CN102831101A - 基于多个标志点自动识别的点云数据拼接方法 - Google Patents

Abstract

本发明公开了一种基于多个标志点自动识别的点云数据拼接方法，在实际点云数据拼接中，由于存在测量误差，两块点云数据中的标志点的相对位置不可能完全一致，因此得到的变换矩阵将导致被变换物体变形。为求得最佳的拼接效果，从实际应用的角度出发，针对点云数据巨大散乱的特点，为了提高灵活性和精度，实现点云拼接的自动化，考虑在输入标志点首先控制在一定精度范围的前提下，应取尽可能多的标志点作为标志点群，在前面自动搜索识别算法的基础上，自动对准标志点，实现特征群目标函数最小二乘拼接的算法，通过三维空间中的多个点求解转换矩阵，计算方法简单，拼接精度也比较高。

Description

基于多个标志点自动识别的点云数据拼接方法

技术领域

本发明属于反求工程领域中的点云数据拼合技术，具体涉及到一种基于多坐标点自动识别的点云数据的拼接方法。

技术背景

研究与实现的是在反求工程中的数据预处理，包括点云的处理，三维空间识别，多视点云的拼接，点云的优化处理等，这一部分的处理决定了三维点云数据的精度与质量。CAD模型建立的前提就是具备完整的高质量三维点云数据，三维点云数据的完整性和精度很大程度上决定了CAD模型所能达到的数据质量。常规三维检测与转换过程中得到的只是单个的点云数据，完整数据模型需要多幅点云的拼接和处理，其精度也主要依赖于三维点云的拼接系统这一环节的处理。三维点云拼接与处理不仅仅是承上启下的作用，而且直接决定了三维重构的成功与质量，因此，这一部分的处理在反求工程中是非常关键和重要的一部分。

反求工程三维检测中，常需要把物体表面分成多个局部相互重叠的子区域，从多个角度获取零件不同方位的表面信息，以完成对整个物体模型的测量。从各个视觉分块测量得到多个独立的点云，称为多视点云。由于在测量不同的区域时，都是在测量位置对应的局部坐标系下进行的，多次测量所对应的局部坐标系是不一致的，必须把各次测量对应的局部坐标系统一到同一坐标系，并消除两次测量间的重叠部分，以得到被测物体表面的完整数据，此处理过程即为多视点云的拼接。

根据获得的多视角点云数据，可以采取直接点集配准的方法，拼接点云数据。多视标签定位点云拼接方法一般包括点位法、固定球法、平面法等。目前这些方法采用的原理都是一种简单、实用的多视点云拼接算法，即基于三基准点的拼合算法。具体做法是根据每个测量位置至少可以看见三个标志点的原则，在待测物体相对平坦的表面以及标定平板上贴一些大小合适的测量专用标签, 这样在每块测量数据中，分别测量指定的三个基准点，记为A、B、C。基准点的布置原则是：①基准点必须是在两次测量中都可以测到的点；②指定的基准点既可以是人工设定的，也可以是测量对象固有的，但必须是能够在测量数据点集中准确识别、匹配和定位的点；③A、B、C三点不能共线，应避免△ABC成为狭长三角形，其包围面积应尽可能大，以减少测量误差对变换的影响。分别以两次测量所得基准点的坐标值建立坐标系，通过坐标平移和旋转变换，就实现了坐标系统一。

理论上说，只要知道两块点云数据中对应的3个标志点就可进行拼接，但在实际点云数据拼接中，由于存在测量误差，两块点云数据中的标志点的相对位置不可能完全一致，因此得到的变换矩阵将导致被变换物体变形。

目前还有很多方法是采用三点定位组合变换。ICP方法可以多次迭代求取，进一步满足精度的坐标转换。P. Bsel和D.McKay等人在文献“A method for registration of 3-D shapes”中提出了ICP算法(Iterative Closet Point Algorithm)，它是首先找到与对象点集中的每一个点在参考点集中的一个距离最近的点，建立一种点对点映射关系，然后使用最小二乘法计算最优坐标变换。但实际应用中，很多情况下都缺乏明确对应关系，因此寻找点集每个点对点的映射关系是比较困难的，使得计算速度跟不上，实际应用起来很不方便。Besl和Mckay 1992年提出了快速最近点迭代ICP算法，迭代地最小化两个点集之间的平均距离，可以较好地解决6个自由度的数据点和模型匹配的问题，不过速度也比较慢，本身不能保证收敛到全局（甚至局部）最小值，并且需要为算法提供一个合理的刚体变换的初始猜测。国内目前也已经在开展点云数据拼接方法的研究，并初步取得一些成果。例如，

东南大学达飞鹏等人，在文献“三维扫描系统中点云拼接用标志点匹配方法”中，提出了一种能够对点云拼接标志点进行快速匹配的方法。采用动态分层处理和预估处理。标志点数据实现方式采用线性链表，同时采用数组存储必要的信息，具有明显的计算效率。浙江大学方慧等人，在文献“三维点云数据获取用的基准体及点云合成方法”中，提供了一种利用基准体来确定转台的中心转轴，根据计算得到的中心转轴拼接局部三维点云，并合成为完整的三维点云图像的方法。

为了避免在实际点云数据拼接中，由于两块点云数据中的标志点的相对位置不完全一致，致使得到的变换矩阵引起被变换物体变形，并针对实际测量情况，以提高运算速度，达到实用要求为目的，本发明提供了一种基于多个标志点自动识别的点云数据拼接方法。

发明内容

本发明提供一种运算速度较快，拼接精度较高的多视点云拼接时多个标志点自动识别的运算方法。

一种基于多个标志点自动识别的点云数据拼接方法，包括如下步骤：

步骤1：首先读入两块点云数据，设置目标图与待拼接图，初始化点云拼接数据；

步骤2：根据标志点的空间几何关系采取特征搜索与识别算法，由程序自动找出对应标志点对，若标志点对大于3对，则将其分别存入矩阵A、B，否则不能进行拼接，如果搜索过程结束后仍然没有解，那么适宜采用递归的方法进行搜索，从外到内开展搜索，在搜索并识别出标志特征点后结束；

令三维变换矩阵 T_3D= [X ₁  X ₂  X ₃  X ₄]，则有AT_3D=B；

假设X _i ¹满足 || AX _i ^1_ b _i  ||₂ = min || AX _i ^1_ b _i  ||₂ (i=1,2,3,4)，

则称X_i ¹为方程组AX_i= b_i的最小二乘解，此方程组的最小二乘通解为

X _i =A ⁺ b _i + (I=A ⁺ A)Y,Y?C ⁿ ；

方程组中长度最小的解即为 X _i =A ⁺ b _i ，是唯一解，可称作极小二乘解：其中A⁺是A的广义逆，将求出的极小二乘解合并可求得T_3D=[X ₁  X ₂  X ₃  X4]，并能够使得最小二乘目标函数最小，即T_3D= A⁺ B；

步骤3：根据T_3D= A⁺B，求出T_3D，其中，A ⁺ =A ^T (AA ^T )^-1；

步骤4：将一块点云数据经过T_3D坐标变换，加入另一块点云数据中，3D坐标变换矩阵

[t ₄₁  t ₄₂  t ₄₃]产生平移变换；[t ₁₄  t ₂₄  t ₃₄]产生投影变换；[t ₄₄]产生整体比例变换；由于采用的坐标变换是刚性变换，故有[t ₁₄  t ₂₄  t ₃₄] ^T =[0  0  0] ^T ，[t ₄₄]=[1  0]，若点P在第一块点云数据中的坐标为p ₁=(x ₁,y ₁,z ₁,1)，则在第二块点云数据中的坐标为p ₂=(x ₂,y ₂,z ₂,1)，则两者关系可表示为：P₁T_3D=P₂ ；

步骤5：若拼接未完，转为第一步，拼接完成消除重叠点，拼接结束。

本发明所述步骤2中的标志点为4个或4个以上，标志点对越多，拼接精度越高。

本发明在实际应用中，由于测量仪器每一次测量区域范围有限，且由于其中人工所加标志点不能过多，以免丢失扫描物体本身信息。

如下表为6片点云数据分别采用传统三基准点拼接方法和本发明提供的多标志点拼接方法分别进行拼接，阈值为0.1mm时其重合度误差比较；

方法	e1	e2	e3	e4	e4	e6
							三基准点法本身	0.0	0.0	0.0	0.0	0.0	0.0
三基准点法	0.065235	0.069134	0.064238	0.079630	0.068945	0.075647
							多基准点法	6.635e-9	6.867e-9	6.459e-9	7.934e-9	6.846e-9	7.928e-9

从上表可以看出：多基准点拼合误差要小于三基准点误差。

本发明的拼接方法具有如下优点：

（1）从实际应用角度出发，参考ICP算法思想，进行了一定简化；

（2）通过建立对应特征群之间对应点集匹配的最小二乘目标函数求解，对应特征点集定为四点或者四点以上的标志点集（理论可以非常多，实际应用是有限的），提高了运算速度，以达到实际应用的要求；

（3）以结合动态分层数据处理和空间自动搜索识别算法为基础，实现多点最小二乘拼接算法；

（4）实际应用表明，利用本发明提供的基于多标志点云数据的拼接方法，可以减少测量误差、提高运算的速度、获取被测物体表面的完整数据，同时对于后续的模型重建提供了方便。

附图说明

图1为前车前盖6片测量点云及拼接后点云。

图2为点云拼接流程图。

图3为点云拼接流程图。

具体实施方式

下面结合附图、工作原理，对本发明提供的基于最小二乘法的采用多个标志点自动识别的点云数据拼接方法作进一步的详细说明。

本发明中的两块点云数据基于最小二乘法的拼接算法步骤如下：

步骤1：首先读入两块点云数据，设置目标图与待拼接图，初始化点云拼接数据；

步骤2：根据标志点的空间几何关系采取特征搜索与识别算法，由程序自动找出对应标志点对，若标志点对大于3对，则将标志点数据分别存入矩阵A、B，否则不能进行拼接。如果搜索过程结束后仍然没有解，那么适宜采用递归的方法进行搜索，从外到内开展搜索，在搜索并识别出标志特征点后结束；

其中矩阵

令三维变换矩阵T_3D= [X ₁  X ₂  X ₃  X ₄]，则有AT_3D=B；

假设X_i ¹满足 || AX _i ^1_ b _i  ||₂ = min || AX _i ^1_ b _i  ||₂ (i=1,2,3,4)，

则称X_i ¹为方程组AX_i=b_i的最小二乘解，此方程组的最小二乘通解为

 X _i =A ⁺ b _i + (I=A ⁺ A)Y,Y?C ⁿ ；

方程组中长度最小的解即为 X _i =A ⁺ b _i ，是唯一解，可称作极小二乘解；其中A⁺是A的广义逆，将求出的极小二乘解合并可求得T_3D=[X ₁  X ₂  X ₃  X4]，并能够使得最小二乘目标函数最小，即T_3D= A⁺ B；

步骤3：根据T_3D= A⁺B，求出T_3D，其中，A ⁺ =A ^T (AA ^T )^-1；

步骤4：将一块点云数据经过T_3D坐标变换，加入另一块点云数据中，3D坐标变换矩阵可用

[t ₄₁  t ₄₂  t ₄₃]产生平移变换；[t ₁₄  t ₂₄  t ₃₄]产生投影变换；[t ₄₄]产生整体比例变换。由于本文中采用的坐标变换是刚性变换，故有[t ₁₄  t ₂₄  t ₃₄] ^T =[0  0  0] ^T ，[t ₄₄]=[1  0]。若点P在第一块点云数据中的坐标为p ₁=(x ₁,y ₁,z ₁,1)，则在第二块点云数据中的坐标为p ₂=(x ₂,y ₂,z ₂,1)，则两者关系可表示为：P₁T_3D=P₂；

步骤5：若拼接未完，转为第一步，拼接完成消除重叠点，拼接结束。

本发明上述所述步骤2中的标志点对越多，拼接精度越高。

本发明在实际应用中，由于测量仪器每一次测量区域范围有限，且由于其中人工所加标志点不能过多，以免丢失扫描物体本身信息。

从表1、图2可以看出，本发明多个标志点自动拼合误差要小于传统三基准点误差，可以证明本发明可以减少测量误差、获取被测物体表面的完整数据，拼接精度较高，同时对于后续的模型重建提供了方便。

以上所述，仅为本发明较佳的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可想到的理解和变换，都应涵盖在本发明的包含范围内。 

Claims (2)

1.一种基于多个标志点自动识别的点云数据拼接方法，其特征在于包括如下步骤：

步骤1：首先读入两块点云数据，设置目标图与待拼接图，初始化点云拼接数据；

步骤2：根据标志点的空间几何关系采取特征搜索与识别算法，由程序自动找出对应标志点对，若标志点对大于3对，则将其分别存入矩阵A、B，否则不能进行拼接，如果搜索过程结束后仍然没有解，那么适宜采用递归的方法进行搜索，从外到内开展搜索，在搜索并识别出标志特征点后结束；

令三维变换矩阵 T_3D= [X ₁  X ₂  X ₃  X ₄]，则有AT_3D=B；

假设X _i ¹满足 || AX _i ^1_ b _i  ||₂ = min || AX _i ^1_ b _i  ||₂ (i=1,2,3,4)，

则称X_i ¹为方程组AX_i= b_i的最小二乘解，此方程组的最小二乘通解为

X _i =A ⁺ b _i + (I=A ⁺ A)Y,Y?C ⁿ ；

方程组中长度最小的解即为 X _i =A ⁺ b _i ，是唯一解，可称作极小二乘解：其中A⁺是A的广义逆，将求出的极小二乘解合并可求得T_3D=[X ₁  X ₂  X ₃  X4]，并能够使得最小二乘目标函数最小，即T_3D= A⁺ B；

步骤3：根据T_3D= A⁺B，求出T_3D，其中，A ⁺ =A ^T (AA ^T )^-1；

步骤4：将一块点云数据经过T_3D坐标变换，加入另一块点云数据中，3D坐标变换矩阵

[t ₄₁  t ₄₂  t ₄₃]产生平移变换；[t ₁₄  t ₂₄  t ₃₄]产生投影变换；[t ₄₄]产生整体比例变换；由于采用的坐标变换是刚性变换，故有[t ₁₄  t ₂₄  t ₃₄] ^T =[0  0  0] ^T ，[t ₄₄]=[1  0]，若点P在第一块点云数据中的坐标为p ₁=(x ₁,y ₁,z ₁,1)，则在第二块点云数据中的坐标为p ₂=(x ₂,y ₂,z ₂,1)，则两者关系可表示为：P₁T_3D=P₂ ；

步骤5：若拼接未完，转为第一步，拼接完成消除重叠点，拼接结束。

2.如权利要求1所述的基于多个标志点自动识别的点云数据拼接方法，其特征在于所述步骤2中的标志点为4个或4个以上，标志点对越多，拼接精度越高。

Images