CN109712174B

CN109712174B - 一种复杂异形曲面机器人三维测量的点云误配准滤除方法及系统

Info

Publication number: CN109712174B
Application number: CN201811595800.7A
Authority: CN
Inventors: 王耀南; 吴昊天; 彭伟星; 曾凯; 刘俊阳; 贾林; 陈南凯; 张荣华
Original assignee: Hunan University
Current assignee: Hunan University
Priority date: 2018-12-25
Filing date: 2018-12-25
Publication date: 2020-12-15
Anticipated expiration: 2038-12-25
Also published as: CN109712174A

Abstract

本发明公开了一种复杂异形曲面机器人三维测量的点云误配准滤除方法及系统，该方法包括以下几个步骤：步骤1：将输入的配准点云对划分为三组，从每组配准点云对中选取一个点云对，求解出对应的变换矩阵R_i；步骤2：将求得的变换矩阵转换为欧拉旋转角，构建欧拉旋转角集合D；步骤3：对D中的欧拉旋转角进行自适应密度聚类，选出聚类结果中包含欧拉旋转角数量最多的类，并将用于求解该类欧拉旋转角的配准点云对作为可信配准点云对，从而完成误配准点云对滤除；该方法充分利用了给定点云配准对的空间信息，进行有效分解，并高效聚类，从而能够有效排除三维点云配准中误配准点，对点云的噪声、配准位置偏移等有较强适应性。该系统结构简单，操作方便。

Description

一种复杂异形曲面机器人三维测量的点云误配准滤除方法及系统

技术领域

本发明属于图像配准领域，特别涉及一种复杂异形曲面机器人三维测量的点云误配准滤除方法及系统。

背景技术

智能制造技术即通过工业机器人集成智能化感知、人机交互、决策和执行技术，替代人类完成高精度、高强度重复作业，在航空航天、海洋工程、轨道交通、新能源等高端制造业具有广阔的应用前景，能够完成复杂工件识别、定位抓取、焊接打磨、钻孔铆接等作业任务。

智能制造正在由二维机器视觉向三维机器视觉方向发展，但相比于二维机器视觉，三维视觉空间点云配准的准确率一直较低。最主要的原因就是三维空间具有数据复杂度高、噪声干扰大、三维特征表达困难，导致点云配准过程出现偏差，存在大量错误的配准结果，极大的影响了配准结果。

异形曲面指的是非标准化的复杂曲面结构，在航空航天、海洋工程、轨道交通等高端制造业中广泛存在。由于异形曲面结构局部深度图像相似度高、曲面模型包含高阶非线性函数难以拟合等问题，在异形曲面的机器人加工检测过程中，对多幅三维点云深度图像配准的准确率难以保证，大量的误配准结果严重影响了其加工和检测精度。

目前，针对复杂异形曲面的三维点云配准误差补偿方法主要有两种。一种方法基于随机抽样一致(RANSAC)算法，在一组包含“误点”的数据集中，采用随机抽样选定可能的数据模型，并不断迭代，最终寻找最优参数模型，不符合最优模型的点即为“误点”。另一种基于点云配准的局部区域判定，通过三维点云局部配准与全局配准转换函数的一致性来在小区域范围内判断判准结果的正确性。但两种方法均存在不可控的误判情况，并且需要一定先验知识才能准确运行。

发明内容

本发明提供了一种复杂异形曲面机器人三维测量的点云误配准滤除方法及系统，通过对配准对完整空间信息的分析，建立配准点云的空间转换特征，再根据空间转换特征对配准点云进行密度聚类，保留密度分布最集中的聚类作为输出的滤除结果。

一种基于密度聚类的三维点云误配准滤除方法，包括以下步骤：

步骤1：将输入的配准点云对划分为三组{a_i},{b_i},{c_i}，从每组配准点云对中选取一个点云对，根据矩阵变换关系，求解出a_i,b_i,c_i对应的变换矩阵R_i；

{a_i}＝{(x_3i-2-x_3i-1,y_3i-2-y_3i-1)}

{b_i}＝{(x_3i-1-x_3i,y_3i-1-y_3i)}

{c_i}＝{(x_3i-x_3i-2,y_3i-y_3i-2)}

其中，i＝1,2,3,...,INT(N/3)，INT()表示向下取整函数；

步骤2：将求得的变换矩阵转换为欧拉旋转角，得到INT(N/3)个欧拉旋转角d_i，d_i＝(θ_i,ω_i,φ_i)，并构建欧拉旋转角集合D，D＝{d_i}；

其中，θ_i,ω_i,φ_i分别表示欧拉旋转角的x轴分量、y轴分量和z轴分量，N表示配准点云对的总数；

步骤3：对D中的欧拉旋转角进行自适应密度聚类，选出聚类结果中包含欧拉旋转角数量最多的类，并将用于求解该类欧拉旋转角的配准点云对作为可信配准点云对，从而将所输入的配准点云对中的误配准点云对滤除。

进一步的，所述对D中的欧拉旋转角进行自适应密度聚类是指利用D中的欧拉旋转角自适应计算半径参数e和最小邻域数Minpts，基于半径参数e和最小邻域数Minpts对D进行密度聚类；

所述利用D中的欧拉旋转角自适应计算半径参数e和最小邻域数Minpts的过程如下：

首先，计算D中任意两点之间的欧氏距离dist：

然后，搜索dist的最大值maxdist和最小值mindist，并计算距离间隔disrange；

Maxdist＝Max{dist(n,m)|0≤n＜i,0≤m＜i}

Mindist＝Min{dist(n,m)|0≤n＜i,0≤m＜i}

distrange＝Maxdist-Mindist

其中，i表示点的数目；

接着，将距离间隔等距分为十段，统计dist在每个距离间隔分段范围内的个数，半径参数e的取值为个数最高的距离间隔段的中值，最小邻域数Minpts初始值设定为3；

最后，计算所有欧拉旋转角的邻域点数目超过最小邻域数目的欧拉旋转角的数目pNum，随着最小邻域数目的增加，pNum会逐渐减少并趋于稳定，选择pNum的拐点所对应的最小邻域数目作为最小邻域数MinPts；

进一步的，所述基于半径参数e和最小邻域数Minpts对D进行密度聚类是指从选定的作为核心点的欧拉旋转角出发，不断向密度可达的e邻域扩张，扩张时，e邻域中的点的数量不小于Minpts，得到一个包含核心点和边界点的最大化区域，区域中任意两点密度相连，每个区域中包含的欧拉旋转角作为一个簇类。

一种复杂异形曲面机器人三维测量的点云误配准滤除系统，包括机器人移动平台、三维扫描仪以及配准处理单元；

所述三维扫描仪和配准处理单元搭载在机器人移动平台上，且三维扫描仪设置于机器人移动平台活动端；配准处理单元接收三维扫描仪采集的目标多角度点云数据，对点云数据进行点云特征匹配，并采用上述方法对匹配后的三维点云对进行误配准滤除。

有益效果

本发明提供了一种复杂异形曲面机器人三维测量的点云误配准滤除方法及系统，该方法包括以下几个步骤：步骤1：将输入的配准点云对划分为三组，从每组配准点云对中选取一个点云对，根据矩阵变换关系，求解出对应的变换矩阵R_i；步骤2：将求得的变换矩阵转换为欧拉旋转角，构建欧拉旋转角集合D；步骤3：对D中的欧拉旋转角进行自适应密度聚类，选出聚类结果中包含欧拉旋转角数量最多的类，并将用于求解该类欧拉旋转角的配准点云对作为可信配准点云对，从而将所输入的配准点云对中的误配准点云对滤除；该方法充分利用了给定点云配准对的空间信息，将这些信息有效分解，并高效聚类，从而能够有效排除三维点云配准中误配准点，对点云的噪声、配准位置偏移等有较强适应性。可以显著提高三维配准精度和鲁棒性，且计算复杂度低，占用内存小，适用于目标结构复杂、数据大噪声、配准高精度要求的三维点云配准。该系统结构简单，操作方便。

附图说明

图1为本发明所述方法流程示意图。

具体实施方式

下面将结合附图和实施例对本发明做进一步的说明。

利用末端装有三维扫描设备的机器人移动平台将从多个方向，对复杂异形曲面目标扫描，采集三维图像信息，通过计算机计算特征匹配的配准点，并采用复杂异形曲面机器人三维测量的点云误配准滤除方法，滤除误配准结果，得到正确的匹配结果。

三维目标为异形曲面叶片，异形曲面指的是非标准化的复杂曲面结构，其局部深度图像相似度高、曲面模型包含高阶非线性函数难以拟合，导致在异形曲面的机器人加工检测过程中，对多幅三维点云深度图像配准的准确率难以保证，大量的误配准结果严重影响了其加工和检测精度。

步骤1：末端装有三维扫描设备的机器人移动平台将从多个方向，对复杂异形曲面目标扫描，采集三维图像信息，通过计算机计算特征匹配的配准点。

步骤2：将步骤1计算得到的N对点云配准对分为三组{a_i},{b_i},{c_i}，其中

{a_i}＝{(x_3i-2-x_3i-1,y_3i-2-y_3i-1)}

{b_i}＝{(x_3i-1-x_3i,y_3i-1-y_3i)}

{c_i}＝{(x_3i-x_3i-2,y_3i-y_3i-2)}

步骤3：根据已知配准对确定配准欧拉旋转角θ_i,ω_i,φ_i。

(1)根据矩阵变换关系，求解a_i,b_i,c_i对应的变换矩阵R_i，即解方程：

(a_i(y),b_i(y),c_i(y)，1)^T＝R_i×(a_i(x),b_i(x),c_i(x),1)^T

(2)将求得的矩阵R_i进一步转换为欧拉旋转角θ_i,ω_i,φ_i，

考虑到欧拉旋转角转换的多解情况，对于转换矩阵R具体转换方法如下：

首先如果R₃₁＝±1，即ω＝π/2，此时陷入万向节死锁，这种情况转换无效，所对应的配准对视为异常。

如果R₃₁≠±1，则按照公式计算欧拉旋转角

ω₁＝-asin(R₃₁),ω₂＝π-ω₁

这两个解是基本等价的，一般我们取ω₁≤π/2的那一组欧拉角作为结果。将所有的变换矩阵结算结果记为D＝{d_i}＝{(θ_i,ω_i,φ_i)}。

步骤4：自适应密度聚类，分离D中的异常点。

(1)根据配准点云自适应计算半径参数e和最小邻域数Minpts。

首先，计算D中任意两点之间的欧氏距离dist。

然后搜索dist的最大值maxdist和最小值mindist，并计算距离间隔disrange。

Maxdist＝Max{dist(n,m)|0≤n＜i,0≤m＜i}

Mindist＝Min{dist(n,m)|0≤n＜i,0≤m＜i}

distrange＝Maxdist-Mindist

其中，i表示点的数目。

将距离间隔等距分为十段，统计距离间隔在每段范围内的频数，半径参数e即为频数最高分段的中值。

半径参数e确定后，根据e逐步增大最小邻域数目MinPts，计算邻域超过最小邻域数目的点的数目pNum。随着最小邻域数目的增加，pNum会逐渐减少并趋于稳定，选择拐点所在的最小邻域数目作为最小邻域数MinPts。

pNumi＝count{dist(n,m)＜e|0≤j＜n}

pNum＝count{pNumi≥MinPts|0≤i＜n}

(2)导入上述方法计算的半径参数e和最小邻域数Minpts对D密度聚类。

1)给定初始半径e和最小邻域数MinPts，聚类类别k的初始值为1；

2)从待分类集合D中读出一个未进行分类标记的对象d_i，并查找D中关于e和MinPts的从d_i密度可达的所有对象；

3)若d_i是核心对象(d_i的e邻域内至少包含MinPts个点)，则对象d_i的聚类中心点标记p赋值1；如果d_i是一个边界点(d_i不是核心点，但落在某个核心点的e邻域内)，则d_i对象的聚类中心点标记p赋值为0，并转步骤2)；

4)将所有与对象d_i密度可达的对象的聚类类别标记赋值为k；从对象d_i密度可达的对象开始继续搜索，直至无对象为止，将所有密度可达的对象的聚类类别标记赋值为k，聚类类别标记k++，并转步骤2)；

5)若待分类集合D中有未进行分类标记的对象，转步骤2)；

6)若待分类集合D中的点全部完成分类标记，聚类结束。

(3)在获取的复杂异形曲面三维点云配准对数据中，除了正确的配准对点云外，还有大量分布比较稀疏或孤立的误配准对。正确的配准对一般认为具有小范围的高度一致性，而聚类算法可以实现类内个体之间具有较大的一致性，类间个体间具有较大的差异性。我们选取自适应密度聚类结果中样本数最多的类作为可信的点云配准对，排除其他类和异常结果。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims

1.一种基于密度聚类的三维点云误配准滤除方法，其特征在于，包括以下步骤：

{a_i}＝{(x_3i-2-x_3i-1,y_3i-2-y_3i-1)}

{b_i}＝{(x_3i-1-x_3i,y_3i-1-y_3i)}

{c_i}＝{(x_3i-x_3i-2,y_3i-y_3i-2)}

其中，i＝1,2,3,...,INT(N/3)，INT()表示向下取整函数；

2.根据权利要求1所述的方法，其特征在于，所述对D中的欧拉旋转角进行自适应密度聚类是指利用D中的欧拉旋转角自适应计算半径参数e和最小邻域数Minpts，基于半径参数e和最小邻域数Minpts对D进行密度聚类；

首先，计算D中任意两点之间的欧氏距离dist：

Maxdist＝Max{dist(n,m)|0≤n＜i,0≤m＜i}

Mindist＝Min{dist(n,m)|0≤n＜i,0≤m＜i}

distrange＝Maxdist-Mindist

其中，i表示点的数目；

3.根据权利要求2所述的方法，其特征在于，所述基于半径参数e和最小邻域数Minpts对D进行密度聚类是指从选定的作为核心点的欧拉旋转角出发，不断向密度可达的e邻域扩张，扩张时，e邻域中的点的数量不小于Minpts，得到一个包含核心点和边界点的最大化区域，区域中任意两点密度相连，每个区域中包含的欧拉旋转角作为一个簇类。

4.一种复杂异形曲面机器人三维测量的点云误配准滤除系统，其特征在于，包括机器人移动平台、三维扫描仪以及配准处理单元；

所述三维扫描仪和配准处理单元搭载在机器人移动平台上，且三维扫描仪设置于机器人移动平台活动端；配准处理单元接收三维扫描仪采集的目标多角度点云数据，对点云数据进行点云特征匹配，并采用权利要求1-3任一项所述方法对匹配后的三维点云对进行误配准滤除。