CN114663282A - 基于全局测量场和层级图优化的大型飞机点云拼接方法 - Google Patents
基于全局测量场和层级图优化的大型飞机点云拼接方法 Download PDFInfo
- Publication number
- CN114663282A CN114663282A CN202210309461.1A CN202210309461A CN114663282A CN 114663282 A CN114663282 A CN 114663282A CN 202210309461 A CN202210309461 A CN 202210309461A CN 114663282 A CN114663282 A CN 114663282A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- splicing
- measurement field
- global measurement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/005—Tree description, e.g. octree, quadtree
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
Abstract
本发明公开了一种基于全局测量场和层级图优化的大型飞机点云拼接方法,属于航空制造技术领域。该大型飞机点云拼接方法包括:在大型飞机的周围设置多个站点和标靶点,使用扫描仪在每个站点上扫描大型飞机结构点云数据,并记录扫描到的标靶点;通过任意三个不共线站点的位置构建全局测量场,将每个站点的大型飞机结构点云数据通过对应的标靶点匹配到全局测量场中,完成大型飞机结构点云数据的粗拼接;将粗拼接的大型飞机结构点云数据通过层级图优化提高拼接精度。本发明采用基于全局测量场和层级图优化的“由粗到精”两阶段实现大型飞机大规模多视点云快速拼接,最大程度地消除转站累积拼接误差,从而获得整机外形高精度点云数据。
Description
技术领域
本发明属于航空制造技术领域,具体而言,涉及一种基于全局测量场和层级图优化的大型飞机点云拼接方法。
背景技术
大型飞机翼身尺寸大,如运-20:机身长度47m、翼展50m、高度15m,无法通过单站扫描得到整个飞机外形3D数据。为了获得完整型面数据,通常要将翼根型面分成上下壁板和前后缘,布置多个站点扫描,最后将扫描获取的大规模多视点云数据拼接转化到全局坐标系下。大型飞机多视点云拼接时会产生累积拼接误差,降低整机型面扫描精度;且目前拼接过程中采用局部搜索的优化策略极易陷入局部极小,效率低下的问题;同时单一阶段的全局拼接技术不能达到大型飞机外形拼接的精度要求。
发明内容
针对现有技术中存在的问题,本发明提供了一种基于全局测量场和层级图优化的大型飞机点云拼接方法,具有速度快、精度高、效果好的特点。
为实现上述技术目的,本发明所采用的技术方案为:一种基于全局测量场和层级图优化的大型飞机点云拼接方法,具体包括以下步骤:
S1、在大型飞机的周围设置多个站点和标靶点,使用扫描仪在每个站点上扫描大型飞机结构点云数据,并记录扫描到的标靶点;
S2、采用内外存协同的大规模点云数据多分辨率调度模型,动态层次化组织步骤S1扫描得到的大型飞机结构点云数据;
S3、通过任意三个不共线站点的位置构建全局测量场,将每个站点的大型飞机结构点云数据通过对应的标靶点匹配到全局测量场中,完成大型飞机结构点云数据的粗拼接;
S4、将粗拼接的大型飞机结构点云数据通过层级图优化提高拼接精度。
进一步地,步骤S2包括如下子步骤:
S201、根据扫描得到的大型飞机结构点云数据的总量设置八叉树的基础层数,再根据OBB碰撞检测算法设定最小外包围盒,将最小外包围盒划分成对应八叉树基础层数的子外包围盒,并计算每个子外包围盒的坐标位置;
S202、将扫描得到的大型飞机结构点云数据分批次读入,并根据大型飞机结构点云数据的坐标放入对应的子外包围盒的八叉树叶节点中,若八叉树叶节点中的点云数量超过设定的存储点数阈值,则以当前叶节点为父节点,生成下一层新的叶节点,并将当前叶节点内的所有点云分配给下一层;完成每一个批次的处理,保存一次数据,直到所有点云最终落入八叉树的叶节点当中;最后遍历叶节点,删除空节点,若其父节点的八个子节点全为空,也进行删除;
S203、使用一个线程去读取选择的八叉树节点对应的外存中的大型飞机结构点云数据,使用另一个单独的进程去处理内存中已经存储的需要进行拼接的大型飞机结构点云数据。
进一步地,步骤S3包括如下子步骤:
S301、选取任意三个不共线的站点的位置T1、T2、T3,以T1的位置为坐标原点,以T2的位置确定X轴,以T1、T2、T3组成XOY平面,构建一个全局测量场,则T1的坐标为(0,0,0),T2的坐标为(X2,0,0),则T3的坐标为(X3,Y3,0);
S302、对于任意一个标靶点,测量标靶点到T1、T2、T3的距离分别为d1,d2,d3,求取标靶点在全局测量场中的坐标(x,y,z);
S303、将扫描仪在站点上扫描的大型飞机结构点云数据通过记录的标靶点与全局测量场中对应的标靶点进行配准,通过旋转矩阵和平移矩阵结合最小二乘法将站点上扫描的大型飞机结构点云数据转换至全局测量场内,完成大型飞机结构点云数据的粗拼接。
进一步地,所述标靶点在全局测量场中的坐标(x,y,z)的求取过程具体为:
进一步地,当站点数量M与标靶点数量N满足:M×N≥3×(M+N)时,求得全局测量场中所有标靶点的坐标。
进一步地,所述旋转矩阵和平移矩阵的求取过程为:
其中,R为旋转矩阵,t为平移矩阵,N为标靶点数量,i为标靶点索引,ji为站点中第i个标靶点的坐标,ki为全局测量场中与ji同名的标靶点坐标。
进一步地,步骤S4包括如下子步骤:
S401、将粗拼接后的每个站点上扫描的大型飞机结构点云数据作为一个节点,有重叠关系的相邻节点之间以边相连,构成多视点云的无向图,并以重叠面积作为无向图相邻节点之间的边权重;
S402、使用Kruskal算法从构成的多视点云的无向图中提取最大生成树,包含最大生成树中的边保留在无向图中,其他边被放入优先级队列中;
S403、从优先队列中取出边权重最高的边添加到无向图中,当无向图中生成新回路时,通过ICP算法对新回路进行环闭合;
S404、重复步骤S303,直至优先队列中没有边,最终完成大型飞机多视点云的精度拼接。
与现有技术相比,本发明的有益效果在于:本发明的方法设计内外存协同的大规模点云数据多分辨率调度模型,实现大规模3D数据的高效访问与计算,可解决大型飞机大规模3D数据可视化困难、分析处理效率低的难题;本发明大型飞机点云拼接方法基于全局测量场的粗拼接可以将不同站点的点云以一种统一标准地方式拼接在一起,得到一个良好的初始效果,基于层级图优化的精拼接可以在粗拼接的基础上细化相邻点云之间的拼接精度,最大程度地消除转站累积拼接误差,从而获得整机外形高精度点云数据。
附图说明
图1为本发明基于全局测量场和层级图优化的大型飞机点云拼接方法的流程框图;
图2为本发明基于全局测量场和层级图优化的大型飞机点云拼接方法的点云拼接结果图:图2中的a为扫描的大型飞机点云数据,图2中的b为经本发明方法拼接的点云数据。
具体实施方式
下面结合附图对本发明的技术方案作进一步地解释说明。
如图1为本发明基于全局测量场和层级图优化的大型飞机点云拼接方法的流程框图,具体包括以下步骤:
S1、在大型飞机的周围设置多个站点和标靶点,使用扫描仪在每个站点上扫描大型飞机结构点云数据,并记录扫描到的标靶点;
S2、采用内外存协同的大规模点云数据多分辨率调度模型,动态层次化组织步骤S1扫描得到的大型飞机结构点云数据;通过扫描得到的大型飞机结构点云数据采用动态层次化超大规模三维数据表达机制,建立了适用于百亿级大规模数据可视化的改进八叉树结构,并以此构建内外存协同的大规模数据多分辨率调度模型,采用自适应点云节点加载和多级缓存预算自适应的高效可视化技术,实现了大规模三维数据高效可视化和存取。具体包括如下子步骤:
S201、根据扫描得到的大型飞机结构点云数据的总量设置八叉树的基础层数,再根据OBB碰撞检测算法设定最小外包围盒,将最小外包围盒划分成对应八叉树基础层数的子外包围盒,并计算每个子外包围盒的坐标位置;
S202、将扫描得到的大型飞机结构点云数据分批次读入,并根据大型飞机结构点云数据的坐标放入对应的子外包围盒的八叉树叶节点中,若八叉树叶节点中的点云数量超过设定的存储点数阈值,则以当前叶节点为父节点,生成下一层新的叶节点,并将当前叶节点内的所有点云分配给下一层;完成每一个批次的处理,保存一次数据,以减少内存的占用,直到所有点云最终落入八叉树的叶节点当中;最后遍历叶节点,删除空节点,若其父节点的八个子节点全为空,也进行删除;
S203、使用一个线程去读取选择的八叉树节点对应的外存中的点云,使用另一个单独的进程去处理内存中已经存储的需要进行拼接的点云。
S3、通过任意三个不共线站点的位置构建全局测量场,将每个站点的大型飞机结构点云数据通过对应的标靶点匹配到全局测量场中,完成大型飞机结构点云数据的粗拼接,该步骤可以将不同站点的点云以一种统一标准地方式拼接在一起,得到一个良好的初始效果;具体包括如下步骤:
S201、选取任意三个不共线的站点的位置T1、T2、T3,以T1的位置为坐标原点,以T2的位置确定X轴,以T1、T2、T3组成XOY平面,构建一个全局测量场,其中,X轴、Y轴和Z轴的正方向可以任意选取,则T1的坐标为(0,0,0),T2的坐标为(X2,0,0),则T3的坐标为(X3,Y3,0);
S202、对于任意一个标靶点,测量标靶点到T1、T2、T3的距离分别为d1,d2,d3,求取标靶点在全局测量场中的坐标(x,y,z);本发明中标靶点在全局测量场中的坐标(x,y,z)的求取过程具体为:
通过设置较多的站点位置和标靶点,把全局测量场构建问题转化为线性方程组求解问题。假设有M个站点位置和N个标靶点,每一个站点位置和每一个标靶点可以构建一个等式,同时每个站点位置或者标靶点的坐标都有三个未知数,因此当M与N满足:M×N≥3×(M+N)时,求得全局测量场中所有标靶点的坐标。
S203、将扫描仪在站点上扫描的大型飞机结构点云数据通过记录的标靶点与全局测量场中对应的标靶点进行配准,通过旋转矩阵和平移矩阵结合最小二乘法将站点上扫描的大型飞机结构点云数据转换至全局测量场内,完成大型飞机结构点云数据的粗拼接。
本发明中旋转矩阵和平移矩阵的求取过程为:
其中,R为旋转矩阵,t为平移矩阵,N为标靶点数量,i为标靶点索引,ji为站点中第i个标靶点的坐标,ki为全局测量场中与ji同名的标靶点坐标。
S3、将粗拼接的大型飞机结构点云数据通过层级图优化提高拼接精度,该步骤在粗拼接的基础上细化相邻点云之间的拼接精度,最大程度地消除转站累积拼接误差,具体包括如下子步骤:
S301、将粗拼接后的每个站点上扫描的大型飞机结构点云数据作为一个节点,有重叠关系的相邻节点之间以边相连,构成多视点云的无向图,为了避免接下来的图优化对点云采样率敏感,以重叠面积作为无向图相邻节点之间的边权重;
S302、使用Kruskal算法从构成的多视点云的无向图中提取最大生成树,包含最大生成树中的边保留在无向图中,其他边被放入优先级队列中;
S303、从优先队列中取出边权重最高的边添加到无向图中,当无向图中生成新回路时,通过ICP算法对新回路进行环闭合,这样可以选出重叠区域最大的闭环点云优先进行拼接,从而降低全局拼接的误差;
S304、重复步骤S303,直至优先队列中没有边,最终完成大型飞机多视点云的精度拼接。
图2为本发明基于全局测量场和层级图优化的大型飞机点云拼接方法的点云拼接结果图,图2中的a为扫描的五个不同站点的大型飞机结构点云数据,通过本发明基于全局测量场和层级图优化的大型飞机点云拼接方法处理后,可以获得高质量的拼接结果,如图2中的b所示,机翼和尾翼部分在拼接后变成完整,体现出本发明方法的高精度特性。
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方式,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 (7)
1.一种基于全局测量场和层级图优化的大型飞机点云拼接方法,其特征在于,具体包括以下步骤:
S1、在大型飞机的周围设置多个站点和标靶点,使用扫描仪在每个站点上扫描大型飞机结构点云数据,并记录扫描到的标靶点;
S2、采用内外存协同的大规模点云数据多分辨率调度模型,动态层次化组织步骤S1扫描得到的大型飞机结构点云数据;
S3、通过任意三个不共线站点的位置构建全局测量场,将每个站点的大型飞机结构点云数据通过对应的标靶点匹配到全局测量场中,完成大型飞机结构点云数据的粗拼接;
S4、将粗拼接的大型飞机结构点云数据通过层级图优化提高拼接精度。
2.根据权利要求1所述基于全局测量场和层级图优化的大型飞机点云拼接方法,其特征在于,步骤S2包括如下子步骤:
S201、根据扫描得到的大型飞机结构点云数据的总量设置八叉树的基础层数,再根据OBB碰撞检测算法设定最小外包围盒,将最小外包围盒划分成对应八叉树基础层数的子外包围盒,并计算每个子外包围盒的坐标位置;
S202、将扫描得到的大型飞机结构点云数据分批次读入,并根据大型飞机结构点云数据的坐标放入对应的子外包围盒的八叉树叶节点中,若八叉树叶节点中的点云数量超过设定的存储点数阈值,则以当前叶节点为父节点,生成下一层新的叶节点,并将当前叶节点内的所有点云分配给下一层;完成每一个批次的处理,保存一次数据,直到所有点云最终落入八叉树的叶节点当中;最后遍历叶节点,删除空节点,若其父节点的八个子节点全为空,也进行删除;
S203、使用一个线程去读取选择的八叉树节点对应的外存中的大型飞机结构点云数据,使用另一个单独的进程去处理内存中已经存储的需要进行拼接的大型飞机结构点云数据。
3.根据权利要求1所述基于全局测量场和层级图优化的大型飞机点云拼接方法,其特征在于,步骤S3包括如下子步骤:
S301、选取任意三个不共线的站点的位置T1、T2、T3,以T1的位置为坐标原点,以T2的位置确定X轴,以T1、T2、T3组成XOY平面,构建一个全局测量场,则T1的坐标为(0,0,0),T2的坐标为(X2,0,0),则T3的坐标为(X3,Y3,0);
S302、对于任意一个标靶点,测量标靶点到T1、T2、T3的距离分别为d1,d2,d3,求取标靶点在全局测量场中的坐标(x,y,z);
S303、将扫描仪在站点上扫描的大型飞机结构点云数据通过记录的标靶点与全局测量场中对应的标靶点进行配准,通过旋转矩阵和平移矩阵结合最小二乘法将站点上扫描的大型飞机结构点云数据转换至全局测量场内,完成大型飞机结构点云数据的粗拼接。
5.根据权利要求4所述基于全局测量场和层级图优化的大型飞机点云拼接方法,其特征在于,当站点数量M与标靶点数量N满足:M×N≥3×(M+N)时,求得全局测量场中所有标靶点的坐标。
7.根据权利要求1所述基于全局测量场和层级图优化的大型飞机点云拼接方法,其特征在于,步骤S4包括如下子步骤:
S401、将粗拼接后的每个站点上扫描的大型飞机结构点云数据作为一个节点,有重叠关系的相邻节点之间以边相连,构成多视点云的无向图,并以重叠面积作为无向图相邻节点之间的边权重;
S402、使用Kruskal算法从构成的多视点云的无向图中提取最大生成树,包含最大生成树中的边保留在无向图中,其他边被放入优先级队列中;
S403、从优先队列中取出边权重最高的边添加到无向图中,当无向图中生成新回路时,通过ICP算法对新回路进行环闭合;
S404、重复步骤S303,直至优先队列中没有边,最终完成大型飞机多视点云的精度拼接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210309461.1A CN114663282A (zh) | 2022-03-28 | 2022-03-28 | 基于全局测量场和层级图优化的大型飞机点云拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210309461.1A CN114663282A (zh) | 2022-03-28 | 2022-03-28 | 基于全局测量场和层级图优化的大型飞机点云拼接方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114663282A true CN114663282A (zh) | 2022-06-24 |
Family
ID=82033790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210309461.1A Pending CN114663282A (zh) | 2022-03-28 | 2022-03-28 | 基于全局测量场和层级图优化的大型飞机点云拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114663282A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553938A (zh) * | 2020-04-29 | 2020-08-18 | 南京航空航天大学 | 一种基于图优化的多站位扫描点云全局配准方法 |
CN111860520A (zh) * | 2020-07-21 | 2020-10-30 | 南京航空航天大学 | 基于深度学习的大飞机点云模型自监督语义分割方法 |
CN112308974A (zh) * | 2020-10-30 | 2021-02-02 | 南京航空航天大学 | 一种改进八叉树和自适应读取的大规模点云可视化方法 |
CN112509118A (zh) * | 2020-12-02 | 2021-03-16 | 南京航空航天大学 | 一种可预加载节点和自适应填充的大规模点云可视化方法 |
-
2022
- 2022-03-28 CN CN202210309461.1A patent/CN114663282A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553938A (zh) * | 2020-04-29 | 2020-08-18 | 南京航空航天大学 | 一种基于图优化的多站位扫描点云全局配准方法 |
CN111860520A (zh) * | 2020-07-21 | 2020-10-30 | 南京航空航天大学 | 基于深度学习的大飞机点云模型自监督语义分割方法 |
CN112308974A (zh) * | 2020-10-30 | 2021-02-02 | 南京航空航天大学 | 一种改进八叉树和自适应读取的大规模点云可视化方法 |
CN112509118A (zh) * | 2020-12-02 | 2021-03-16 | 南京航空航天大学 | 一种可预加载节点和自适应填充的大规模点云可视化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109410321B (zh) | 基于卷积神经网络的三维重建方法 | |
CN113345018B (zh) | 一种动态场景下的激光单目视觉融合定位建图方法 | |
CN105469388B (zh) | 基于降维的建筑物点云配准方法 | |
CN110031824A (zh) | 激光雷达联合标定方法及装置 | |
CN113432600B (zh) | 基于多信息源的机器人即时定位与地图构建方法及系统 | |
CN110930495A (zh) | 基于多无人机协作的icp点云地图融合方法、系统、装置及存储介质 | |
CN108734737A (zh) | 基于视觉slam估计空间旋转非合作目标转轴的方法 | |
CN108804714A (zh) | 点云数据存储方法及装置 | |
CN113587933B (zh) | 一种基于分支定界算法的室内移动机器人定位方法 | |
CN103942306A (zh) | 三维城市模型自适应调度方法 | |
CN111243094B (zh) | 一种基于点灯法的三维模型精确体素化方法 | |
CN115372989A (zh) | 基于激光雷达的越野自动小车长距离实时定位系统及方法 | |
CN112396641B (zh) | 一种基于全等二基线匹配的点云全局配准方法 | |
CN109544672A (zh) | 一种三维建筑模型纹理映射方法及装置 | |
CN112613126B (zh) | 一种应用于飞行器外形的壁面距离计算方法及装置 | |
CN108364331A (zh) | 一种等值线生成方法、系统和存储介质 | |
CN114119902A (zh) | 一种基于无人机倾斜三维模型的建筑物提取方法 | |
CN112861983A (zh) | 图像匹配方法、装置、电子设备以及存储介质 | |
CN113610983A (zh) | 一种离散点空间曲面三角网格自动剖分方法 | |
CN113001551B (zh) | 基于八叉树结构分割的快速碰撞检测方法 | |
CN111915720B (zh) | 一种建筑物Mesh模型到CityGML模型的自动转换方法 | |
CN114663282A (zh) | 基于全局测量场和层级图优化的大型飞机点云拼接方法 | |
CN116071530B (zh) | 一种基于机载激光点云的建筑物屋顶体素化分割方法 | |
CN115880713B (zh) | 一种基于语义改进的自动寻体构建建筑产权体的方法 | |
CN112305558B (zh) | 一种利用激光点云数据的移动机器人轨迹确定方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |