CN105719287B - 一种不规则图形的对位方法 - Google Patents

Abstract

本发明公开了一种不规则图形的对位方法，在传统图像处理算法的基础上，运用点云匹配算法，解决了传统图像算法不稳定、抗干扰性差的问题，提高了对位的准确性、稳定性和高效性。本发明将整个轮廓上的点都参与计算，是整个轮廓整体特征的对位匹配，这样的对位方式更加可靠稳定。本发明在迭代最近点处理的过程中可以通过设置迭代计算次数和收敛条件来调整不规则图像的对位精度。本发明在迭代最近点处理的过程中通过计算对应点对即最小二乘法来得到两个轮廓的最优解，比传统的特征定位精度更高。本发明局部的跳动和干扰不会对整体结果产生影响，算法稳定，抗干扰性强。

Description

一种不规则图形的对位方法

技术领域：

本发明属于图形处理技术领域，具体是涉及一种不规则图形的对位方法。

背景技术：

在工业4.0的背景下，自动化行业竞争越来越激烈，客户对自动化设备性能的要求也越来越高，提高设备的组装精度和良品率是企业满足客户需求，在激烈竞争中取胜的重要手段之一。

电子产品的组装式自动化行业的一个重要应用，目前，在电脑TrackPad组装中，主要有两种对位组装方式：一种是无摩擦对位组装，另一种是摩擦对位组装，这两种组装方式都需要在开始前对部件进行对位，而现有技术中，对于不规则图形的对位，传统的图像处理算法找不到可靠的解决方案，通常采用抓取一些特征点(例如质心、角点等)来实现。但是特征点只是表征了一些局部特征，无法描述整个轮廓曲线，且特征点的抓取不够稳定，某个特征点的抓取错误对整个对位结果影响很大。传统的图像处理算法不稳定，抗干扰差。

发明内容：

为此，本发明针对现有技术中存在的不足，提出一种不规则图形的对位方法，在传统图像处理算法的基础上，运用点云匹配算法，可以很好的解决上述问题，提高对位的准确性、稳定性和高效性。

为达到上述目的，本发明的技术方案如下：

一种不规则图形的对位方法，包括如下步骤：

S1：利用图形处理算法进行特征提取，并根据所述特征进行初定位。

S2：获取轮廓点云数据，初步估计对应点对。

S3：根据所述步骤S2中的对应点对进行点对匹配和迭代运算，获取最佳对应点对。

S4：根据所述步骤S3中获取的最佳对应点对进行精确定位。

作为上述技术方案的优选，所述步骤S2具体包括如下步骤：

S21：获取轮廓点云数据，所述轮廓点云数据包括Logo的轮廓原始数据点和Housing的轮廓原始数据点。

S22：获取所述Logo的轮廓原始数据点和所述Housing的轮廓原始数据点中集中的坐标位置。

S23：根据所述Logo的轮廓原始数据点和所述Housing的轮廓原始数据点的特征和坐标位置的相似度来初步估计对应点对。

作为上述技术方案的优选，所述步骤S3具体包括如下步骤：

S31：将所述步骤S2中的对应点对进行匹配，获取第一对应点对。

S32：对所述第一对应点对进行伪对应关系去除处理，获取第二对应点对。

S33：对所述第二对应点对进行变换矩阵估算处理，获取第三对应点对。

S34：对所述第三对应点对进行迭代最近点处理，获取第四对应点对，所述迭代最近点处理的过程中，通过最小二乘法迭代计算最优的坐标变换。

S35：对所述第四对应点对进行采样一致性配准，并进行非线性局部优化处理，获取最佳对应点对。

作为上述技术方案的优选，所述步骤S31中：

将对应点对进行匹配采用的匹配方法为点匹配方法，即使用xy坐标作为特征值进行匹配。

作为上述技术方案的优选，所述步骤S31中：

将对应点对进行匹配采用的匹配方法为特征匹配方法，所述特征匹配方法中的特征包括法向量、局部或全局形状直方图。

作为上述技术方案的优选，所述步骤S31中：

将对应点对进行匹配采用的匹配方法为点匹配与特征匹配结合的方法。

本发明的有益效果在于：将整个轮廓上的点都参与计算，是整个轮廓整体特征的对位匹配，这样的对位方式更加可靠稳定；在迭代最近点处理的过程中可以通过设置迭代计算次数和收敛条件来调整不规则图像的对位精度；在迭代最近点处理的过程中通过计算对应点对即最小二乘法来得到两个轮廓的最优解，比传统的特征定位精度更高；局部的跳动和干扰不会对整体结果产生影响，算法稳定，抗干扰性强。

附图说明：

以下附图仅旨在于对本发明做示意性说明和解释，并不限定本发明的范围。其中：

图1为本发明一个实施例的不规则图形的对位方法流程图；

图2为本发明一个实施例的不规则图形的完成的对位算法流程图；

图3为本发明一个实施例的初步估计对应点对的方法流程图；

图4为本发明一个实施例的获取最近对应点对的方法流程图。

具体实施方式：

如图1、图2所示，本发明的不规则图形的对位方法，包括如下步骤：

S1：利用图形处理算法进行特征提取，并根据所述特征进行初定位。

S2：获取轮廓点云数据，初步估计对应点对。如图3所示，所述步骤S2具体包括如下步骤：

S21：获取轮廓点云数据，所述轮廓点云数据包括Logo的轮廓原始数据点和Housing的轮廓原始数据点，所述轮廓点云数据大约为13000个点。

S22：获取所述Logo的轮廓原始数据点和所述Housing的轮廓原始数据点中集中的坐标位置。

S23：根据所述Logo的轮廓原始数据点和所述Housing的轮廓原始数据点的特征和坐标位置的相似度来初步估计对应点对。

S3：根据所述步骤S2中的对应点对进行点对匹配和迭代运算，获取最佳对应点对。如图4所示，所述步骤S3具体包括如下步骤：

S31：将所述步骤S2中的对应点对进行匹配，获取第一对应点对。将对应点对进行匹配采用的匹配方法可以为点匹配方法，即使用xy坐标作为特征值进行匹配。将对应点对进行匹配采用的匹配方法可以为特征匹配方法，所述特征匹配方法中的特征包括法向量、局部或全局形状直方图。将对应点对进行匹配采用的匹配方法可以为点匹配与特征匹配结合的方法。本实施例中，具体实施方式为：假设我们已经得到2片点云数据的两组特征向量，在此基础上必须找到相似特征再确定数据的重叠部分，然后进行配准：

(1)进行点匹配，使用xy坐标作为特征值，在有序的点云数据图像空间中查找；

(2)进行特征匹配，不使用点的坐标，而是某些有查询点领域确定的特征，如法向量、局部或全局形状直方图等。

S32：对所述第一对应点对进行伪对应关系去除处理，获取第二对应点对。遇到有一对多对应关系的特例情况，即目标模型中的一个点对应源中的若干个点与之对应，可以通过只取与其距离最近的对应点或者检查附近的其他匹配的滤波方法过滤掉其他伪对应关系。

S33：对所述第二对应点对进行变换矩阵估算处理，获取第三对应点对。本实施例中，采用如下步骤实现：

(1)在对应关系的基础上评估一些错误的度量标准；

(2)在摄像机位姿(运动估算)和最小化错误度量标准下估算一个(刚体)变换；

(3)使用刚体变换把源旋转/平移到于目标所在的同一坐标系下，用所有点的一个子集或者关键点运行一个内部变换循环；

(4)进行迭代，直到符合收敛想判断标准为止。

S34：对所述第三对应点对进行迭代最近点处理，获取第四对应点对，所述迭代最近点处理的过程中，通过最小二乘法迭代计算最优的坐标变换。本实施例中，对2片点云，首先根据一定的准则确定对应点集P与Q，其中对应点对的个数为n，然后通过最小二乘法迭代计算最优的坐标变换，即旋转矩阵R和平移矢量t，使得误差函数最小。算法的运行速度以及向全局最优的收敛性却在很大程度上依赖于给定的初始变换估计以及在迭代过程中对应关系的确立。

S35：对所述第四对应点对进行采样一致性配准，并进行非线性局部优化处理，获取最佳对应点对。本实施例中，具体实施步骤如下：

(1)从P中选择s个样本点，同时确定他们的配对距离大于用户设定的最小值dmin；

(2)对于每个样本点，在Q中找到满足直方图和样本点直方图相似的点存入一个列表中，从这些点汇总随机选择一些代表采样点的对应关系；

(3)计算通过采样点定义的刚体变换和其对应变换，计算点云的度量错误来评价转换的质量；

(4)重复着3个步骤直至取得储存了最佳度量错误，最后进行非线性局部优化

S4：根据所述步骤S3中获取的最佳对应点对进行精确定位。

本方法主要解决了以下问题：

(1)用传统图像处理算法实现初对位。

(2)初对位完成后，用点云匹配算法实现精确对位。

(3)任何不规则的图形都可以计算出最佳匹配，用户可以设置迭代次数和收敛条件。

本实施例所述的不规则图形的对位方法，在传统图像处理算法的基础上，运用点云匹配算法，解决了传统图像算法不稳定、抗干扰性差的问题，提高了对位的准确性、稳定性和高效性。本发明将整个轮廓上的点都参与计算，是整个轮廓整体特征的对位匹配，这样的对位方式更加可靠稳定。本发明在迭代最近点处理的过程中可以通过设置迭代计算次数和收敛条件来调整不规则图像的对位精度。本发明在迭代最近点处理的过程中通过计算对应点对即最小二乘法来得到两个轮廓的最优解，比传统的特征定位精度更高。本发明局部的跳动和干扰不会对整体结果产生影响，算法稳定，抗干扰性强。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (4)

1.一种不规则图形的对位方法，其特征在于，包括如下步骤：

S1：利用图形处理算法进行特征提取，并根据所述特征进行初定位；

S2：获取轮廓点云数据，初步估计对应点对；

S3：根据所述步骤S2中的对应点对进行点对匹配和迭代运算，获取最佳对应点对；

S4：根据所述步骤S3中获取的最佳对应点对进行精确定位；

所述步骤S2具体包括如下步骤：

S21：获取轮廓点云数据，所述轮廓点云数据包括Logo的轮廓原始数据点和Housing的轮廓原始数据点；

S22：获取所述Logo的轮廓原始数据点和所述Housing的轮廓原始数据点中集中的坐标位置；

S23：根据所述Logo的轮廓原始数据点和所述Housing的轮廓原始数据点的特征和坐标位置的相似度来初步估计对应点对；

所述步骤S3具体包括如下步骤：

S31：将所述步骤S2中的对应点对进行匹配，获取第一对应点对；

S32：对所述第一对应点对进行伪对应关系去除处理，获取第二对应点对；

S33：对所述第二对应点对进行变换矩阵估算处理，获取第三对应点对；

S34：对所述第三对应点对进行迭代最近点处理，获取第四对应点对，所述迭代最近点处理的过程中，通过最小二乘法迭代计算最优的坐标变换；

S35：对所述第四对应点对进行采样一致性配准，并进行非线性局部优化处理，获取最佳对应点对。

2.根据权利要求1所述的不规则图形的对位方法，其特征在于，所述步骤S31中：

将对应点对进行匹配采用的匹配方法为点匹配方法，即使用xy坐标作为特征值进行匹配。

3.根据权利要求1所述的不规则图形的对位方法，其特征在于，所述步骤S31中：

将对应点对进行匹配采用的匹配方法为特征匹配方法，所述特征匹配方法中的特征包括法向量、局部或全局形状直方图。

4.根据权利要求1所述的不规则图形的对位方法，其特征在于，所述步骤S31中：

将对应点对进行匹配采用的匹配方法为点匹配与特征匹配结合的方法。