫描领域中以采用光学方法为特征的计量设备及其计量方法。发明中所提及的三维扫描仪属于一种光栅扫描设备。本三维扫描仪由图像采集设备、光栅生成设备、标定块、计算机通讯板卡及外围机械支撑设施构成。其工作流程及特征为：首先对图像采集设备进行标定；然后采集被测件在不同结构光图案照射下所反射产生的图像，并由此计算出被测件上的反射点位置(点云)及贴于被测件上标志点的位置；最后通过各次采集到的点云及标志点之间的相互匹配关系合成被测件的整体三维模型。本发明设计了一种光栅扫描设备并提出了一种利用此设备多次采集到的数据进行拼接的方法。

Description

三维扫描仪及其三维模型重构方法

技术领域

本发明属于三维扫描领域中以采用光学方法为特征的计量设备及其计量方法。

本发明主要涉及到利用物理光路生成光学图案，在对光学采集设备进行标定后，利用光学采集设备采集图像，对采集到的图像进行图像处理并计算出被测件位置，对多次计算结果进行拼接等技术。能在工业、医疗服务业及文化产业上均能得到较有效的运用。

背景技术

三维扫描技术在工业、医疗服务业及文化产业上均有较广泛的应用，在工业上利用于逆向工程计算，以及对体积较大、刚性较弱、形状较复杂的工件进行结构及外形测量，在整形医疗服务业可用于创面分析、阴阳模设计，另外在三维动画设计上也能用到三维扫描技术。

对于传统的三维扫描设备多为接触式扫描器、激光扫描仪，扫描速度慢，操作复杂，对于被测件以及工作条件都有较严格的要求，在很多需要三维扫描技术的应用领域均不适用。最近发展起来的光栅式三维扫描技术尚处起步阶段，多项技术均有待完善。与传统设备不一样的是，光栅式三维扫描设备在每次数据采集后都将产生相对独立的海量点云数据，因此对多次采集所得到的数据进行拼接和融合的技术就显示尤于重要了。

发明内容

本发明的目的是设计了一种光栅扫描设备，并提出了一种利用此设备多次采集到的数据进行拼接的方法。

1.光栅式三维扫描仪

一种三维扫描仪(如图2)，其特征是由光栅生成设备③，图像采集设备①②，标定块④，计算机通讯板卡⑤及外围机械支撑设施构成，光栅生成设备③与计算机通讯板卡⑤连接，图像采集设备与计算机通讯板卡⑤连接，其数目可为一到八个，具体数目由系统精度要求以及被测物体大小规格而定，标定块④(如图3)是一个尺寸经过严格控制的印有精确图案的标准量块，计算机通讯板卡⑤是计算机控制图像采集设备的中介设备，可以是1394接口卡或USB接口卡，外围支撑设施可以是三脚机架、三坐标机床。

2.三维模型重构方法，其特征由以下步骤组成：

(1)首先对图像采集设备进行定标；

(2)采集被测件在不同结构光图案照射下所反射产生的图像，并由此计算出被测件上的反射点位置(点云)及贴于被测件上标志点的位置；

(3)点云数据拼接算法

第一步：在被测件上固定若干易于利用图像处理技术进行识别的标志点后，开始投射光栅并进行图像采集，每次图像采集都需保证能拍摄到多于三个以上的标志点，并保证所采集到的标志点图像具有足够的信息量；

第二步：匹配标志点，在两拼接数据的标志点集中选择三对对应点进行长边对长边、短边对短边的三角形匹配，在匹配成功的情况下利用点对刚性变换算法进行两拼接数据标志点集的完全对应匹配，其中刚性变换算法的具体步骤为：首先按式 $C_p=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_i}{n},$ $C_q=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{q}_i}{n}$ 计算左点集重心C_p和右点集重心C_q；然后按p_i′＝p_i-C_p，q_i′＝q_i-C_q计算相对位置P′和Q′，其中左相对坐标P′＝{p′_i|i＝1，2，3，...，n}，右相对坐标Q′＝{q′_i|i＝1，2，3，...，n}；再按式 $M=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{q}_i^{\′}{\left(p_i^{\′}\right)}^T$ 计算交互协方差矩阵M；接着按式 $K^{-1/2}=\frac{1}{\sqrt{{\mathrm{\λ}}_1}}{u}_1{u}_1^T+\frac{1}{\sqrt{{\mathrm{\λ}}_2}}{u}_2{u}_2^T+\frac{1}{\sqrt{{\mathrm{\λ}}_3}}{u}_3{u}_3^T$ 计算对称矩阵K＝M^TM，以及K的特征值λ₁、λ₂、λ₃及其相应特征向量u₁、u₂、u₃，并由此计算矩阵K的半正定平方根的逆K^-1/2；最后由R＝MK^-1/2计算出旋转变换量R，并由t＝C_q-RC_p计算出平移变换量t；

第三步：分别确定两拼接数据集的以法向锥方式表达的法向空间；

第四步：将法向所处区间均匀划分为若干部分，在每个部分中按一定数目取样点进入后续操作；

第五步：在两拼接数据集中找到最近点对，即所有满足条件的点对<p_n，p^(n-1)>，其中p_n是C_n，s中距离p^(n-1)最近的点，而p^(n-1)也是C_s ^(n-1)中距离p_n最近的点，若点对数目过少则需返回第二步重新选取另一种标志点的配对方案；

第六步：找到所有最近点对，在点对集合中取样一部分点对进行刚性变换计算，若计算出的刚性旋转量及平移量无法让所选取的点对距离平均值变小，则结束刚性变换量计算，以当前位置作为拼接位置，否则重复本步操作直至结束。与现有技术相比，本发明具有如下优点：

(1)本发明所设计的系统结构能保证得到绝大部分点对光线反射的法向方向，获得除空间位置之外更多的信息，如局部曲率等信息；

(2)对标志点位置识别精度要求不高。标志点的识别及定位往往只依靠于较少的几个边缘像素点计算而得，很难保证精度，本发明考虑到这种先天不足的因素，将标志点位置精度的影响能力降到较低的程度；

(3)可适度调整数据取样率。在对较大规模点云数据时，适度降低数据取样率，可以较大幅度地提升拼接速度，而拼接精度并不会受到明显的影响；

(4)利用数据冗余剔除技术，拍摄次数的提高可以有效提升测量精度，可适用于对精度要求极其严格的情况，从而使设备有更强的适用性。

附图说明

图1为三维扫描技术所涉及的技术环节及顺序关系示意图

图2为本发明所设计的光栅式三维扫描设备的结构示意图

图3为本发明所设计的标定块图案

图4为点云数据拼接算法流程图

图5为多位置测量产生匹配点对刚性变换计算问题示意图

图6为利用KD树搜索最近点示意图

图7为由于相机畸变而造成的扫描误差分布

图8为两个单面拼接后的效果图

图9为两个单面拼接并删除冗余点后的效果图

具体实施方式

1、光栅式三维扫描仪

本发明所采用的系统结构(如图2)由光栅生成设备③、图像采集设备①②、标定块④、计算机通讯板卡⑤及外围机械支撑设施构成。光栅生成设备③与计算机通讯板卡⑤连接，是一种可产生光栅式结构光的光源设备，其光栅图案可因计算机控制而改变。图像采集设备①②与计算机通讯板卡⑤连接，它的主要作用在于采集被测件对所投射光栅的反射图像，其数目可以只有一个，也可以有两个到八个，具体数目由系统精度要求以及被测体物体大小规格而定。标定块④(如图3)是一个尺寸经过严格控制的印有精确图案的标准量块，其尺寸精度的控制对设备的精度有至关重要的作用。计算机通讯板卡是计算机控制相机的中介设备，可以是1394接口卡或USB接口卡等。外围支撑设施可能是三脚机架、三坐标机床等，主要因被测物体大小而确定。

本发明在硬件设计时，为提高数据采集速度，采用了如下措施：

1.1数据采集速度提高策略

●采用1394接口的数据采集接口；

●采用CCD或CMOS电子高速相机；

●使用不间断拍摄模式，在光栅图案切换后从缓存中选取数据。

1.2数据采集效率提高策略

●采用三自由度设备拍摄方向调整器，保证各个拍摄视角的可达性；

●相机与光栅发射器间相对位置可调，保证在多尺度条件下的可用性；

●光栅发射器的亮度及相机的曝光时间可调，保证在不同光照条件下设备的适应能力。

2.数据拼接算法

假设由三维扫描设备采集到一系列的测量点集C_i(i＝1，2，3，...，n)，要对这些点集进行刚性变换(即只进行旋转变换和平移变换)，并合成为单一点集C⁽ⁿ⁾，以得到对被测物体精确的整体测量或描述，这种手段就叫数据拼接。而如何更精确地进行数据拼接就是三维扫描领域所面临的数据拼接问题。数据拼接使得使用小设备对大型物体数据进行扫描成为可能，也是补齐很难由整体扫描得到的区域的补充性手段。由此，在对物体进行360°整体扫描时，数据拼接技术被广泛的运用。

本发明提出的数据拼接方法是利用本发明所设计的三维扫描仪能获得均匀分布于网格上的点阵，并能同时获得标志点位置以及法向等附近信息等特点而设计的数据拼接算法。下面分六部分说明这一拼接算法，第一部分介绍总体拼接算法，第二部分介绍算法中匹配点对刚性变换计算算法细节，第三部分介绍大规模点云数据的逻辑组织方式，第四部分利用第三部分所介绍的组织方式进行公式部分的冗余信息剔除，最后两部分说明为实现上述算法所使用的相关大规模点云数据物理存储及显示的具体技术。

2.1点云数据拼接算法

点云数据拼接算法流程图见图4，其具体步骤为：

第一步：在被测件上固定若干较易于利用图像处理技术进行识别的标志点后，开始投射光栅并进行图像采集。每次图像采集都需保证能拍摄到多于三个以上的标志点，并保证所采集到的标志点图像具有足够的信息量(即像素数目)，以确定能在获得点云数据C_i的同时，获得标志点中心点位置的粗略坐标M_i＝{m_ij|j＝1，2，3，...，N_i}(其中i为当次扫描的序号，N_i为当次扫描所获得的标志点的总数)。

第二步：匹配标志点，初步调整点云间的相对位置。假设，当前扫描为第n次扫描，扫描结果包含点云C_n，标志点集M_n，以及之前所获得的点云C_k(k＝1，2，3，...，n-1)所拼接成的点云集C^(n-1)＝T₁(C₁)∪T₂(C₂)∪T₃(C₃)∪...∪T_n-1(C_n-1)，标志点M_k(k＝1，2，3，...，n-1)所拼接成的标志点集M^(n-1)＝T₁(M₁)∪T₂(M₂)∪T₃(M₃)∪...∪T_n-1(M_n-1)(其中T_i为第i次扫描结果对应的刚性变换)。为得到当前扫描所对应的刚性变换T_n，首先将当次扫描所得标志点集匹配到前n-1次扫描所得标志点集中。利用标志点信息量少的优势，首先进行标志点的拼接，算法具体步骤为：

(1)在M_n和M^(n-1)中各取三点并组成三角形F_n和F^(n-1)；

(2)将两个三角形的长边与长边比较，短边与短边比较，中边与中边比较，若三条边的长度相差较小，说明这是一种可以尝试的匹配方式，并进入下一步计算，否则使用一种未使用过的选点策略重新选点，并返回第一步；若再没有其它未使用过的选点策略，再说明没有可取的匹配策略，即可退出任务；

(3)由对应边得到两个三角形的对应点，固定F^(n-1)不动，将在F_n通过刚性变换，移动到与F^(n-1)匹配最佳的位置，此刚性变换T_0，n可以由2.2中所述点对刚性变换算法获得；

(4)利用计算所得的刚性变换T_0，n对M_n进行整体变换，计算变换后M_n中各点到M^(n-1)中各点的距离，并得到N_p个由M_n中一点和M^(n-1)中一点所形成的点对，这个点对<m_n，m^(n-1)>满足m_n是M_n中距离m^(n-1)最近的点，而m^(n-1)也是M^(n-1)中距离m_n最近的点；

(5)根据得到的点对，由点对刚性变换算法计算得到匹配位置更佳的刚性变换。

第三步：假设设备数据采集能力为每次可采集数量不大于D_x×D_y个的均匀分布在D_x×D_y的规则网格点上的三维点，那么利用网格拓扑信息得到各点之间的位置关系，并由此得到各点所对应曲面上点的法向方向。法向计算方案为：

(1)若目标点所在网格点的上下左右四个网格点均存在，且网格上有点，我们称之为第一类点，则其法向为：

$n=\mathrm{norm}(\stackrel{\&OverBar;}{V_u{V}_r}\&times;\stackrel{\&OverBar;}{V_r{V}_d}+\stackrel{\&OverBar;}{V_r{V}_d}\&times;\stackrel{\&OverBar;}{V_d{V}_l}+\stackrel{\&OverBar;}{V_d{V}_l}\&times;\stackrel{\&OverBar;}{V_l{V}_u}+\stackrel{\&OverBar;}{V_l{V}_u}\&times;\stackrel{\&OverBar;}{V_u{V}_r}),$

其中V_u为上网格上的点，V_d为下网格上的点，V_l为左网格上的点，V_r为右网格上的点；

(2)若目标点周围有空缺网格，但周围有第一类点存在，我们称之为第二类点，则当前点的法向定为周围所有第一类点的法向的平均法向；

(3)若目标点周围不存在第一类点或根本就不存点，则这类点被称为孤立点。孤立点无法计算法向，因此将不被纳入到后续计算的考虑范围中。

第四步：法向空间取样。将法向量空间均匀划分为N_n部分，按照法向方向的划分将所有C_n和C^(n-1)中的点进行归类，并从每类中随机选取一定数量的点C_n，s和C_s ^(n-1)进入后续的操作。

第五步：对取样点进行最近点匹配，即找出所有满足条件的点对<p_n，p^(n-1)>，其中p_n是C_n，s中距离p^(n-1)最近的点，而p^(n-1)也是C_s ^(n-1)中距离p_n最近的点。若点对数量过少，则说明匹配不成功，需返回第二步重新选取另一种标志点配对方案。

第六步：最近点对取样。按上一步的要求找到所有最近点对，按照一定比率从所有满足条件的点对中随机选取一部分点对，并利用点对刚性变换算法计算最佳刚性变换T_n，使得点对间能进行最优匹配。若此刚性变换的转角小于门限值，且平移距离也小于门限值，此时即可认为达到最佳位置，退出任务，否则重复本步骤的计算和操作。

由上述步骤得到的最后刚性变换结果T_n即为所求。

2.2.匹配点对刚性变换计算算法

匹配点对刚性变换计算主要出现在进行多位置测量时(如图5)，由于设备坐标xyz及x’y’z’相对世界坐标XYZ的位置总是变化的，测量对象不动，但所得的测量结果却是不同的，这是因为测量结果使用的是不断变化的设备坐标。此时出现的计算两次测量相应的设备坐标之间关系T的计算问题就是匹配点对刚性变换计算的问题。

假设有点对集S＝{<p_i，q_i>|i＝1，2，3，...，n}及其相应的左点集P＝{p_i|i＝1，2，3，...，n}以及右点集Q＝{q_i|i＝1，2，3，...，n}，要计算点对间的刚性变换，即使得R(P)+t尽可能匹配到Q上的R和t。计算步骤如下：

第一步：计算左点集重心C_p和右点集重心C_q。按下式计算左右点集重心。

$C_p=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{p}_i}{n},$ $C_q=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{q}_i}{n}$

第二步：计算相对位置P′和Q′。将点集坐标转换为相对于重心的相对坐标：左相对坐标P′＝{p′_i|i＝1，2，3，...，n}以及右相对坐标Q′＝{q′_i|i＝1，2，3，...，n}。

                       p_i′＝p_i-C_p，q_i′＝q_i-C_q

第三步：计算交互协方差矩阵M。按下式构造交互协方差矩阵。

$M=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{q}_i^{\&prime;}{\left(p_i^{\&prime;}\right)}^T$

即

$M=\left(\begin{array}{ccc}{S}_{\mathrm{xx}}& S_{\mathrm{xy}}& S_{\mathrm{xz}}\\ S_{\mathrm{yx}}& S_{\mathrm{yy}}& S_{\mathrm{yz}}\\ S_{\mathrm{zx}}& S_{\mathrm{zy}}& S_{\mathrm{zz}}\end{array}\right)$

其中

$S_{\mathrm{xx}}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{q}_{x,i}^{\&prime;}{p}_{x,i}^{\&prime;},S_{\mathrm{xy}}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{q}_{x,i}^{\&prime;}{p}_{y,i}^{\&prime;},\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;$

第四步：计算对称矩阵K＝M^TM，以及K的特征值λ₁、λ₂、λ₃及其相应特征向量u₁、u₂、u₃，并由此计算矩阵K的半正定平方根的逆K^-1/2。

$K^{-1/2}=\frac{1}{\sqrt{{\mathrm{\&lambda;}}_1}}{u}_1{u}_1^T+\frac{1}{\sqrt{{\mathrm{\&lambda;}}_2}}{u}_2{u}_2^T+\frac{1}{\sqrt{{\mathrm{\&lambda;}}_3}}{u}_3{u}_3^T$

第五步：计算旋转变换量R。旋转变换量R的计算公式为：

                              R＝MK^-1/2。

第六步：计算平移变换量t。平移变换量t的计算公式为：

                            t＝C_q-RC_p。

计算至此，刚性变换的两个元素旋转变换量R及平移变换量t均被计算获得。

3.大规模点云数据逻辑组织方法

点云数据在拼接计算过程中主要的操作有：坐标等信息查询、点集采样以及最近点查找。信息查询及无空间分布限制的点集采样操作可以一维数组的数据结构下方便且高效地实现，但同样的结构在进行最近点查找或以此为依据的点集采样时，时间复杂度将达到O(n)。为更快速高效地进行上述操作，需要设计一种数据结构以适应高频度的数据操作，我们采用的是三维空间的上的带法向锥的KD索引树，即一种附加有法向锥信息的KD索引树。

3.1.KD索引树的建立

KD索引树是一种以索引值作为存储内容的KD树，而KD树在逻辑上是指将整体目标数据作为根结点，针对数据在各个维度上的跨度选取最大跨度作为划分量，将数据均匀划分为左右两份，并依此递归划分而形成的树型组织结构。在具体到对三维点云进行带法向锥的KD索引树组织的情况时，这个KD树的建立过程为：

第一步：寻找与坐标平面平行的最小六面体闭空间，使其包含全部原始数据，即点云在三个维度上的最大值及最小值所确定的六面体闭空间，建立根结点，并以此为当前结点，确定的六面体闭空间称之为根结点所对应的六面体闭空间。

第二步：确定当前结点上数据点个数，若个数足够少则不进行进一步的划分，否则进入第三步进行数据划分。在数据点个数不多的情况下，当前结点成为叶子结点，其所包含的数据点所对应的法向组成了一个法向簇，可以由这个法向簇确定一个以原点为顶点的圆锥体，使其包含法向簇且拥有最小的张角。

第三步：比较当前结点所对应六面体闭空间在三个维度上的跨度大小，选取最大跨度所在维度，将其一分为二，其中分界面位置取当前结点所含点集的重心位置，并在以此分割此六面体闭空间后，建立当前结点的左右子结点，将分割所得的两个六面体闭空间对应到左右子结点上。对于将六面体分割为两部分的平面，我们称之为当前结点所对应的分割面，由此可知，叶子结点不存在分割面，即叶子结点所对应分割面不存在。点云数据因为所属空间被分为两部分并分别居于左右子结点上而相应地被分割开来。对左右结点分别进入第2步，进行进一步判断和划分操作。在进行完左右结点的划分操作及相应的法向锥计算后，可由左右结点的法向锥推出当前结点的法向锥，其计算准则为确定一个以原点为顶点的圆锥体，使其包含左右结点的法向锥且拥有最小张角。

3.2.快速最近点查找

由上述步骤将KD索引树建立完成后，即可以其基础上进行在进行较快速的最近点查找操作。最近点查找即以给定的中心坐标(中心点)及其法向方向，并在以给定的半径(最远距离)确定的判定球及给定的角度(最大角度差)确定的顶点在原点上的判定锥内查找距中心点最近的点，具体步骤如下：

第一步：给定中心点、法向、距离门限及角度门限，确定判定球并计算此判定球与根结点所对应六面体闭空间是否具有重合区域并确定根结点所对应法向锥是否与判定锥是否有重合区域，若有一项为否则表示不可能在点云中找到到中心点距离小于距离门限，且法向相差少于角度门限的点，否则从根结点开始进行最近点查找，即以根结点作为当前结点，进入下一步操作。

第二步：若当前结点不存在分割面，即为叶子结点，则转第三步，否则转第四步。

第三步：分别在确定法向差小于角度门限的前提下比较所包含的各坐标与中心点的距离，并得到最小距离，若最小距离小于距离门限，则将距离门限更新为当前计算所得的最小距离(相应的判定球也随之更新)，并记录当前最小距离所对应的坐标为结果坐标。

第四步：此时需判断中心点相对分割面所处方向(即判断中心点是在距左子结点所对应六面体近还是距右子结点所对应立面体近)以及分割面与判定球之间的位置关系(相离或相交)。判定后，首先在距中心点较近的结点搜索最近点，即将此结点设为当前结点，转第二步的操作，完成后返回并继续进行下一步。

第五步：再次使用更新后的判定球与分割面进行位置关系比较，若此时未出现相交，即如图6中情况①，则可免于对另一结点进行搜索，而若出现相交，即如图6中情况②，此时则说明还须在另一个结点上进行一次搜索操作，即将另一结点设为当前结点，转第二步操作，完成后返回并结束对当前结点的搜索。但实际上，后一种情况在一次全搜索中出现的次数总是很少的，这样就可以省略大量的距离计算和角度计算，节省了时间，降低时间复杂度可达O(log n)。

4.拼接后公共部分处理并输出点云

由于对部分表面的多次重复扫描，大规模点云数据在拼接后将出现大量的数据冗余，这部分不必要的数据需要得到有效的精简。根据由本发明所设计的系统所获得到的点云数据的特点，我们设计了如下的冗余点剔除算法。

第一步：带法向锥的KD索引树的建立。对每次的扫描结果，都可以建立相应的KD树结构，具体构造方法已在3中有具体描述。

第二步：寻找最近点。使用3中所描述的算法，对每个点使用其坐标信息及法向信息进行最近点寻找。

第三步：冗余点剔除。找到最近点，则说明点对中存在冗余点，需要剔除一个。由于相机畸变造成误差分布如图7，可近似估计超远离镜头中心的测量点，预计误差超大。因此为保留预计误差较小的点，即需选择更为远离镜头中心的测量点进行剔除。循环执行第二三步，直至在所有未被剔除的点上都完成了一次操作。

图8和图9展示了拼接后剔除冗余点前后的点云数据效果图

5.大规模点云数据的存储

三维扫描所产生的点云数据量大，尤其在对精细度要求较高而表面积又较大的物体进行扫描时，可能要进行上百次甚至上千次的扫描，扫描的结果将外部存储空间迅速充满，不利于工作的继续进行。我们主要采用了二维投影、频域变换压缩及空间量化的技术来进行数据量的控制。

(1)二维投影。由于单面扫描所得点是均匀分布在D_x×D_y的规则网格上的，因此可利用这种投影规则性，将点云投射到二维空间，得到一张规则的二维图像(深度图像)，数据压缩率可达33％，而且这种压缩方式完全无损，是一种安全的压缩方法。对于拼接后的点云数据可以分块进行投影，其压缩比与单面压缩比无异。

(2)频域变换压缩。由第一种方法得到的规则图像在实践中一般具有频域范围小，且低频信号占绝大部分的特点，是进行频域压缩较理想的数据。常用的压缩方法有傅立叶变换后压缩，小波压缩等。这种压缩方法压缩比可控，有利于数据的适应性存储，和分级解压的实现，但计算量较大，且一般为有损压缩，尤其是对数据细节有较大影响。

(3)对三维空间进行量化。对于一般的点云数据，由于没有特定的投影算子可使用，因此第一、二种压缩方法将不适用，这里使用另一种压缩方法。计算出点云某一维的取值范围，以及数据分布，利用上下限信息及分布直方图，将取值范围按分布积分函数均匀划分为一定数量的区域，从而达到量化的目的。量化后以四字节甚至双字节的空间存储坐标的每一维数据，便可以只使用50％甚至25％的原始数据量来存储点云数据。虽然这种压缩方法是有损数据精度的，在精度要求较高的情况下不适用，但在一般应用下，经实践证明这是一种行之有效且实现速度快、压缩效果好的压缩方案。

6.大规模点云数据的显示

大规模数据不但面临存储的问题，在显示时将面临更大的问题，因为原来压缩过的数据在显示时将完全解差出来，数据量无可避免地变得非常大，这样如果要进行点云的显示将变得非常困难。为此，我们采用了以下办法：

(1)存储映射。点云显示时需要点的位置、法向以及亮度、色彩等一系列相关信息，为使在OpenGL调用时按标准格式读入数据，有必要按点云相关信息的标准格式设计数据结构，如将位置信息组织在一块连续区域中，而法向信息也组织另一块连续的存储区域中。按照这种方式在外部存储中进行结构组织后，使用存储映射技术，直接将外存映射到内存中，在不预载入文件的情况下即将显示点云，提高了数据读取效率，且利用外存空间远大于内存空间的特点，使得大规模数据的显示成为可能。

(2)计时显示。点云数据量过于庞大，显示设备(如显示卡)的处理速度及存储能力都将面临瓶颈，而三维扫描拼接最主要的任务是在拼接而非显示，在显示上花费过多时间会形成本末倒置的结果，极大地影响工作效率。因此我们采用计时显示技术，对点云显示程序进行计时，按照期望帧率截取部分点云进行显示。在一般情况下，只显示这一部分的点云，而只在GPU、CPU等显示计算设备空闲时，再逐级显示其余点云，在不影响主体工作的前提下，尽可能地提供最精细的数据显示效果。

Claims (2)

1.一种三维扫描仪，其特征是由光栅生成设备(3)，图像采集设备(1)、(2)，标定块(4)，计算机通讯板卡(5)及外围机械支撑设施构成，光栅生成设备(3)与计算机通讯板卡(5)连接，图像采集设备与计算机通讯板卡(5)连接，其数目可为一到八个，具体数目由系统精度要求以及被测物体大小规格而定，标定块(4)是一个尺寸经过严格控制的印有精确图案的标准量块，计算机通讯板卡(5)是计算机控制图像采集设备的中介设备，可以是1394接口卡或USB接口卡，外围支撑设施可以是三脚机架、三坐标机床。

2.一种三维模型重构方法，其特征由以下步骤组成：

(1)首先对图像采集设备进行定标；

(2)采集被测件在不同结构光图案照射下所反射产生的图像，并由此计算出被测件上的反射点位置(点云)及贴于被测件上标志点的位置；

(3)点云数据拼接算法

第一步：在被测件上固定若干易于利用图像处理技术进行识别的标志点后，开始投射光栅并进行图像采集，每次图像采集都需保证能拍摄到多于三个以上的标志点，并保证所采集到的标志点图像具有足够的信息量；

第二步：匹配标志点，在两拼接数据的标志点集中选择三对对应点进行长边对长边、短边对短边的三角形匹配，在匹配成功的情况下利用点对刚性变换算法进行两拼接数据标志点集的完全对应匹配，其中刚性变换算法的具体步骤为：首先按式 $C_p=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{p}_i}{n},$ $C_q=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{q}_i}{n}$ 计算左点集重心C_p和右点集重心C_q；然后按p_i′＝p_i-C_p，q_i′＝q_i-C_q计算相对位置P′和Q′，其中左相对坐标P′＝{p′_i|i＝1，2，3，...，n}，右相对坐标Q′＝{q′_i|i＝1，2，3，...，n}；再按式 $M=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{q}_i^{\&prime;}{\left(p_i^{\&prime;}\right)}^T$ 计算交互协方差矩阵M；接着按式 $K^{-1/2}=\frac{1}{\sqrt{{\mathrm{\&lambda;}}_1}}{u}_1{u}_1^T+\frac{1}{\sqrt{{\mathrm{\&lambda;}}_2}}{u}_2{u}_2^T+\frac{1}{\sqrt{{\mathrm{\&lambda;}}_3}}{u}_3{u}_3^T$ 计算对称矩阵K＝M^TM，以及K的特征值λ₁、λ₂、λ₃及其相应特征向量u₁、u₂、u₃，并由此计算矩阵K的半正定平方根的逆K^-1/2；最后由R＝MK^-1/2计算出旋转变换量R，并由t＝C_q-RC_p计算出平移变换量t；

第三步：分别确定两拼接数据集的以法向锥方式表达的法向空间；

第四步：将法向所处区间均匀划分为若干部分，在每个部分中按一定数目取样点进入后续操作；

第五步：在两拼接数据集中找到最近点对，即所有满足条件的点对<p_n，p^(n-1)>，其中p_n是C_n，s中距离p^(n-1)最近的点，而p^(n-1)也是C_s ^(n-1)中距离p_n最近的点，若点对数目过少则需返回第二步重新选取另一种标志点的配对方案；

第六步：找到所有最近点对，在点对集合中取样一部分点对进行刚性变换计算，若计算出的刚性旋转量及平移量无法让所选取的点对距离平均值变小，则结束刚性变换量计算，以当前位置作为拼接位置，否则重复本步操作直至结束。

Images