CN111563904B - 一种基于三维特征描述子的机翼叉耳点云分割方法 - Google Patents

Abstract

本发明公开了一种基于三维特征描述子的机翼叉耳点云分割方法，包括以下步骤：采集机翼信息，获取机翼点云数据集；根据叉耳CAD模型采样获取点云数据作为模板点云M，对模板点云M计算三维特征描述子m；将机翼点云数据集进行随机采样得到采样集I1；选取采样点i，寻找采样点i的邻域k，并计算全部点的三维特征描述子n_i；分别度量三维特征描述子m和n_i的相似性，并设置阈值ε，筛选大于阈值ε的点云数据；得到新的点云数据集并对其聚类，得到多个聚类点云；将每个聚类点云的三维特征描述子n_i和模板点云的三维描述子m对比，筛选出差异大的异常点聚类；滤除异常点聚类，得到分割后的叉耳点云数据。本发明可以得到准确的叉耳数据，大大提高了机翼装配的精确度。

Description

一种基于三维特征描述子的机翼叉耳点云分割方法

技术领域

本发明属于三维模型技术领域，具体涉及一种基于三维特征描述子的机翼叉耳点云分割方法。

背景技术

飞机大部件对接是飞机总装配的重要组成部分，主要包含翼身对接、垂尾对接等。其中，翼身对接的约束关系最为复杂，机翼承受的载荷也最大，对接质量直接影响飞机的飞行安全和使用寿命。

机翼与中央翼对接时，机翼大梁耳片与轮舱支臂为叉耳配合，通过一个螺栓连接。在飞机翼身对接过程中，叉耳式交点接头会导致装配变形。因此，在装配前需分割出叉耳，确定叉耳的位置再装配就会大大减少装配的工作量和精度。可以利用飞机数字化装配系统中的测量设备对待装配产品实际状态进行信息采集，达到对装配过程进行仿真计算和预测装配结果的目的。

目前，现有技术还没有针对叉耳分割提成直接的解决方案，因此叉耳的快速有效分割，减少装配变形等问题，尚未提出有效的解决方案。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于三维特征描述子的机翼叉耳点云分割方法。

为实现上述技术目的，本发明采取的技术方案为：

一种基于三维特征描述子的机翼叉耳点云分割方法，其中包括以下步骤：

步骤S1：采集机翼信息，获取机翼点云数据集；

步骤S2：根据叉耳CAD模型采样获取叉耳点云数据作为模板点云M，对模板点云M计算其三维特征描述子m；

步骤S3：将机翼点云数据集进行随机采样，得到采样集I1；

步骤S4：选取采样集中的采样点i，寻找采样点的特定邻域k，将采样点和特定邻域k组成预测点云I，并计算预测点云I中的三维特征描述子n_i；

步骤S5：分别度量三维特征描述子m和n_i的相似性，并设置阈值ε，筛选大于阈值ε的点云数据；得到新的点云数据集并对其聚类，得到多个聚类点云；

步骤S6：将每个聚类点云的三维特征描述子n_i和模板点云的三维特征描述子m对比，筛选出差异大的异常点聚类；

步骤S7：滤除异常点聚类，得到分割后的叉耳点云数据。

为优化上述技术方案，采取的具体措施还包括：

进一步地，步骤S2中，计算模板点云M的三维特征描述子m具体为：

通过边缘检测算子获取轮廓边缘，对轮廓边缘采样得到一组离散的点集X＝{x₁，x₂，x₃，...，x_j}；

以其中任意一点x_i为参考点，在x_i为圆心、R为半径的局域内按对数距离间隔建立a个同心圆，将此区域沿圆周方向b等分，点x_i到其它参考点的向量相对位置简化为模板点云上各扇区内的点分布数；分析其它参考点的形状上下文特征h_i(k)，计算公式为：

h_i(k)＝#{q≠p_i：(q-p_i)∈bin(k)}

其中，y表示余下的采样点，bin(k)表示第k个等分，1≤k≤K，K＝a×b，h_i(k)即为形状上下文特征。

选取点集X中j个点x₁，x₂，x₃，...，x_j作参考点，依次计算与剩下的j-1个点构成的形状上下文特征，最终得到j个形状直方图，并以j*j-1大小的矩阵存储表示三维特征描述子m。

进一步地，步骤S3具体为：设定阈值δ，根据设定的阈值δ对点云数据集进行采样，其中采样的点云数据大于设定的阈值δ。

进一步地，步骤S4具体为：

选取采样集中的采样点，寻找采样点的邻域k，把与采样点的法向量夹角小于阈值的邻域点添入集合中，遍历整个点云数据集组成预测点云I，利用三维形状上下文特征计算得到预测点云I中参考点i的点云块的三维特征描述子n_i。

进一步地，步骤S5中度量m和n_i的相似性的计算具体如下：

计算模块点云的形状直方图与预测点云I的形状直方图之间的匹配代价，代价函数如下：

其中，h_i(k)为模块点云M中点x_i的形状上下文特征；h_j(k)为采样点云I中点y_j的形状上下文特征。

进行点云匹配获得最小值：

H(π)＝∑C(x_s，y_π(s))，

其中：s是利用匈牙利算法进行对应点查找得到对应点集的个数；

利用变换矩阵来表示形状之间的区别：

其中，y_π(s)表示查找得到的点云I中对应点，i表示预测点云I采样得到的i个点，j表示模板点云M采样得到的j个点，x表示模板点云中的采样点，T(y)表示预测点云I中采样点y经过T的变换结果；

基于形状距离衡量模块点云M与预测点云I之间的相似度，结果越大表示差异越大，结果越小表示差异越小。

进一步地，步骤S5中聚类采用k-means方法。

本发明的有益效果：

本发明一种基于三维特征描述子的机翼叉耳点云分割方法，能够有效分割机翼叉耳点云数据，在对机翼点云数据进行处理时，首先对采集的机翼点云数据I1进行随机采样，将机翼点云数据集I1进行随机采样得到采样集；选取采样点i，寻找采样点i的邻域k，并计算全部点的三维特征描述子n_i；然后度量机翼点云聚类三维特征描述子n_i和模板叉耳点云的三维特征描述子m相似性；最后滤除差异大的异常点集，得到分割后的叉耳点云数据。在计算三维特征描述子时采用三维形状上下文特征方法，通过对比形状差异可以快速准确找到噪声点云，从而得到准确的叉耳数据，因此大大缩短了机翼装配的时间，提高了机翼装配的精确度。

附图说明

图1是本发明的流程图；

具体实施方式

以下结合附图对本发明的实施例作进一步详细描述。

如图1所示，本发明为一种基于三维特征描述子的机翼叉耳点云分割方法，其中包括以下步骤：

步骤S1：采集机翼信息，获取机翼点云数据集；

在具体实施中，通过三维激光扫描仪对机翼进行扫描的方式，采集机翼信息，获取机翼信息点云数据集I1。由于叉耳的CAD模型是已知的，利用PCL点云库从CAD模型采样得到模板叉耳点云。

步骤S2：根据叉耳CAD模型采样获取叉耳点云数据作为模板点云M，利用三维形状上下文特征方法对模板点云M计算其三维特征描述子m；

在具体实施中，对于模板点云M，通过边缘检测算子获取轮廓边缘，对轮廓边缘采样得到一组离散的点集Y＝{y₁，y₂，y₃，...，y_k}。

在具体实施中，计算形状上下文特征：以其中任意一点y_i为参考点，在y_i为圆心、R为半径的局域内按对数距离间隔建立a个同心圆。将此区域沿圆周方向b等分。点y_i到其它参考点的向量相对位置简化为模板点云上各扇区内的点分布数；分析其它参考点的形状分布直方图h_i(k)，其计算公式为：

h_i(k)＝#{q≠p_i：(q-p_i)∈bin(k)}

其中，k＝{1，2，...，K＝a*b}。

在具体实施中，对于整个点集Y，分别以其j个点y₁，y₂，y₃，...，y_j作参考点，依次计算与剩下的j-1个点构成的形状上下文特征，最终得到j个形状上下文特征，并以j*j-1大小的矩阵存储表示三维特征描述子m。

步骤S3：将扫描点云数据集进行随机采样，得到点云数据采样集；

在具体实施中，由于采集得到的机翼信息数据量大，为了减少计算量，给定一个点云个数的阈值δ，然后按给定点的个数进行随机采样，得到采样后的点云数据。

步骤S4：选取点云数据采样集中的采样点，寻找采样点的邻域k，将采样点和特定邻域k组成预测点云I，并计算预测点云I中的三维特征描述子n_i；

在具体实施中，选取预测点云I中的采样点i，寻找采样点的邻域k，把与采样点的法向量夹角小于阈值的邻域点添入集合，遍历整个点云数据集组成预测点云I，利用三维形状上下文特征方法计算得到参考点i的点云块的三维特征描述子n_i；

其中计算三维特征描述子n_i的具体过程为：

以n_i个点云组中任意一点x_i为参考点，在x_i为圆心、R为半径的局域内按对数距离间隔建立a个同心圆。将此区域沿圆周方向b等分。参考点x_i到其它参考点的向量相对位置简化为模板上各扇区内的点分布数；分析其它参考点的形状分布直方图h_i(k)，称为点x_i的形状上下文，其计算公式为：

h_i(k)＝#{q≠p_i：(q-p_i)∈bin(k)}

其中，k＝{1，2，...，K＝a*b}；

在具体实施中，采用对数距离分割可以使形状上下文描述子对邻近的采样点比远离点更敏感，能强化局部特征。轮廓不同点处的形状上下文是不同的，但相似轮廓的对应点处趋于有相似的形状上下文。

在具体实施中，对于整个点集I，分别以其j个点x₁，x₂，x₃，...，x_j作参考点，依次计算与剩下的j-1个点构成的形状上下文特征，最终得到j个形状直方图。以j*j-1大小的矩阵存储表示三维特征描述子n_i。

这样，对于任一目标，可用j*j-1大小的矩阵表示其形状信息，j*j-1大小的矩阵就是点集I的形状上下文，它描述了整个轮廓形状的特征。

步骤S5：分别度量三维特征描述子m和n_i的相似性，并设置阈值ε，筛选大于阈值ε的点云数据，得到新的点云数据集，利用k-means方法对其聚类，得到多个聚类点云；

其中步骤S5中度量m和n_i的相似性的计算具体如下：

计算模块点云M的形状直方图与预测点云I的形状直方图之间的匹配代价，代价函数如下：

其中，h_i(k)为模块点云M中点x_i的形状上下文特征；h_j(k)为预测点云I中点y_j的形状上下文特征。

进行点云的匹配操作，获得最小值：

H(π)＝∑C(x_s，y_π(s))

其中：s是利用匈牙利算法进行对应点查找得到对应点集的个数；

利用变换矩阵T来表示形状之间的区别：

其中，y_π(s)表示查找得到的点云I中对应点，i表示预测点云I采样得到的i个点，j表示模板点云M采样得到的j个点，x表示模板点云中的采样点，T(y)表示预测点云I中采样点y经过T的变换结果；

基于形状距离衡量模块点云M与预测点云I之间的相似度，结果越大表示差异越大，结果越小表示差异越小。

步骤S6：将每个聚类点云的三维特征描述子n_i和模板点云的三维特征描述子m对比，筛选出差异大的异常点聚类；

步骤S7：滤除异常点聚类，得到分割后的叉耳点云数据。

由此可见，将叉耳的点云数据作为模板，对扫描得到的机翼点云数据进行处理。通过计算叉耳点云模板和机翼点云数据分别计算三维特征描述子，并经过对比来分割出机翼中的叉耳。因此，本发明实施例中提供的方法能够有效分割机翼叉耳点云数据。在对机翼点云数据进行处理时，首先对扫描点云数据进行随机采样，任取点云数据中的一个点i，寻找i的邻域k，然后再计算它的三维特征描述子。在计算三维特征描述子时采用三维形状上下文特征方法，通过对比形状差异找到所需点云集合，对点云集合聚类得到叉耳。在点云集合中包含噪声点云，滤除异常点聚类，剩余的类就是分割得到的叉耳，因此大大提高了机翼装配的时间和精确度。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (6)

1.一种基于三维特征描述子的机翼叉耳点云分割方法，其特征在于，包括如下步骤：

步骤S1：采集机翼信息，获取机翼点云数据集；

步骤S2：根据叉耳CAD模型采样获取叉耳点云数据作为模板点云M，对模板点云M计算其三维特征描述子m；

步骤S3：将机翼点云数据集进行随机采样，得到采样集I1；

步骤S4：选取采样集中的采样点i，寻找采样点的特定邻域k，将采样点和特定邻域k组成预测点云I，并计算预测点云I中的三维特征描述子n_i；

步骤S5：分别度量三维特征描述子m和n_i的相似性，并设置阈值ε，筛选大于阈值ε的点云数据；得到新的点云数据集并对其聚类，得到多个聚类点云；

步骤S6：将每个聚类点云的三维特征描述子n_i和模板点云的三维特征描述子m对比，筛选出差异大的异常点聚类；

步骤S7：滤除异常点聚类，得到分割后的叉耳点云数据。

2.根据权利要求1所述的一种基于三维特征描述子的机翼叉耳点云分割方法，其特征在于：所述步骤S2中，计算模板点云M的三维特征描述子m具体为：

通过边缘检测算子获取轮廓边缘,对轮廓边缘采样得到一组离散的点集：X＝{x₁,x₂,x₃,...,x_j}；

以其中任意一点x_i为参考点,在x_i为圆心、R为半径的局域内按对数距离间隔建立a个同心圆，将此区域沿圆周方向b等分，点x_i到其它参考点的向量相对位置简化为模板点云上各扇区内的点分布数；分析其它参考点的形状上下文特征h_i(k)，计算公式为：

h_i(k)＝#{y≠x_i:(y-x_i)∈bin(k)}；

其中，y表示采样集中余下的采样点，bin(k)表示第k个等分，1≤k≤K,K＝a×b，h_i(k)即为形状上下文特征；

选取点集X中j个点x₁,...,x_j为参考点，依次计算与剩下的j-1个点构成的形状上下文特征，最终得到j个形状直方图，并以j*j-1大小的矩阵存储表示三维特征描述子m。

3.根据权利要求2所述的一种基于三维特征描述子的机翼叉耳点云分割方法，其特征在于，所述步骤S3具体为：设定阈值δ，根据设定的阈值δ对点云数据集进行采样，其中采样的点云数据大于设定的阈值δ。

4.根据权利要求3所述的一种基于三维特征描述子的机翼叉耳点云分割方法，其特征在于：所述步骤S4具体为：选取采样集中的采样点i，寻找采样点的邻域k，把与采样点的法向量夹角小于阈值的邻域点添入集合中，遍历整个点云数据集组成预测点云I，利用三维形状上下文特征计算得到预测点云I中参考点i的点云块的三维特征描述子n_i。

5.根据权利要求4所述的一种基于三维特征描述子的机翼叉耳点云分割方法，其特征在于，所述步骤S5中度量m和n_i的相似性的计算具体如下：

计算模块点云M的形状上下文特征与预测点云I的形状上下文特征之间的匹配代价，代价函数如下：

其中,h_i(k)为模块点云M中点x_i的形状上下文特征；h_j(k)为预测点云I中点y_j的形状上下文特征；

采用点云匹配获得最小值：

H(π)＝∑C(x_s,y_π(s))

其中：s是利用匈牙利算法进行对应点查找得到对应点集的个数；

利用变换矩阵T来表示形状之间的区别：

其中，y_π(s)表示查找得到的点云I中对应点，i表示预测点云I采样得到的i个点，j表示模板点云M采样得到的j个点，x表示模板点云中的采样点，T(y)表示预测点云I中采样点y经过T的变换结果；

基于形状距离衡量模块点云M与预测点云I之间的相似度，结果越大表示差异越大，结果越小表示差异越小。

6.根据权利要求1所述的一种基于三维特征描述子的机翼叉耳点云分割方法，其特征在于：所述步骤S5中采用k-means聚类的方法。

Images