CN114781056A - 一种基于特征匹配的飞机整机外形测量方法 - Google Patents

Abstract

本申请是一种基于特征匹配的飞机整机外形测量方法，主要根据飞机整机的点云数据和实际整机装配过程中根据传感器得到的局部测量数据，计算点云局部特征信息进行匹配并统一坐标系，对整机装配过程中的局部贴合度进行测量分析、计算局部拼接点云与整体模型的精度，给出测量结果置信区间，进而根据测量结果指导飞机装配生产工艺，确保生产工艺满足限差要求。主要包括：（1）对得到的数据进行预处理，（2）计算点云局部特征，（3）根据（2）结果，对局部测量点云进行精细测量，将点云精确贴合到整机表面，并计算相关点云配准误差项，以指导飞机装配工艺的下一步工作、修正、改进、调整现有测量误差，满足飞机装配要求。

Description

一种基于特征匹配的飞机整机外形测量方法

技术领域

本发明涉及飞机数据装配处理技术领域，特别涉及一种基于特征匹配的飞机整机外形测量方法。

背景技术

随着社会科技的快速发展，激光雷达作为一种新兴高精度的测量技术逐渐的广泛应用于无人车、林业、交通、工业检测等领域，也为航空航天领域的精密测量提供了可靠高精度的测量方案。

在飞机的装配工艺中，我们往往需要高精度的测量来指导工艺满足生产要求。对于飞机的组装生产我们往往不能一蹴而就，是一个从局部到整体的工艺流程，因此，我们常常需要对飞机装配局部的误差进行质量评估，并根据局部测量的结果不断的纠正、反馈和调整装配工艺，以满足飞机装配的精度要求。但我们通过传感器测量取得的局部飞机数据的坐标系和整机模型数据的坐标系并不一致，这就要求我们需要对飞机模型数据和实际测量的数据进行贴合配准，再对得到局部的区域进行测量并输出测量结果，该结果包括但不限于贴合度、测量误差、测量结果可靠性等，本申请通过使用这些数据作为进一步指导装配飞机依据。

发明内容

本发明针对现有技术中的不足，提供一种基于特征匹配的飞机整机外形测量方法；以解决在整机测量中，基于激光点云对于飞机局部误差进行测量的技术问题。

为实现上述目的，本发明采用以下技术方案：

一种基于特征匹配的飞机整机外形测量方法，包括：

S1：获取整机的点云数据、局部测量的点云数据；并对所获的点云数据进行预处理；

S2：根据所获的点云数据计算每个点云的特征向量，通过特征向量对整机点云数据与局部测量的点云数据进行粗匹配，并根据粗匹配的结果实现粗配准；具体为：

S2.1：对所有点云数据中的每个点寻找其半径r内所有的点，利用这些点进行平面拟合，并确定该拟合平面的法线，将该法线视为对应点的法线，也即对应点云的法线；

S2.2：根据点云数据中各个点云所对应的法线信息，结合采用SHOT特征描述子作为计算方法计算每个点云的特征向量；并通过点云的特征向量匹配点云的同名点，实现点云数据的粗匹配；

S2.3：根据粗配准的点云及其同名点，计算刚体变换参数R、T，根据刚体变换参数将测量的局部点云数据初步与飞机整机数据进行初步贴合，达到粗配准；

S3：根据步骤S2中整机点云数据与局部测量的点云数据的粗配准结果进行精配准；具体为：

S3.1：选取部分点云作为精配准过程中的配准点云，并进行降采样；

S3.2：筛选出步骤S3.1中参与精配准点云的同名点；

S3.3：根据参与精配准的点云以及对应的同名点，计算精配准中的刚体变换参数R′、T′；

S3.4：根据精配准中的刚体变换参数R′、T′将测量的局部点云数据与飞机整机数据进行贴合配准；

S3.5：循环步骤S3.2-S3.5进行迭代，直至三次迭代过程中计算的刚体变换参数R′中，其内的欧拉角参数变化幅度均小于一定阈值，并完成测量的局部点云数据与飞机整机数据的精配准；其中精配准中的刚体变换参数的目标为f(R,T)；

S4：分析精配准完成后的指标数据，包括：局部测量的点云数据与整机的点云数据的贴合度η、配准精度σ′；根据指标数据对飞机的装配进行评估。

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S1中预处理的具体内容为：

S1.1：对所有的点云数据进行降采样，并通过增大点云分布平缓区域的降采样幅度，减小点云分布不平坦区域的降采样幅度；使得处理后的点云法向量在各个方向趋向于均匀分布；

S1.2：计算每个点云与相邻点云之间的平均距离d，当平均距离d大于阈值d_max，则判断当前计算的该点云为噪声点云，并进行去除；

其中判断的公式为：d>d_max＝μ+g*σ；式中，μ为平均距离参数，σ为标准差，g为常数值。

进一步地，步骤S2.2的具体内容为：

S2.2.1：以当前计算点云中的点为圆心，建立半径为R的球，并将该球分为半径为R/2的内球和半径范围为R/2—R的空心外球；

S2.2.2：对当前计算点云以PCA数学定理进行变换得出三个特征值，将对应的三个特征值按从大到小的顺序排列，并按照顺序将三个特征值所对应的向量依次设置为x轴、y轴、z轴，以此建立当前计算点云中点的局部坐标系空间；

S2.2.3：通过类比地球的经纬度，对径向分割的两个球，划分8个区域的经度和2个区域的纬度，则该点的周围被划分为2*8*2＝32个空间，由于该空间中分布有其他的点，对所落在该空间中的点进行统计，计算当前点的法向量与周围每个点之间的法向量之间的夹角θ：

式中，n_i为当前计算点的法相量，n_j为周围任意一点的法向量；

S2.2.4：对32个空间中的每个子空间中划分11个角度范围区间，统计当前点的法向量与周围每个点之间的法向量之间的夹角θ落在各个角度范围区间的数目，且每个角度区间对应一个bin值，即32个空间中每个子空间都有11个bin值，最终得到32*11＝352个bin值，并进行拼接得到当前计算点云的特征向量；由于同名点之间的特征向量具有相似性的特点，因此根据点云特征向量之间二范数最小为点云同名点匹配原则，寻找当前计算点云的同名点。

进一步地，步骤S2.3的具体内容为：

S2.3.1：定义参与粗配准中整机点云数据中的特征向量集为P_i，定义参与粗配准中局部测量的点云数据中的特征向量集为Q_i；

S2.3.2：对该两片点云的特征集进行去中心化，得到去中心化后的对应特征向量集：P_i、Q_i；其中：

式中，

是指特征集P_i的平均特征值，

是指特征集Q_i的平均特征值；

S2.3.3：计算

和

之间的协方差矩阵H

H＝P_i*Q_i ^T

S2.3.4：对协方差矩阵H做SVD分解得[U,S,V]＝SVD(H)；则刚体变换参数为：R＝VU^T，

进一步地，步骤S3.2的具体内容为：

根据点云的同名点的之间的距离应小于一定阈值进行初步筛选，结合点云的同名点之间的曲率和法向量相近的特点进行进一步筛选；完成精配准中的点云的同名点筛选；

若当同名点个数大于100时，将点云与对应同名点之间的距离进行由小到大的顺序排布，选取前100个同名点作为精配准中的点云的同名点。

进一步地，步骤S3.3的具体内容为：

S3.3.1：定义参与精配准中整机点云数据的特征向量集P_i′，定义参与精配准中局部测量的点云数据的特征向量集Q_i′；

S3.3.2：对该两片点云的特征集进行去中心化，得到去中心化后的对应特征向量集：P_i′、Q_i′；其中：

式中，

是指特征集P_i′的平均特征值，

是指特征集Q_i′的平均特征值；

S2.3.3：计算P_i′和Q_i′之间的协方差矩阵H′

H′＝P_i′*Q_i′^T′

S2.3.4：对协方差矩阵H′做SVD分解得[U′,S′,V′]＝SVD(H′)；则刚体变换参数为：R′＝V′U′^T′，

进一步地，步骤S3.5中精配准中的刚体变换参数的目标为f(R′,T′)的具体计算公式为：

式中，n为点云同名点的个数，p_i和q_i是对应同名点对的坐标，n_i是对应点q_i的法向量。

进一步地，局部测量的点云数据与整机的点云数据的贴合度η具体计算公式为：

进一步地，局部测量的点云数据与整机的点云数据的配准精度σ′具体计算公式为：

式中，K表示整机点云数据中与局部测量点云数据中点云的同名点个数，p_i和q_i是相对应的同名点坐标。

进一步地，步骤S4中分析精配准完成后的指标数据还包括：局部测量的点云数据与整机的点云数据之间距离偏差的正态分布状况，具体内容为：

记点云与对应同名点之间的距离偏差值d_i为质量特性值x_i，其分布函数为F(x)，正态分布函数为F₀(x)；

假设局部测量的点云数据与整机的点云数据之间距离偏差的正态分布状况正常，则符合检验式H₀：F(x)＝F₀(x)；

将x_i按照一定组距划分为M组，并统计x_i落入各组内的实际频数v_i；

基于假设条件，即符合检验式H₀：F(x)＝F₀(x)成立的条件下，计算x_i落入各个组中的概率p_i′＝v_i/c，其中c为落在M组所有x_i的理论总数；并通过p_i′和点云数量n计算x_i落在各组中的理论频数：np₁′，np₂′，…，np_M′；

计算检验统计量；

并将检验统计量χ²与临界值

进行比较，若

则认定初始假设正确，检验式H₀成立，判断局部测量的点云数据与整机的点云数据之间距离偏差的正态分布状况正常；若

则认定初步假设不正确，检验式H₀不成立，判断局部测量的点云数据与整机的点云数据之间距离偏差的正态分布状况不正常。

本发明的有益效果是：

1、本申请采用点云数据预处理的方法，降低了传统的点云数据处理数据量大，导致整机与局部点云数据的配准复杂性，本申请可以有效的减少数据处理量，同时还能保证整机与局部点云数据配准的准确性。

2、本申请通过采用粗配准使整点云数据与局部测量点云数据进行初步贴合，然后采用精配准使整机点云数据与局部测量点云数据精准配合；使得整机与局部数据逐级处理，配准过程更加合理准确。同时对于当前飞机工艺中的装配的关键环节，本申请利用激光雷达测量精度高的特性，在拼装过程中对局部工件信息进行阶段性的扫描测量，得到局部贴合度、配准精度、配准的可靠性等参数，指导装配工艺以达到飞机装配相关的精度要求。

附图说明

图1是本发明整体方法的设计流程示意图。

图2是本发明整机数模离散化形成的点云示意图。

图3是本发明实际测量的局部飞机的点云数据示意图。

图4是本发明实际测量局部飞机的点云预处理效果示意图。

图5是本发明根据特征对点云进行匹配的效果示意图。

图6是本发明精确测量的效果示意图。

具体实施方式

本申请为一种基于特征匹配的飞机整机外形测量方法，其包括如下流程：

步骤S1、根据整机数据和局部测量数据，对得到的数据进行相关预处理操作。本算法流程的预处理操作包括但不限于将模型数据进行离散化、对局部测量的点云进行去噪降采样等操作。

步骤S2、根据预处理得到的整机点云数据和实际测量得到的局部点云数据，对每个点进行局部平面拟合并计算法线信息。我们根据法线信息，计算两片点云的特征向量来表达点云的局部特征信息，根据具体数据的不同，我们可以采用多种不同特征向量的计算方式来计算特征向量。以特征向量之间的二范数最小为匹配原则，进行特征的匹配，找到一系列的特征同名点，我们根据特征同名点计算点云的刚体变换矩阵，我们将刚体变换参数应用到测量的局部点云上，将局部点云初步统一到整机坐标系中，将局部测量的点云大致贴合在整机相应的位置上。

步骤S3、根据S2得到的结果，将大致对齐的整机点云和局部点云进行进一步的精细调整，我们使用改进的ICP算法进行精配准，计算相关的点云配准误差项。在精配准完成后，我们对于局部点云与整机的贴合度进行分析，同时给出拼接误差，并计算结果可靠性置信区间。该测量结果可以指导飞机装配工艺进行进一步的调整，以满足飞机装配的精度要求。

其中，步骤S1包括：

步骤S101、若整机数据得到是数模数据，则根据得到的飞机数模数据进行离散化，形成整机点云数据。

步骤S102、对测量得到的局部点云数据进行降采样。我们基于点云的法线做点云的降采样，其降采样的原理是使得降采样后的法向量能尽可能在各个方向均匀分布，这种降采样方式的好处是能够尽可能保留点云的细节，更重要的是这种降采样方法对于点云特征不明显的平缓区域降采样较少，对于特征较明显不平坦的区域降采样幅度较小，保留更多的细节特征。

步骤S103、根据降采样结果进行去噪。其原理为：假设点云中所有的点与其最近的k个邻居点的平均距离满足高斯分布，那么，根据高斯分布公式，确定平均距离参数μ和标准差σ，可确定一个距离阈值d_max，(本申请中只是举一个确定阈值d_max的例子，基于这个假设，确定d_max值，其相当于一种经验值，哪怕不满足假设的高斯分布，只要确定d_max值就可以达到去除孤立点(去噪点)效果)当某个点与其最近k个点的平均距离大于这个阈值d_max，判定该点为离群点并去除。

其中，步骤S2包括：

步骤S201、根据S1得到的预处理后的点云数据，对于点云中的每个点寻找其半径r内的所有点，利用这些点我们进行平面拟合，根据拟合得到的平面参数计算平面的法线，即视为该点的法线，我们通过这种方法计算出点云的法线。

步骤S202、我们根据点云中的点坐标和法线信息，计算点云特征向量，通过点特征向量来刻画局部的特征信息。并且，我们根据点云特征向量之间二范数最小为点云同名点匹配原则，寻找点云的同名点对。

步骤S203、根据S202得到的特征同名点对，计算刚体变换矩阵，将测量的局部点云数据初步与飞机整机数据进行贴合，达到初步配准的目的。

其中，步骤S3包括：

步骤S301、根据S2的结果初步定位的结果，我们以同名点之间的欧氏距离最小作为同名点的筛选条件，同时，将所有同名点之间的欧氏距离从小到大排列，我们推荐同名点之间距离较小的部分点作为参与点云配准的对应点。

步骤S302、根据所选择的同名点对，我们基于现有的点云配准算法进行改进，并进行精细配准，最终完成局部测量点云与整体点云数据的精配准，达到局部测量的目的。

步骤S303、根据所计算的局部测量点云的同名点与总点数的比例来评估局部点云与整机数据的贴合度；并输出测量点云的置信区间和同名点之间的标准差(精度)来衡量测量结果。

现在结合附图对本发明作进一步详细的说明。

一种基于特征匹配的飞机整机外形测量方法，如图1所示，包括如下步骤：

步骤S1、对输入的整机数据和测量点云进行预处理操作。包括：

步骤S101、根据整机输入的类型对数据进行调整，将数模的STL格式进行离散化得到点云数据。

步骤S102、为了减少点云数据处理量，需要尽可能保留点云的特征并减少点云的数据量，因此我们需要对点云进行降采样。通过采用法向量降采样的方式对整机和测量点云进行降采样，其降采样的原理是使得降采样后的法向量能尽可能在各个方向均匀分布，这种降采样方式的好处是能够尽可能保留点云的细节，对于点云平缓区域降采样较大，对于不平坦的特征较明显区域降采样幅度较小。

步骤S103、噪声会影响我们后续进行测量的精度，也会导致特征匹配的错误。噪声点云的特征在于其周围的点密度较小，我们可以利用这个特性进行去噪操作。通过采用统计滤波进行去噪，假设点云中所有的点与其最近的k个近邻点的平均距离满足高斯分布，那么，根据高斯分布公式，确定平均距离参数μ和标准差σ，可确定一个距离阈值，当某个点与其最近k个点的平均距离d大于这个阈值d_max，即满足下列公式时，判定该点为离群点并去除。

反之，则保留该点；

d>d_max＝μ+g*σ；

其中d_i是对于每个点离其最近点的距离，k代表点云数量，n一般取数值为3，此时的d_max代表极限距离。

S1步骤效果如图2、图3和图4所示。

步骤S2、计算飞机点云的局部特征，根据特征进行匹配，在粗匹配以后求解刚体变换采纳数进行粗配准，使得局部点云与整机模型点云大致相同。包括：

步骤S201、根据S1得到的预处理后的点云数据，对于点云中的每个点寻找其半径r内的所有点，利用这些点我们进行平面拟合，根据拟合得到的平面参数计算平面的法线，即视为该点的法线，我们通过这种方法计算出点云的法线。其中对于平面具有的平面方程ax+by+cz+d＝0，建立拟合的平面方程：

AX＝0；

其中

在最小二乘意义下，可求解X，又根据平面方程的性质，(a,b,c)^T形成的向量即是平面的法线方向。

步骤S202、根据点云中的点坐标和法线信息，计算点云特征向量，通过点特征向量来刻画局部的特征信息。我们可以选择多种特征描述子作为点云特征向量的计算方法，这里我们选择SHOT特征。对于以局部描述点为圆心，建立半径为R的球，进一步可以将该球分为半径为R/2的内球和半径范围为R/2—R的空心外球，对点云以PCA数学定理进行变换，求解三个特征值并将它们按从大到小的顺序排列，将其对应的特征向量分别设置为x轴、y轴，z轴，以此建立该描述点的局部坐标系空间，同时类比地球的经纬度，对径向分割的两个球，划分8个区域的经度和两个区域的纬度区域，则每个描述点周围被划分为2*8*2＝32个空间，其周围的点分布在这些细分的空间，对于每个空间我们对落在其中的点进行统计，计算描述点法向量与周围每个点之间的法向量之间的夹角；

其中n_i和n_j分别是描述点和周围任一点的法向量。然后我们对每个细分空间设置11个角度区间范围进行统计，最终可得到32*11＝352维向量来描述该点特征(概括的说：首先，将描述点周围按照2条纬线，8条经线，各个交点与圆心连线，可以形成2*8＝16个小空间，根据r/2划分为内圆和外圆环部分，这样就形成了16*2＝32个小空间，距离描述点半径为r的点分别分布在32个子空间中，计算上述夹角θ，在每个子空间中对0-180度的角度范围内划分11个bin，统计落入各个bin值区间的点个数，即这32个子空间中，每个都有11个值，最终会有32*11个值，拼接在一起就是描述的特征向量)。

这种特征描述子的优势在于同名点之间的特征向量具有相似性，因此我们可以根据点云特征向量之间二范数最小为点云同名点匹配原则，寻找点云的同名点对。

步骤S203、根据S202得到的特征同名点对，计算刚体变换矩阵，将测量的局部点云数据初步与飞机整机数据进行贴合，达到初步配准的目的。如图5所示。

其中，计算刚体变换矩阵的内容为：

定义参与粗配准中整机点云数据中的特征向量集为P_i，定义参与粗配准中局部测量的点云数据中的特征向量集为Q_i；

对该两片点云的特征集进行去中心化，得到去中心化后的对应特征向量集：P_i、Q_i；其中：

式中，

是指特征集P_i的平均特征值，

是指特征集Q_i的平均特征值；

计算

和

之间的协方差矩阵H：

H＝P_i*Q_i ^T

对协方差矩阵H做SVD分解得[U,S,V]＝SVD(H)；则刚体变换参数为：R＝VU^T，

步骤S3、对局部拼接进行细化，使用改进的ICP算法完成精细测量。如图6所示。

点到平面的ICP算法流程：

1)选点：对参与到配准的点云做降采样。

2)匹配：我们使用很多标准来筛选同名点，尽可能确保选取的同名点尽可能准确。通过以同名点之间的距离小于阈值作为初步的同名点筛选条件；同名点之间的曲率应该是相似的；同名点法向量角度应当接近，我们基于这些标准对同名点进行过滤。在进行三次检验后。若同名点个数大于100，我们对同名点之间的距离从小到大进行排序，选取前一半的点，作为参与配准的同名点。

3)最小化：用最小二乘的方式进行，采用非线性优化方法求解刚体变换参数(具体计算刚体变换参数的方式同理于上述粗配准中的刚体变换参数的计算方式)。

4)变换：将求解的刚体变换参数应用到其中一片点云上。

5)迭代：以前后三次迭代求解参数变化的差均小于给定阈值为迭代终止条件，不满足则继续进行迭代，不满足则返回2)继续迭代(R′是一个3*3的旋转矩阵，本质上由三个线性无关的欧拉角确定的，欧拉角和R′阵之间可以互相转换求解，在判断迭代终止条件时，我们无法对矩阵是否收敛进行判断，只能根据欧拉角前后迭代过程中是否还存在变化作为终止迭代的条件。当前后三次迭代求解参数变化的差均小于给定阈值时，代表参数不会再进行变化了，趋于稳定，此时的R′，T′矩阵的接近可靠稳定的解。在每次迭代中逐渐逼近精配准的稳定的解)。其目标方程为：

式中，f(R′,T′)是等式右边最小时的R′、T′值，n为点云同名点的个数，p_i和q_i是对应同名点对的坐标，n_i是对应点q_i的法向量。

同时，本申请在进行3)时，计算同名点之间点到平面的距离，选择点到平面的距离作为目标优化方程，以加快迭代速度。

步骤S303、配准完成后，我们对于局部点云与整机的各项参数进行分析，该数据可以指导飞机工艺进行进一步的调整，以达到满足飞机的组装拼接要求。包括：

计算的局部测量点云的同名点与总点数的比例来评估局部点云与整机数据的贴合度；并输出测量点云的置信区间(正态分布的状况)和同名点之间的精确度来衡量测量结果。

其中，局部测量的点云数据与整机的点云数据的贴合度η具体计算公式为：

其中，局部测量的点云数据与整机的点云数据的配准精度σ′具体计算公式为：

其中，置信区间的分析为：

我们使用误差分布假设χ²检验，检验测量距离偏差d_i是否服从正态分布，从而判断测量结果的合格性。记同名点距离偏差值d_i为质量特性值x_i，其分布函数为F(x)，正态分布函数为F₀(x)，根据x_i来检验下述原假设是否成立：

H₀：F(x)＝F₀(x)

将x_i按一定的组距分组，例如，分成k组，并统计x_i落入各组内的实际频数v_i。在大量点云的基础上，k取10～25组为宜。

根据x_i估计F₀(x)的两个参数μ和σ，以确定正态分布函数F₀(x)的具体形式。

这样就可以在假设H₀下，计算出x_i落入上述M组中的概率p_i′＝v_i/c，以及由p_i′与点云点数量n(即样本容量)的乘积算出理论频数np₁′，np₂′，…，np_M′；其中c为落在M组所有x_i的理论总数。

由于实际问题的样本总是带有随机性的，因而落入各组中的实际频数v_i总是不会和理论频数np_i′完全相等。一般来说，若H₀为真，则这种差异并不显著；若H₀为假，这种差异就是显著的。

因此，采用检验统计量χ²来描述它们之间的偏离程度，从而通过χ²的大小来判断它们之间的差异是由于样本的随机性引起的，还是由于F(x)≠F₀(x)所引起的；

进行检验时，对于实现给定的显著水平α，可由

定义出临界值

最后将计算得出的χ²与

相比较，如果

则接受H₀，否则拒绝H₀。

如果H₀通过假设检验，则认为本次检测的距离偏差d_i服从正态分布。否则，认为距离偏差的分布不符合生产要求，转为人工处理。

对于通过假设检验的样本，虽然符合正态分布，但合格的零部件应该是具有较少的随机误差，一旦出现过多的随机误差，实际零部件表面的精确度就不能得到保证。因此还需要根据零部件生产标准给定的公差界限评价产品是否合格。相当于控制正态分布的方差，方差过大便为不合格。

在确定正态分布函数F₀(x)的具体形式时，已经根据x_i估计得到样本的σ，并且已知：样本分布在(μ-2σ,μ+2σ)中的概率为0.9544；样本分布在(μ-3σ,μ+3σ)中的概率为0.9974。

则可以认为当公差界限小于每次检测估计的3倍σ时，可以认为表面区域几乎全部满足公差的要求，超出公差界限的可能性仅有0.26％。则本次检验合格。

需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

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 (7)

1.一种基于特征匹配的飞机整机外形测量方法，其特征在于，包括：

S1：获取整机的点云数据、局部测量的点云数据；并对所获的点云数据进行预处理；

S2：根据所获的点云数据计算每个点云的特征向量，通过特征向量对整机点云数据与局部测量的点云数据进行粗匹配，并根据粗匹配的结果实现粗配准；具体为：

S2.1：对所有点云数据中的每个点寻找其半径r内所有的点，利用这些点进行平面拟合，并确定该拟合平面的法线，将该法线视为对应点的法线，也即对应点云的法线；

S2.2：根据点云数据中各个点云所对应的法线信息，结合采用SHOT特征描述子作为计算方法计算每个点云的特征向量；并通过点云的特征向量匹配点云的同名点，实现点云数据的粗匹配；

S2.3：根据粗配准的点云及其同名点，计算刚体变换参数R、T，根据刚体变换参数将测量的局部点云数据初步与飞机整机数据进行初步贴合，达到粗配准；

S3：根据步骤S2中整机点云数据与局部测量的点云数据的粗配准结果进行精配准；具体为：

S3.1：选取部分点云作为精配准过程中的配准点云，并进行降采样；

S3.2：筛选出步骤S3.1中参与精配准点云的同名点；

S3.3：根据参与精配准的点云以及对应的同名点，计算精配准中的刚体变换参数R′、T′；

S3.4：根据精配准中的刚体变换参数R′、T′将测量的局部点云数据与飞机整机数据进行贴合配准；

S3.5：循环步骤S3.2-S3.5进行迭代，直至三次迭代过程中计算的刚体变换参数R′中，其内的欧拉角参数变化幅度均小于一定阈值，则完成测量的局部点云数据与飞机整机数据的精配准；

S4：分析精配准完成后的指标数据，包括：局部测量的点云数据与整机的点云数据的贴合度η、配准精度σ′；根据指标数据对飞机的装配进行评估。

2.根据权利要求1所述的一种基于特征匹配的飞机整机外形测量方法，其特征在于，步骤S1中预处理的具体内容为：

S1.1：对所有的点云数据进行降采样，并通过增大点云分布平缓区域的降采样幅度，减小点云分布不平坦区域的降采样幅度；使得处理后的点云法向量在各个方向趋向于均匀分布；

S1.2：计算每个点云与相邻点云之间的平均距离d，当平均距离d大于阈值d_max，则判断当前计算的该点云为噪声点云，并进行去除；

其中判断的公式为：d>d_max＝μ+g*σ；式中，μ为平均距离参数，σ为标准差，g为常数值。

3.根据权利要求1所述的一种基于特征匹配的飞机整机外形测量方法，其特征在于，步骤S2.2的具体内容为：

S2.2.1：以当前计算点云中的点为圆心，建立半径为R的球，并将该球分为半径为R/2的内球和半径范围为R/2—R的空心外球；

S2.2.2：对当前计算点云以PCA数学定理进行变换得出三个特征值，将对应的三个特征值按从大到小的顺序排列，并按照顺序将三个特征值所对应的向量依次设置为x轴、y轴、z轴，以此建立当前计算点云中点的局部坐标系空间；

S2.2.3：通过类比地球的经纬度，对径向分割的两个球，划分8个区域的经度和2个区域的纬度，则该点的周围被划分为2*8*2＝32个空间，由于该空间中分布有其他的点，对所落在该空间中的点进行统计，计算当前点的法向量与周围每个点之间的法向量之间的夹角θ：

式中，n_i为当前计算点的法相量，n_j为周围任意一点的法向量；

S2.2.4：对32个空间中的每个子空间中划分11个角度范围区间，统计当前点的法向量与周围每个点之间的法向量之间的夹角θ落在各个角度范围区间的数目，且每个角度区间对应一个bin值，即32个空间中每个子空间都有11个bin值，最终得到32*11＝352个bin值，并进行拼接得到当前计算点云的特征向量；由于同名点之间的特征向量具有相似性的特点，因此根据点云特征向量之间二范数最小为点云同名点匹配原则，寻找当前计算点云的同名点。

4.根据权利要求1所述的一种基于特征匹配的飞机整机外形测量方法，其特征在于，步骤S3.2的具体内容为：

根据点云的同名点的之间的距离应小于一定阈值进行初步筛选，结合点云的同名点之间的曲率和法向量相近的特点进行进一步筛选；完成精配准中的点云的同名点筛选；

若当同名点个数大于100时，将点云与对应同名点之间的距离进行由小到大的顺序排布，选取前100个同名点作为精配准中的点云的同名点。

5.根据权利要求1所述的一种基于特征匹配的飞机整机外形测量方法，其特征在于，局部测量的点云数据与整机的点云数据的贴合度η具体计算公式为：

6.根据权利要求1所述的一种基于特征匹配的飞机整机外形测量方法，其特征在于，局部测量的点云数据与整机的点云数据的配准精度σ′具体计算公式为：

式中，K表示整机点云数据中与局部测量点云数据中点云的同名点个数，p_i和q_i是相对应的同名点坐标。

7.根据权利要求1所述的一种基于特征匹配的飞机整机外形测量方法，其特征在于，步骤S4中分析精配准完成后的指标数据还包括：局部测量的点云数据与整机的点云数据之间距离偏差的正态分布状况，具体内容为：

记点云与对应同名点之间的距离偏差值d_i为质量特性值x_i，其分布函数为F(x)，正态分布函数为F₀(x)；

假设局部测量的点云数据与整机的点云数据之间距离偏差的正态分布状况正常，则符合检验式H₀：F(x)＝F₀(x)；

将x_i按照一定组距划分为M组，并统计x_i落入各组内的实际频数v_i；

基于假设条件，即符合检验式H₀：F(x)＝F₀(x)成立的条件下，计算x_i落入各个组中的概率p_i′＝v_i/c，其中c为落在M组所有x_i的理论总数；并通过p_i′和点云数量n计算x_i落在各组中的理论频数：np₁′，np₂′，…，np_M′；

计算检验统计量；

并将检验统计量χ²与临界值

进行比较，若

则认定初始假设正确，检验式H₀成立，判断局部测量的点云数据与整机的点云数据之间距离偏差的正态分布状况正常；若

则认定初步假设不正确，检验式H₀不成立，判断局部测量的点云数据与整机的点云数据之间距离偏差的正态分布状况不正常。

Images