CN113706588A - 基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法 - Google Patents

Abstract

本发明提供了一种基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法，该方法包括：获得环形锻件不同角度的点云数据；基于多种群果蝇算法，对不同角度的点云数据提取点云重叠区域；基于改进Harris角点检测算法，对点云重叠区域提取点云的特征角点集合；基于四点快速鲁棒匹配算法，对特征点集合进行点云初始配准，得到初始点云配准结果；基于ICP最近迭代算法，对初始配准结果进行点云精确配准。本发明可直接作用在含有大量噪声的不同角度点云上，并配准出精度较高的环形锻件点云模型。

Description

基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法

技术领域

本发明属于计算机图形处理技术领域，特别是一种基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法。

背景技术

工业上使用的环形锻件是重大机械装备的重要组成部分，大多数采用贵重的合金高温轧制而成，但受到环形锻件设备和复杂锻造环境的限制，锻件表面完整测量数据的获得往往需要通过多次测量完成，而由于每次测量得到的点云数据往往只覆盖物体部分表面，且可能出现平移错位和旋转错位的现象。因此，为获取物体完整表面的点云数据，需要对这些局部点云数据进行整合和配准。

国内外在环形锻件基于全局的点云配准算法主要有以下四种：采样一致性算法、正态分布变换、最近迭代算法、四点快速鲁棒匹配算法。但这些方法对点云初始位置要求均较高，否则容易陷入局部最优，且存在收敛速度较慢的问题。因此，寻求一种在含有大量噪声的点云且初始位置较差的情况下精确配准环形锻件不同角度的点云技术是个难点问题，但又是十分迫切且必要的。

发明内容

本发明针对上述现有技术中的缺陷，提出一种基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法。该方法包括获得环形锻件不同角度的点云数据；基于多种群果蝇算法，对不同角度的点云数据提取点云重叠区域；基于改进Harris角点检测算法，对点云重叠区域提取点云的特征角点集合；基于四点快速鲁棒匹配算法，对特征点集合进行点云初始配准，得到初始点云配准结果；基于ICP最近迭代算法，对初始配准结果进行点云精确配准。本发明可直接作用在含有大量噪声的不同角度点云上，并配准出精度较高的环形锻件点云模型。

本发明提供一种基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法，所述方法包括以下步骤：

S1、获得环形锻件不同角度的点云数据；

S2、基于多种群果蝇算法，对不同角度的点云数据提取点云重叠区域，所述步骤S2具体包括以下步骤：

S21、利用正平行投影实现环形锻件不同角度的点云数据的三维坐标向二维坐标的投影，同时保证点与点之间的角度关系；

S22、将点云数据进行网格化，计算网格内点云数据的中心点(x,y)；

S23、设网格内共有n个数据点，用中心点搜索代替数据的半径搜索，以中心点为坐标索引，计算每个索引对应的点与目标点(x_i,y_i)的欧氏距离d：

当源点云P中点p_m1和目标点云Q中点q_n1距离小于设定阈值时认定该点为重叠点：

d＝min[p_m1-q_n1] (2)；

S24、在网格区域自适应引入多种群果蝇算法，基于多种群果蝇算法进行点云重叠区域寻优；

S3、基于改进Harris角点检测算法，对点云重叠区域提取点云的特征角点集合，所述步骤S3具体包括以下步骤：

S31、计算点云的Harris响应值R；

S32、以点云密度的方差的立方作为点云的角点响应阈值σ：

其中：ρ_i表示第i个点的密度值；

表示点云的平均密度值；

S33、若Harris响应值R大于角点响应阈值σ，同时R为局部极大值，则判断所述角点为特征角点，并由此对点云重叠区域提取点云的特征角点集合；

S4、基于四点快速鲁棒匹配算法，对特征点集合进行点云初始配准，得到初始点云配准结果；

S5、基于ICP最近迭代算法，对初始配准结果进行点云精确配准：在初始配准点云中找出与目标点云的对应的最近点，组成对应点对，计算两组点集的质心，再基于ICP最近迭代算法对初始配准结果进行点云精确配准。

进一步，所述步骤S4具体包括以下步骤：

S41、从源点云P选取基础4点共面集合B，在目标点云Q中寻找所有与B近似全等的4点集合U；

S42、计算集合B与U之间的刚性变换，并将整个变换用到整个源点云上，找到其中配准点数最多的变换矩阵，即为所求的最佳变换。

优选的，所述步骤S5具体包括以下步骤：

S51、确定对应点对：在锻件源点云P中找出目标点云Q对应的最近点，组成对应点对；

S52、计算锻件源点云P的质心

和目标点云Q的质心

其中：N_p表示锻件源点云P的点数；N_q表示目标点云Q的点数；p_i表示锻件源点云P的点的坐标；q_i表示目标点云Q的点的坐标；

S53、计算锻件源点云P和目标点云Q的协方差矩阵Cov_PQ：

S54、根据Cov_PQ构建一个矩阵E(Cov_PQ)：

其中：tr(Cov_PQ)表示Cov_PQ的迹，Δ＝[A₂₃,A₃₁,A₁₂]^T，A_ij＝(Cov_PQ-Cov_PQ ^T)_ij；

S55、计算最佳旋转向量：

q_R＝[q₀,q₁,q₂,q₃]^T (17)

其中：q_R表示矩阵最大特征值对应的特征向量；q_0～3表示特征向量值，均为常数；

S56、计算最佳平移向量：

其中，R(q_R)表示转换矩阵，且有

S57、对锻件源点云P应用求得的平移和旋转参数，得到对应的变换点集；

S58、设定平均距离误差阈值，当变换点集与参考点集的距离误差小于设定阈值时，迭代运算结束；否则重新从步骤S51进行迭代。

优选的，所述步骤S24具体包括以下步骤：

S241、多种群果蝇算法的初始化种群：

X_i＝X_{_axis_i}+RandomValue (3)

Y_i＝Y_{_axis_i}+RandomValue (4)

其中：X_i、Y_i表示果蝇种群初始位置，i＝{1,2,3,4,5}；RandomValue表示随机搜索距离；X_{_axis_i}、Y_{_axis_i}表示果蝇种群位置；

S242、进行重叠点的寻优，采用评分机制进行最优点的评价，将每个网格得到的重叠点，进行记录，每增加一个重叠点，该网格得分增加一分，最后求出各个网格中的最高得分，记为当前最优点；

S243、找到局部最优点后，果蝇利用视觉向该位置靠近，不断迭代；

S244、达到迭代次数或者小于设定阈值，算法停止迭代，输出点云重叠区域。

优选的，所述步骤S31具体包括以下步骤：

S311、在三维点云空间中，建立以点P为中心点、以n₀为半径的搜索空间，并对该区域内所有的点进行主成分分析，最后利用最小二乘法进行曲面拟合，即：

其中：p_1～6表示曲面拟合参数，均为常数；

S312、根据张量矩阵M的求解公式，计算z对x和对y的偏导数，将其作为图像强度I，并在该区域内利用正态分布函数求出张量矩阵M中的各个元素：

S313、计算A、B、C的积分：

C＝p₄p₅+2p₁p₂+2p₂p₃ (11)；

S314、计算Harris响应值R：

其中：E表示单位矩阵；k表示可调节参数。

与现有技术相比，本发明的技术效果为：

1、本发明设计的一种基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法，针对激光扫描到的含有大量噪声的环形锻件不同角度的点云，可以直接作用在点云上并配准出精度较高的环形锻件点云模型。

2、本发明设计的一种基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法，在传统基于四点快速鲁棒匹配算法的基础上，配合ICP最近迭代算法，先获取初始配准结果，再进行点云精确配准的策略，弥补了对点云初始位置要求较高的缺陷，提升了点云配准精度和效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。

图1是本发明的基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法的流程图；

图2是本发明的三阶环形锻件实物图；

图3是本发明的三阶环形锻件不同角度的点云图；

图4是本发明的多种群果蝇算法点云重叠区域提取图；

图5是本发明的三阶环形锻件Harris提取点云特征图；

图6是本发明的三阶环形锻件点云四点快速鲁棒初始配准图；

图7是本发明的三阶环形锻件点云ICP精确配准图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了本发明的基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法，该方法包括以下步骤：

S1、获得环形锻件不同角度的点云数据。

S2、基于多种群果蝇算法，对不同角度的点云数据提取点云重叠区域。

S21、利用正平行投影实现环形锻件不同角度的点云数据的三维坐标向二维坐标的投影，同时保证点与点之间的角度关系。

S22、将点云数据进行网格化，计算网格内点云数据的中心点(x,y)。

S23、设网格内共有n个数据点，用中心点搜索代替数据的半径搜索，以中心点为坐标索引，计算每个索引对应的点与目标点(x_i,y_i)的欧氏距离d：

当源点云P中点p_m1和目标点云Q中点q_n1距离小于设定阈值时认定该点为重叠点：

d＝min[p_m1-q_n1] (2)。

S24、在网格区域自适应引入多种群果蝇算法，基于多种群果蝇算法进行点云重叠区域寻优。

S241、多种群果蝇算法的初始化种群：

X_i＝X_{_axis_i}+RandomValue (3)

Y_i＝Y_{_axis_i}+RandomValue (4)

其中：X_i、Y_i表示果蝇种群初始位置，i＝{1,2,3,4,5}；RandomValue表示随机搜索距离；X_{_axis_i}、Y_{_axis_i}表示果蝇种群位置。

S242、进行重叠点的寻优，采用评分机制进行最优点的评价，将每个网格得到的重叠点，进行记录，每增加一个重叠点，该网格得分增加一分，最后求出各个网格中的最高得分，记为当前最优点。

S243、找到局部最优点后，果蝇利用视觉向该位置靠近，不断迭代。

S244、达到迭代次数或者小于设定阈值，算法停止迭代，输出点云重叠区域。

三阶环形锻件实物图如图2所示，三阶环形锻件不同角度点云如图3所示。多种群果蝇算法点云重叠区域提取如图4所示。

S3、基于改进Harris角点检测算法，对点云重叠区域提取点云的特征角点集合。

S31、计算点云的Harris响应值R。

S311、在三维点云空间中，建立以点P为中心点、以n₀为半径的搜索空间，并对该区域内所有的点进行主成分分析，最后利用最小二乘法进行曲面拟合，即：

其中：p_1～6表示曲面拟合参数，均为常数。

S312、根据张量矩阵M的求解公式，计算z对x和对y的偏导数，将其作为图像强度I，并在该区域内利用正态分布函数求出张量矩阵M中的各个元素：

S313、计算A、B、C的积分：

C＝p₄p₅+2p₁p₂+2p₂p₃ (11)。

S314、计算Harris响应值R：

其中：E表示单位矩阵；k表示可调节参数。

S32、利用点云密度能很好的反映出点云分布变化，以点云密度的方差的立方作为点云的角点响应阈值，使其具有自适应性，不用人工设置阈值即可得到点云的角点，能够加快角点提取的速度，角点响应阈值σ为：

其中：ρ_i表示第i个点的密度值；

表示点云的平均密度值。

S33、若Harris响应值R大于角点响应阈值σ，同时R为局部极大值，则判断该点为特征角点，并由此对点云重叠区域提取点云的特征角点集合。三阶环形锻件Harris提取点云特征图如图5所示。

S4、基于四点快速鲁棒匹配算法，对特征点集合进行点云初始配准，得到初始点云配准结果。

S41、从源点云P选取基础4点共面集合B，在目标点云Q中寻找所有与B近似全等的4点集合U。

S42、计算集合B与U之间的刚性变换，并将整个变换用到整个源点云上，找到其中配准点数最多的变换矩阵，即为所求的最佳变换。环形锻件初始配准结果如图6所示。

S5、基于ICP算法，对初始配准结果进行点云精确配准：在初始配准点云中找出与目标点云的对应的最近点，组成对应点对，计算两组点集的质心，再基于ICP算法对初始配准结果进行点云精确配准。

S51、确定对应点对：在锻件源点云P中找出目标点云Q对应的最近点，组成对应点对。

S52、计算锻件源点云P的质心

和目标点云Q的质心

其中：N_p表示锻件源点云P的点数；N_q表示目标点云Q的点数；p_i表示锻件源点云P的点的坐标；q_i表示目标点云Q的点的坐标。

S53、计算锻件源点云P和目标点云Q的协方差矩阵Cov_PQ：

S54、根据Cov_PQ构建一个矩阵E(Cov_PQ)：

其中：tr(Cov_PQ)表示Cov_PQ的迹，Δ＝[A₂₃,A₃₁,A₁₂]^T，A_ij＝(Cov_PQ-Cov_PQ ^T)_ij。

S55、计算最佳旋转向量：

q_R＝[q₀,q₁,q₂,q₃]^T (17)

其中：q_R表示矩阵最大特征值对应的特征向量；q_0～3表示特征向量值，均为常数。

S56、计算最佳平移向量：

其中，R(q_R)表示转换矩阵，且有

S57、对锻件源点云P应用求得的平移和旋转参数，得到对应的变换点集。

S58、设定平均距离误差阈值，当变换点集与参考点集的距离误差小于设定阈值时，迭代运算结束；否则重新从步骤S51进行迭代。环形锻件精配准效果如图7所示，环形锻件点云经过不同配准算法的误差精度对比数据如表1所示，多种群果蝇算法对于配准误差的影响如

表2所示。

表1

表2

本发明设计的一种基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法，针对激光扫描到的含有大量噪声的环形锻件不同角度的点云，可直接作用在点云上并配准出精度较高的环形锻件点云模型；在传统基于四点快速鲁棒匹配算法的基础上，配合ICP最近迭代算法，先获取初始配准结果，再进行点云精确配准的策略，弥补了对点云初始位置要求较高的缺陷，提升了点云配准精度和效率。

最后所应说明的是：以上实施例仅以说明而非限制本发明的技术方案，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应当理解：依然可以对本发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法，其特征在于，所述方法包括以下步骤：

S1、获得环形锻件不同角度的点云数据；

S2、基于多种群果蝇算法，对不同角度的点云数据提取点云重叠区域，所述步骤S2具体包括以下步骤：

S21、利用正平行投影实现环形锻件不同角度的点云数据的三维坐标向二维坐标的投影，同时保证点与点之间的角度关系；

S22、将点云数据进行网格化，计算网格内点云数据的中心点(x,y)；

S23、设网格内共有n个数据点，用中心点搜索代替数据的半径搜索，以中心点为坐标索引，计算每个索引对应的点与目标点(x_i,y_i)的欧氏距离d：

当源点云P中点p_m1和目标点云Q中点q_n1距离小于设定阈值时认定该点为重叠点：

d＝min[p_m1-q_n1] (2)

S24、在网格区域自适应引入多种群果蝇算法，基于多种群果蝇算法进行点云重叠区域寻优；

S3、基于改进Harris角点检测算法，对点云重叠区域提取点云的特征角点集合，所述步骤S3具体包括以下步骤：

S31、计算点云的Harris响应值R；

S32、以点云密度的方差的立方作为点云的角点响应阈值σ：

其中：ρ_i表示第i个点的密度值；

表示点云的平均密度值；

S33、若Harris响应值R大于角点响应阈值σ，同时R为局部极大值，则判断所述角点为特征角点，并由此对点云重叠区域提取点云的特征角点集合；

S4、基于四点快速鲁棒匹配算法，对特征点集合进行点云初始配准，得到初始点云配准结果；

S5、基于ICP最近迭代算法，对初始配准结果进行点云精确配准：在初始配准点云中找出与目标点云的对应的最近点，组成对应点对，计算两组点集的质心，再基于ICP最近迭代算法对初始配准结果进行点云精确配准。

2.根据权利要求1所述的基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法，其特征在于，所述步骤S4具体包括以下步骤：

S41、从源点云P选取基础4点共面集合B，在目标点云Q中寻找所有与B近似全等的4点集合U；

S42、计算集合B与U之间的刚性变换，并将整个变换用到整个源点云上，找到其中配准点数最多的变换矩阵，即为所求的最佳变换。

3.根据权利要求1所述的基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法，其特征在于，所述步骤S5具体包括以下步骤：

S51、确定对应点对：在锻件源点云P中找出目标点云Q对应的最近点，组成对应点对；

S52、计算锻件源点云P的质心

和目标点云Q的质心

其中：N_p表示锻件源点云P的点数；N_q表示目标点云Q的点数；p_i表示锻件源点云P的点的坐标；q_i表示目标点云Q的点的坐标；

S53、计算锻件源点云P和目标点云Q的协方差矩阵Cov_PQ：

S54、根据Cov_PQ构建一个矩阵E(Cov_PQ)：

其中：tr(Cov_PQ)表示Cov_PQ的迹，Δ＝[A₂₃,A₃₁,A₁₂]^T，A_ij＝(Cov_PQ-Cov_PQ ^T)_ij；

S55、计算最佳旋转向量：

q_R＝[q₀,q₁,q₂,q₃]^T (17)

其中：q_R表示矩阵最大特征值对应的特征向量；q_0～3表示特征向量值，均为常数；

S56、计算最佳平移向量：

其中，R(q_R)表示转换矩阵，且有

S57、对锻件源点云P应用求得的平移和旋转参数，得到对应的变换点集；

S58、设定平均距离误差阈值，当变换点集与参考点集的距离误差小于设定阈值时，迭代运算结束；否则重新从步骤S51进行迭代。

4.根据权利要求1所述的基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法，其特征在于，所述步骤S24具体包括以下步骤：

S241、多种群果蝇算法的初始化种群：

X_i＝X_{_axis_i}+RandomValue (3)

Y_i＝Y_{_axis_i}+RandomValue (4)

其中：X_i、Y_i表示果蝇种群初始位置，i＝{1,2,3,4,5}；RandomValue表示随机搜索距离；X_{_axis_i}、Y_{_axis_i}表示果蝇种群位置；

S242、进行重叠点的寻优，采用评分机制进行最优点的评价，将每个网格得到的重叠点，进行记录，每增加一个重叠点，该网格得分增加一分，最后求出各个网格中的最高得分，记为当前最优点；

S243、找到局部最优点后，果蝇利用视觉向该位置靠近，不断迭代；

S244、达到迭代次数或者小于设定阈值，算法停止迭代，输出点云重叠区域。

5.根据权利要求1所述的基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法，其特征在于，所述步骤S31具体包括以下步骤：

S311、在三维点云空间中，建立以点P为中心点、以n₀为半径的搜索空间，并对该区域内所有的点进行主成分分析，最后利用最小二乘法进行曲面拟合，即：

其中：p_1～6表示曲面拟合参数，均为常数；

S312、根据张量矩阵M的求解公式，计算z对x和对y的偏导数，将其作为图像强度I，并在该区域内利用正态分布函数求出张量矩阵M中的各个元素：

S313、计算A、B、C的积分：

C＝p₄p₅+2p₁p₂+2p₂p₃ (11)；

S314、计算Harris响应值R：

其中：E表示单位矩阵；k表示可调节参数。

Images