CN115526922B - 基于分块标签描述子的航空发动机叶片点云数据配准方法 - Google Patents

基于分块标签描述子的航空发动机叶片点云数据配准方法 Download PDF

Info

Publication number
CN115526922B
CN115526922B CN202211498139.4A CN202211498139A CN115526922B CN 115526922 B CN115526922 B CN 115526922B CN 202211498139 A CN202211498139 A CN 202211498139A CN 115526922 B CN115526922 B CN 115526922B
Authority
CN
China
Prior art keywords
cloud data
point cloud
point
blade
block
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.)
Active
Application number
CN202211498139.4A
Other languages
English (en)
Other versions
CN115526922A (zh
Inventor
方遒
王智宇
毛建旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN202211498139.4A priority Critical patent/CN115526922B/zh
Publication of CN115526922A publication Critical patent/CN115526922A/zh
Application granted granted Critical
Publication of CN115526922B publication Critical patent/CN115526922B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开基于分块标签描述子的航空发动机叶片点云数据配准方法，通过采样得到叶片场景点云数据和叶片模型点云数据，并分别计算点云数据的坐标轴，对点云数据进行分块并附标签，得到点云数据分块标签，对点云数据分块上的点进行关键点检测，采用分块标签和检测得到的关键点对叶片场景点云数据和叶片模型点云数据进行分块对应查找和关键点组合配对，得到多个关键点对，从每个点云数据分块中选出一个关键点对，组成点云数据的四点基，并求解变换矩阵，遍历点云数据分块上的多个关键点对，得到多个变换矩阵，结合距离均方差值最小化法得到最优变换矩阵，并对叶片场景点云数据进行坐标变换。该方法能够为精配准提供良好的初始值。

Description

基于分块标签描述子的航空发动机叶片点云数据配准方法
技术领域
本发明属于叶片加工误差检测领域，具体涉及一种基于分块标签描述子的航空发动机叶片场景与叶片模型点云数据配准方法。
背景技术
航空发动机叶片被誉为“工业皇冠上的明珠”，其高压、高温等恶劣的工作环境对发动机叶片加工精度提出了严格的要求，目前针对于发动机叶片的检测技术主要是基于三坐标机的测量，而该测量方式效率低且需要人工干预，随着视觉技术的发展，光学测量技术被引入用于发动机叶片的加工检测。
结合光学测量技术，点云配准技术被发展用于处理获取的点云数据。为了进行加工误差检测，首先要将多视角场景点云数据进行拼接，然后将拼接完成的场景点云数据与模型点云数据进行配准，使两点云处于相同位姿与坐标系下，最后根据两点云的距离关系进行误差估计。在光学测量过程中需要对被测物体粘贴标记点或用夹具平台对叶片底部夹持进行测量，这样的测量方式导致获取的点云数据存在部分缺失，即标记点位置缺失或被夹持部分缺失，这对点云配准方法提出了更高的要求。现有的点云配准方法中常用的有以下几种：一种是ICP配准，该配准方法要求两点云的距离值较小，常被用于精配准过程；一种是特征点结合描述子配准，该配准方法通过提取特征点并结合特征点附近点集信息形成该点描述子，但该方法需要根据不同形状的物体预先进行参数调试，以及针对于自由曲面的叶片配准效果不佳；还有一种针对完整点云配准的方法，是采用PCA（Principal ComponentAnalysis，主成份分析）方法进行粗配准，该方法通过计算两个点云的坐标轴进行坐标轴对齐求解变换矩阵，但用于光学测量设备获取的部分缺失的点云数据，该方法会失效，为了得到好的结果，针对于夹具测量方式，可以通过在共有平面手动选择对应点的方式避免这个问题，但该方法不满足自动检测要求。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供基于分块标签描述子的航空发动机叶片场景点云与叶片模型点云数据配准方法。
基于分块标签描述子的航空发动机叶片点云数据配准方法，包括以下：
S1、通过采样得到点云数据，并计算得出点云数据的坐标轴，点云数据包括叶片场景点云数据和叶片模型点云数据；
S2、根据点云数据的坐标轴对点云数据进行分块，得到点云数据分块，对点云数据分块附标签，得到对应的点云数据分块标签；
S3、对点云数据分块上的点进行关键点检测，采用点云数据分块标签对检测得到的关键点进行描述，得到分块标签描述子，通过分块标签描述子对叶片场景点云数据和叶片模型点云数据进行分块对应查找和关键点组合配对，得到点云数据分块上的多个关键点对；
S4、从每个点云数据分块中选出一个关键点对，组成点云数据的四点基，通过四点基求解变换矩阵，遍历点云数据分块上的多个关键点对，得到多个变换矩阵，结合距离均方差值最小化法得到最优变换矩阵，根据最优变换矩阵对叶片场景点云数据进行坐标变换，得到变换后的叶片模型点云数据坐标系下的叶片场景点云数据。
优选地，S1具体为：
S11、通过光学测量设备采集叶片多视角场景点云数据，对其进行拼接和采样，得到叶片场景点云数据；
S12、对叶片CAD模型数据进行采样，得到叶片模型点云数据；
S13、采用PCA方法分别对叶片场景点云数据和叶片模型点云数据进行坐标轴提取，得到叶片场景点云数据和叶片模型点云数据的坐标轴。
优选地，S13具体为：
S131、定义点云数据；
S132、采用PCA方法对点云数据求解协方差矩阵；
S133、提取协方差矩阵的特征值和特征向量，并依据特征值的大小对相应的特征向量进行排列；
S134、将排列好的特征向量作为点云数据的坐标轴，特征值最大的特征向量对应坐标轴的
Figure 716473DEST_PATH_IMAGE001
轴，特征值最小的特征向量对应坐标轴的
Figure 243400DEST_PATH_IMAGE002
轴，剩下的一个特征向量对应坐标轴的
Figure 491979DEST_PATH_IMAGE003
轴，点云数据的质心对应坐标轴原点。
优选地，S2具体为：
S21、根据点云数据中的坐标轴中的
Figure 215084DEST_PATH_IMAGE001
轴和
Figure 498298DEST_PATH_IMAGE003
轴对点云数据分块，得到点云数据分块；
S22、将点云数据的质心与点云数据中的每个点连线构成向量，计算向量分别与点云数据的坐标轴中的
Figure 181082DEST_PATH_IMAGE001
轴或
Figure 916956DEST_PATH_IMAGE003
轴形成的夹角；
S23、对点云数据分块附标签，并根据夹角的角度对点云数据分块标签赋值，得到点云数据分块标签。
优选地，S23具体为：对每个点云数据分块均附标签
Figure 381436DEST_PATH_IMAGE004
和
Figure 847052DEST_PATH_IMAGE005
，当向量与坐标轴中的
Figure 105995DEST_PATH_IMAGE001
轴或
Figure 204532DEST_PATH_IMAGE003
轴的夹角成锐角时，对应的标签被赋值为“true”，当向量与坐标轴中的
Figure 410386DEST_PATH_IMAGE001
轴或
Figure 261667DEST_PATH_IMAGE003
轴的夹角成钝角时，对应的标签被赋值为“false”。
优选地，S3中对点云数据分块上的点进行关键点检测，具体为：
S31、在点云数据的坐标轴中，选取坐标轴构成的坐标平面
Figure 160353DEST_PATH_IMAGE006
和
Figure 244721DEST_PATH_IMAGE007
；
S32、计算点云数据分块上的点到坐标平面
Figure 785424DEST_PATH_IMAGE006
和
Figure 897737DEST_PATH_IMAGE007
的距离；
S33、选取点云数据分块上距离最大的点作为检测到的点云数据分块上的关键点。
优选地，步骤S32中计算点云数据分块上的点到坐标平面
Figure 560799DEST_PATH_IMAGE006
和
Figure 758562DEST_PATH_IMAGE007
的距离，包括计算叶片场景点云数据分块上的点到叶片场景点云数据的坐标平面
Figure 181585DEST_PATH_IMAGE006
和
Figure 148404DEST_PATH_IMAGE007
的距离，和计算叶片模型点云数据分块上的点到叶片模型点云数据的坐标平面
Figure 513526DEST_PATH_IMAGE006
和
Figure 729744DEST_PATH_IMAGE007
的距离，具体公式为：
Figure 81090DEST_PATH_IMAGE008
Figure 276317DEST_PATH_IMAGE009
式中，
Figure 687707DEST_PATH_IMAGE010
为叶片场景点云数据上的第
Figure 719117DEST_PATH_IMAGE011
个点
Figure 608576DEST_PATH_IMAGE012
到坐标平面
Figure 159774DEST_PATH_IMAGE006
的距离，
Figure 742065DEST_PATH_IMAGE013
为叶片场景点云数据上的第
Figure 260771DEST_PATH_IMAGE011
个点
Figure 953920DEST_PATH_IMAGE014
到坐标平面
Figure 280997DEST_PATH_IMAGE007
的距离，
Figure 408090DEST_PATH_IMAGE015
为叶片场景点云的质心
Figure 289459DEST_PATH_IMAGE016
与叶片场景点云数据中的第
Figure 645354DEST_PATH_IMAGE011
个点
Figure 295778DEST_PATH_IMAGE017
组成的向量，
Figure 829658DEST_PATH_IMAGE018
为向量
Figure 198323DEST_PATH_IMAGE019
与
Figure 357909DEST_PATH_IMAGE003
轴的夹角，
Figure 925156DEST_PATH_IMAGE020
为向量
Figure 754572DEST_PATH_IMAGE021
与
Figure 990293DEST_PATH_IMAGE002
轴的夹角；
Figure 828936DEST_PATH_IMAGE022
Figure 313007DEST_PATH_IMAGE023
式中，
Figure 313324DEST_PATH_IMAGE024
为叶片模型点云数据上的第
Figure 266368DEST_PATH_IMAGE025
个点
Figure 908702DEST_PATH_IMAGE026
到坐标平面
Figure 512859DEST_PATH_IMAGE006
的距离，
Figure 949656DEST_PATH_IMAGE027
为叶片模型点云数据上的第
Figure 888531DEST_PATH_IMAGE025
个点
Figure 865714DEST_PATH_IMAGE028
到坐标平面
Figure 199744DEST_PATH_IMAGE007
的距离，
Figure 932076DEST_PATH_IMAGE029
为叶片模型点云的质心
Figure 984346DEST_PATH_IMAGE030
与叶片模型点云数据中的第
Figure 578269DEST_PATH_IMAGE025
个点
Figure 766805DEST_PATH_IMAGE031
组成的向量，
Figure 670039DEST_PATH_IMAGE032
为向量
Figure 209605DEST_PATH_IMAGE033
与
Figure 528591DEST_PATH_IMAGE003
轴的夹角，
Figure 211114DEST_PATH_IMAGE034
为向量
Figure 160615DEST_PATH_IMAGE035
与
Figure 46532DEST_PATH_IMAGE002
轴的夹角。
优选地，S3中通过分块标签描述子对叶片场景点云数据和叶片模型点云数据进行分块对应查找和关键点组合配对，得到点云数据分块上的多个关键点对，具体为：
S34、通过分块标签描述子对叶片场景点云数据和叶片模型点云数据进行分块对应查找，得到对应的点云数据分块；
S35、将叶片场景点云数据分块上的关键点和叶片模型点云数据分块上的关键点按对应分块进行组合配对，得到点云数据分块上的多个关键点对。
优选地，S4中从每个点云数据分块中选出一个关键点对，组成点云数据的四点基，通过四点基求解变换矩阵，具体为：
S41、从每个点云数据分块中选出一个关键点对，组成点云数据的四点基；
S42、对叶片场景点云数据的四点基和叶片模型点云数据的四点基求解协方差矩阵；
S43、对协方差矩阵采用奇异值分解法求解，得出点云数据的变换矩阵。
优选地，S4中结合距离均方差值最小化法得到最优变换矩阵，具体为：
S44、通过变换矩阵对叶片场景点云数据进行变换，得到叶片模型点云数据坐标系下的叶片场景点云数据；
S45、查找叶片模型点云数据坐标系下的叶片场景点云数据中的点与叶片模型点云数据中对应的最近点；
S46、计算得到的所有叶片场景点云中的点与叶片模型点云数据中对应的最近点的距离并求解均方差值，均方差值最小时对应的变换矩阵为最优变换矩阵。
上述基于分块标签描述子的航空发动机叶片点云数据配准方法，解决了现有配准方法中需要预先调整参数、针对自由曲面现有配准方法的配准效果不佳，以及需要手动选择对应点等问题，能够为精配准提供良好的初始值。
附图说明
图1是本发明一实施例中基于分块标签描述子的航空发动机叶片点云数据配准方法流程图；
图2是本发明一实施例中基于分块标签描述子的航空发动机叶片点云数据配准方法的整体框图；
图3是本发明一实施例中关键点检测过程中的距离求解示意图，其中，（a）为计算叶片场景点云P上的点到坐标平面xoz的距离的示意图，（b）为计算叶片场景点云P上的点到坐标平面yoz的距离的示意图，（c）为计算叶片模型点云Q上的点到坐标平面xoz的距离的示意图，（d）为计算叶片模型点云Q上的点到坐标平面yoz的距离的示意图；
图4为本发明一实施例中采用PCA方法计算得到的坐标轴中y轴和z轴的存在情形，其中（a）为相对于点云本身，坐标轴z轴向上，y轴向右，（b）为相对于点云本身，坐标轴z轴向上，y轴向左，（c）为相对于点云本身，坐标轴z轴向下，y轴向右，（d）为相对于点云本身，坐标轴z轴向下，y轴向左。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案，下面结合附图对本发明作进一步的详细说明。
在一个实施例中，基于分块标签描述子的航空发动机叶片点云数据配准方法，具体包括以下：
S1、通过采样得到点云数据，并计算得出点云数据的坐标轴，点云数据包括叶片场景点云数据和叶片模型点云数据；
S2、根据点云数据的坐标轴对点云数据进行分块，得到点云数据分块，对点云数据分块附标签，得到对应的点云数据分块标签；
S3、对点云数据分块上的点进行关键点检测，采用点云数据分块标签对检测得到的关键点进行描述，得到分块标签描述子，通过分块标签描述子对叶片场景点云数据和叶片模型点云数据进行分块对应查找和关键点组合配对，得到点云数据分块上的多个关键点对；
S4、从每个点云数据分块中选出一个关键点对，组成点云数据的四点基，通过四点基求解变换矩阵，遍历点云数据分块上的多个关键点对，得到多个变换矩阵，结合距离均方差值最小化法得到最优变换矩阵，根据最优变换矩阵对叶片场景点云数据进行坐标变换，得到变换后的叶片模型点云数据坐标系下的叶片场景点云数据。
具体地，参见图1和图2，图1是本发明一实施例中基于分块标签描述子的航空发动机叶片点云数据配准方法的流程图，图2是本发明一实施例中基于分块标签描述子的航空发动机叶片点云数据配准方法的整体框图。
基于分块标签描述子的航空发动机叶片点云数据配准方法，首先通过采样得到点云数据，并计算得出点云数据的坐标轴，该点云数据包括叶片场景点云数据和叶片模型点云数据，通过对点云数据提取坐标轴，得到叶片场景点云数据和叶片模型点云数据的坐标轴；接着根据坐标轴分别对点云数据进行分块并附上标签，得到对应的叶片场景点云数据分块标签和叶片模型点云数据分块标签；然后对点云数据分块上的点进行关键点检测，通过分块标签和检测得到的关键点进行分块对应查找和关键点组合配对，得到点云数据分块上的多个关键点对；在每个叶片场景点云分块和对应的叶片模型点云分块中每次选择一个关键点对，组成每个点云数据的四点基，然后针对叶片场景点云数据的四点基和叶片模型点云数据的四点基求解协方差矩阵和变换矩阵，遍历点云数据分块上的多个关键点对，得到多个变换矩阵，结合距离均方差值最小化法得到最优变换矩阵，根据最优变换矩阵对叶片场景点云数据进行坐标变换，得到变换后的叶片模型点云数据坐标系下的叶片场景点云数据。
在一个实施例中，S1具体为：
S11、通过光学测量设备采集叶片多视角场景点云数据，对其进行拼接和采样，得到叶片场景点云数据；
S12、对叶片CAD模型数据进行采样，得到叶片模型点云数据；
S13、采用PCA方法分别对叶片场景点云数据和叶片模型点云数据进行坐标轴提取，得到叶片场景点云数据和叶片模型点云数据的坐标轴。
具体地，由于利用光学测量设备采集到的叶片多视角场景点云数据的数量达到百万级，需要对其进行拼接并采样，通过采样，减少到万级进行点云配准以提高算法效率，针对叶片CAD模型数据进行采样获取叶片模型点云数据，然后采用PCA方法分别计算叶片场景点云数据和叶片模型点云数据的坐标轴。
在一个实施例中，S13具体为：
S131、定义点云数据；
S132、采用PCA方法对点云数据求解协方差矩阵；
S133、提取协方差矩阵的特征值和特征向量，并依据特征值的大小对相应的特征向量进行排列；
S134、将排列好的特征向量作为点云数据的坐标轴，特征值最大的特征向量对应坐标轴的
Figure 106892DEST_PATH_IMAGE001
轴，特征值最小的特征向量对应坐标轴的
Figure 145386DEST_PATH_IMAGE002
轴，剩下的一个特征向量对应坐标轴的
Figure 62526DEST_PATH_IMAGE003
轴，点云数据的质心对应坐标轴原点。
具体地，定义叶片场景点云数据为：
Figure 576684DEST_PATH_IMAGE036
Figure 565369DEST_PATH_IMAGE037
式中，
Figure 583003DEST_PATH_IMAGE012
表示叶片场景点云数据中的第
Figure 248209DEST_PATH_IMAGE011
个点，
Figure 984084DEST_PATH_IMAGE038
为第
Figure 776459DEST_PATH_IMAGE011
个点在叶片场景点云坐标系中的位置，
Figure 648600DEST_PATH_IMAGE039
，
Figure 173123DEST_PATH_IMAGE040
为叶片场景点云中点的数量；
定义叶片模型点云数据为：
Figure 271660DEST_PATH_IMAGE041
Figure 477513DEST_PATH_IMAGE042
式中，
Figure 328794DEST_PATH_IMAGE026
表示叶片模型点云数据中的第
Figure 227480DEST_PATH_IMAGE025
个点，
Figure 305989DEST_PATH_IMAGE043
为第
Figure 315534DEST_PATH_IMAGE025
个点在叶片模型点云坐标系中的位置，
Figure 286901DEST_PATH_IMAGE044
，
Figure 90909DEST_PATH_IMAGE045
为叶片模型点云中点的数量。
采用PCA方法分别对叶片场景点云
Figure 164038DEST_PATH_IMAGE046
与叶片模型点云
Figure 508432DEST_PATH_IMAGE047
求解协方差矩阵，并计算特征值和特征向量；
将特征向量按照其对应的特征值从大到小进行相应的排列（特征值大，对应的特征向量表示的点云数据的对应方向上点的坐标值方差大，分布特征显著），并分别作为叶片场景点云数据和叶片模型点云数据的坐标轴，其中方差最大的特征向量对应于坐标轴的
Figure 475251DEST_PATH_IMAGE001
轴，方差最小的特征向量对应于坐标轴的
Figure 574794DEST_PATH_IMAGE002
轴，剩下的一个特征向量对应坐标轴的
Figure 259853DEST_PATH_IMAGE003
轴，点云数据的质心作为坐标轴的原点。
以计算叶片场景点云的坐标轴为例，采用PCA方法对叶片场景点云
Figure 719522DEST_PATH_IMAGE046
求解协方差矩阵，计算该矩阵的特征值
Figure 540847DEST_PATH_IMAGE048
，满足
Figure 76871DEST_PATH_IMAGE049
，对应的特征向量
Figure 983647DEST_PATH_IMAGE050
，
Figure 748472DEST_PATH_IMAGE051
表示按照特征值从大到小进行相应排列的三个特征向量，并定义
Figure 486621DEST_PATH_IMAGE051
分别表示叶片场景点云数据的
Figure 803333DEST_PATH_IMAGE001
轴，
Figure 322039DEST_PATH_IMAGE003
轴和
Figure 15188DEST_PATH_IMAGE002
轴，点云的质心
Figure 185007DEST_PATH_IMAGE016
为坐标轴为原点。叶片模型点云数据的坐标轴求解过程同上，此处不再赘述。
在一个实施例中，S2具体为：
S21、根据点云数据中的坐标轴中的
Figure 672620DEST_PATH_IMAGE001
轴或
Figure 678623DEST_PATH_IMAGE003
轴对点云数据分块，得到点云数据分块；
S22、将点云数据的质心与点云数据中的每个点连线构成向量，计算向量分别与点云数据的坐标轴中的
Figure 909884DEST_PATH_IMAGE001
轴或
Figure 357046DEST_PATH_IMAGE003
轴形成的夹角；
S23、对点云数据分块附标签，并根据夹角的角度对点云数据分块标签赋值，得到点云数据分块标签。
在一个实施例中，对每个点云数据分块均附标签
Figure 156505DEST_PATH_IMAGE004
和
Figure 525170DEST_PATH_IMAGE005
，当向量与坐标轴中的
Figure 684756DEST_PATH_IMAGE001
轴或
Figure 189686DEST_PATH_IMAGE003
轴的夹角成锐角时，对应的标签被赋值为“true”，当向量与坐标轴中的
Figure 393004DEST_PATH_IMAGE001
轴或
Figure 248964DEST_PATH_IMAGE003
轴的夹角成钝角时，对应的标签被赋值为“false”。
具体地，首先通过点云数据中的坐标轴中的
Figure 946662DEST_PATH_IMAGE001
轴和
Figure 571678DEST_PATH_IMAGE003
轴对点云数据分块，得到点云数据分块，然后将点云数据的质心与点云数据中的每个点连线形成向量，即针对叶片场景点云
Figure 634312DEST_PATH_IMAGE046
，有
Figure 587356DEST_PATH_IMAGE040
个向量
Figure 229690DEST_PATH_IMAGE052
，针对叶片模型点云
Figure 833846DEST_PATH_IMAGE053
，有
Figure 5065DEST_PATH_IMAGE054
个向量
Figure 949799DEST_PATH_IMAGE055
Figure 864665DEST_PATH_IMAGE056
，计算向量
Figure 588908DEST_PATH_IMAGE057
和
Figure 196607DEST_PATH_IMAGE055
分别与各自的
Figure 124242DEST_PATH_IMAGE001
轴和
Figure 639537DEST_PATH_IMAGE003
轴形成的夹角的角度；最后对每个点云数据分块均附标签
Figure 93652DEST_PATH_IMAGE004
和
Figure 996886DEST_PATH_IMAGE005
，根据得到的夹角的角度，对标签赋值，具体赋值方式如下：
若向量与
Figure 536452DEST_PATH_IMAGE001
轴夹角成锐角，则对应的点云数据分块的标签
Figure 167022DEST_PATH_IMAGE004
被赋值“true”，若向量与
Figure 475644DEST_PATH_IMAGE001
轴夹角成钝角，则对应的点云数据分块的标签
Figure 549779DEST_PATH_IMAGE004
被赋值“false”，若向量与
Figure 311062DEST_PATH_IMAGE003
轴夹角成锐角，则对应的点云数据分块的标签
Figure 512367DEST_PATH_IMAGE004
被赋值“true”，若向量与
Figure 675495DEST_PATH_IMAGE003
轴夹角成钝角，则对应的点云数据分块的标签被赋值“false”。
在一个实施例中，S3中对点云数据分块上的点进行关键点检测，具体为：
S31、在点云数据的坐标轴中，选取坐标轴构成的坐标平面
Figure 592636DEST_PATH_IMAGE006
和
Figure 231427DEST_PATH_IMAGE007
；
S32、计算点云数据分块上的点到坐标平面
Figure 95478DEST_PATH_IMAGE006
和
Figure 487014DEST_PATH_IMAGE007
的距离；
S33、选取点云数据分块上距离最大的点作为检测到的点云数据分块上的关键点。
在一个实施例中，步骤S32中计算点云数据分块上的点到坐标平面
Figure 778318DEST_PATH_IMAGE006
和
Figure 638827DEST_PATH_IMAGE007
的距离，包括计算叶片场景点云数据分块上的点到叶片场景点云数据的坐标平面
Figure 40989DEST_PATH_IMAGE006
和
Figure 975447DEST_PATH_IMAGE007
的距离，和计算叶片模型点云数据分块上的点到叶片模型点云数据的坐标平面
Figure 578598DEST_PATH_IMAGE006
和
Figure 864086DEST_PATH_IMAGE007
的距离，具体公式为：
Figure 335519DEST_PATH_IMAGE008
Figure 124483DEST_PATH_IMAGE009
式中，
Figure 131491DEST_PATH_IMAGE010
为叶片场景点云数据上的第
Figure 841958DEST_PATH_IMAGE011
个点
Figure 976136DEST_PATH_IMAGE012
到坐标平面
Figure 557290DEST_PATH_IMAGE006
的距离，
Figure 502244DEST_PATH_IMAGE013
为叶片场景点云数据上的第
Figure 434428DEST_PATH_IMAGE011
个点
Figure 372297DEST_PATH_IMAGE014
到坐标平面
Figure 135853DEST_PATH_IMAGE007
的距离，
Figure 110762DEST_PATH_IMAGE015
为叶片场景点云的质心
Figure 390564DEST_PATH_IMAGE016
与叶片场景点云数据中的第
Figure 866544DEST_PATH_IMAGE011
个点
Figure 687870DEST_PATH_IMAGE017
组成的向量，
Figure 630418DEST_PATH_IMAGE018
为向量
Figure 412560DEST_PATH_IMAGE019
与
Figure 567598DEST_PATH_IMAGE003
轴的夹角，
Figure 368064DEST_PATH_IMAGE020
为向量
Figure 950355DEST_PATH_IMAGE021
与
Figure 452749DEST_PATH_IMAGE002
轴的夹角；
Figure 145899DEST_PATH_IMAGE022
Figure 738554DEST_PATH_IMAGE023
式中，
Figure 616380DEST_PATH_IMAGE024
为叶片模型点云数据上的第
Figure 232169DEST_PATH_IMAGE025
个点
Figure 604376DEST_PATH_IMAGE026
到坐标平面
Figure 989221DEST_PATH_IMAGE006
的距离，
Figure 37948DEST_PATH_IMAGE027
为叶片模型点云数据上的第
Figure 406613DEST_PATH_IMAGE025
个点
Figure 238303DEST_PATH_IMAGE028
到坐标平面
Figure 117135DEST_PATH_IMAGE007
的距离，
Figure 212130DEST_PATH_IMAGE029
为叶片模型点云的质心
Figure 130407DEST_PATH_IMAGE030
与叶片模型点云数据中的第
Figure 765788DEST_PATH_IMAGE025
个点
Figure 266170DEST_PATH_IMAGE031
组成的向量，
Figure 532067DEST_PATH_IMAGE032
为向量
Figure 734378DEST_PATH_IMAGE033
与
Figure 111133DEST_PATH_IMAGE003
轴的夹角，
Figure 698978DEST_PATH_IMAGE034
为向量
Figure 135775DEST_PATH_IMAGE035
与
Figure 825383DEST_PATH_IMAGE002
轴的夹角。
具体地，参见图3，图3是本发明一实施例中关键点检测过程中的距离求解示意图。
由于光学测量设备所测叶片的叶身在测量过程中被粘贴标记点，故采集的点云数据在这些标记点处表现为孔洞，或被夹具夹持部分的点云数据因被遮挡而缺失，场景点云与模型点云的坐标轴计算存在偏差，故针对于叶片上因粘贴标记点或遮挡导致点云数据缺失从而使直接使用PCA方法配准效果不佳的情况，采用关键点检测的方法进行处理，具体按以下方法进行：
首先，选取坐标轴构成的坐标平面
Figure 802566DEST_PATH_IMAGE006
和
Figure 402174DEST_PATH_IMAGE007
；
然后，计算叶片场景点云数据中的点到平面
Figure 885239DEST_PATH_IMAGE006
和平面
Figure 671930DEST_PATH_IMAGE007
的距离：
Figure 515121DEST_PATH_IMAGE008
，
Figure 969236DEST_PATH_IMAGE009
式中，
Figure 544574DEST_PATH_IMAGE010
为叶片场景点云数据上的第
Figure 198321DEST_PATH_IMAGE011
个点
Figure 720569DEST_PATH_IMAGE012
到坐标平面
Figure 153825DEST_PATH_IMAGE006
的距离，
Figure 837747DEST_PATH_IMAGE013
为叶片场景点云数据上的第
Figure 739975DEST_PATH_IMAGE011
个点
Figure 800335DEST_PATH_IMAGE014
到坐标平面
Figure 353676DEST_PATH_IMAGE007
的距离，
Figure 270816DEST_PATH_IMAGE015
为叶片场景点云的质心
Figure 519395DEST_PATH_IMAGE016
与叶片场景点云数据中的第
Figure 491768DEST_PATH_IMAGE011
个点
Figure 774982DEST_PATH_IMAGE017
组成的向量，
Figure 190920DEST_PATH_IMAGE018
为向量
Figure 926795DEST_PATH_IMAGE019
与
Figure 469903DEST_PATH_IMAGE003
轴的夹角，
Figure 404360DEST_PATH_IMAGE020
为向量
Figure 866566DEST_PATH_IMAGE021
与
Figure 948791DEST_PATH_IMAGE002
轴的夹角；
计算叶片模型点云数据中的点到平面
Figure 420224DEST_PATH_IMAGE006
和平面
Figure 786352DEST_PATH_IMAGE007
的距离：
Figure 419459DEST_PATH_IMAGE058
，
Figure 254560DEST_PATH_IMAGE059
式中，
Figure 60842DEST_PATH_IMAGE024
为叶片模型点云数据上的第
Figure 907575DEST_PATH_IMAGE025
个点
Figure 852528DEST_PATH_IMAGE026
到坐标平面
Figure 519133DEST_PATH_IMAGE006
的距离，
Figure 457002DEST_PATH_IMAGE027
为叶片模型点云数据上的第
Figure 158242DEST_PATH_IMAGE025
个点
Figure 772632DEST_PATH_IMAGE028
到坐标平面
Figure 988849DEST_PATH_IMAGE007
的距离，
Figure 340196DEST_PATH_IMAGE029
为叶片模型点云的质心
Figure 286155DEST_PATH_IMAGE030
与叶片模型点云数据中的第
Figure 697545DEST_PATH_IMAGE025
个点
Figure 479688DEST_PATH_IMAGE031
组成的向量，
Figure 634725DEST_PATH_IMAGE032
为向量
Figure 169612DEST_PATH_IMAGE033
与
Figure 751903DEST_PATH_IMAGE003
轴的夹角，
Figure 514017DEST_PATH_IMAGE034
为向量
Figure 207167DEST_PATH_IMAGE035
与
Figure 799822DEST_PATH_IMAGE002
轴的夹角。
接着，提取每个点云数据分块上距离平面
Figure 412069DEST_PATH_IMAGE006
和平面
Figure 293437DEST_PATH_IMAGE007
的最远点：
针对叶片场景点云划分的每个分块，提取每个分块上：
距离平面
Figure 665644DEST_PATH_IMAGE006
的最远点
Figure 50489DEST_PATH_IMAGE060
，
距离平面
Figure 99216DEST_PATH_IMAGE007
的最远点
Figure 202302DEST_PATH_IMAGE061
。
针对叶片模型点云划分的每个分块，提取每个分块上：
距离平面
Figure 611155DEST_PATH_IMAGE006
的最远点
Figure 178403DEST_PATH_IMAGE062
，
距离平面
Figure 273398DEST_PATH_IMAGE007
的最远点
Figure 988413DEST_PATH_IMAGE063
。
这样可在叶片场景点云数据和叶片模型点云数据中分别提取8个关键点。
在一个实施例中，S3中通过分块标签描述子对叶片场景点云数据和叶片模型点云数据进行分块对应查找和关键点组合配对，得到点云数据分块上的多个关键点对，具体为：
S34、通过分块标签描述子对叶片场景点云数据和叶片模型点云数据进行分块对应查找，得到对应的点云数据分块；
S35、将叶片场景点云数据分块上的关键点和叶片模型点云数据分块上的关键点按对应分块进行组合配对，得到点云数据分块上的多个关键点对。
具体地，根据关键点的位置特征在点云数据中进行对应查找，首先依据分块标签描述子进行分块对应查找，得到对应的点云数据分块，再在每个对应的点云数据分块中进行关键点对应查找，即将场景点云分块上的关键点和模型点云分块上的关键点任意配对组合，得到多个关键点对。
参见图4，图4为本发明一实施例中采用PCA方法计算得到的坐标轴中
Figure 827056DEST_PATH_IMAGE003
轴和
Figure 61859DEST_PATH_IMAGE001
轴的存在情形。
根据分块标签描述子对关键点进行对应查找，由于采用PCA方法计算的坐标轴存在符号相反的情况，因此
Figure 327755DEST_PATH_IMAGE003
轴和
Figure 202170DEST_PATH_IMAGE001
轴存在4种可能情形，分块标签描述子对应存在4种情形，如表1所示。
表1中的“&&”在实例中表示“与”操作，“！”在实例中表示“取反”操作。
这样一来，每个点云数据分块上的关键点都有4种对应情形，每次在每个点云分块中提取一个关键点对应的一种情形，需要遍历所有可能的情形。在每个对应分块中遍历每个关键点对应情形，存在4个关键点对，即在4个对应分块中，每个分块提取一个关键点对，存在种对应情形。
表1
Figure 703559DEST_PATH_IMAGE064
在一个实施例中，S4中从每个点云数据分块中选出一个关键点对，组成点云数据的四点基，通过四点基求解变换矩阵，具体为：
S41、从每个点云数据分块中选出一个关键点对，组成点云数据的四点基；
S42、对叶片场景点云数据的四点基和叶片模型点云数据的四点基求解协方差矩阵；
S43、对协方差矩阵采用奇异值分解法求解，得出点云数据的变换矩阵。
具体地，在每个点云数据分块中每次选取一个关键点对，由于点云数据被分成了4块，因此叶片场景点云数据和叶片模型点云数据每次可以得到4个关键点对，这4个关键点对分别构成对应点云数据的4点基，即每次可以得到叶片场景点云数据的四点基和叶片模型点云数据的四点基，对这两个点云数据的四点基求协方差矩阵，并对协方差矩阵采用奇异值分解法求解点云数据的变换矩阵。
在一个实施例中，S4中结合距离均方差值最小化法得到最优变换矩阵，具体为：
S44、通过变换矩阵对叶片场景点云数据进行变换，得到叶片模型点云数据坐标系下的叶片场景点云数据；
S45、查找叶片模型点云数据坐标系下的叶片场景点云数据中的点与叶片模型点云数据中对应的最近点；
S46、计算得到的所有叶片场景点云中的点与叶片模型点云数据中对应的最近点的距离并求解均方差值，均方差值最小时对应的变换矩阵为最优变换矩阵。
具体地，通过变换矩阵对叶片场景点云数据进行变换，得到叶片模型点云数据坐标系下的叶片场景点云坐标，使叶片场景点云数据和叶片模型点云数据在相同的坐标系下，然后针对叶片场景点云数据中的每个点在叶片模型点云数据中找到距离它最近的那个点，计算这两个点之间的距离，并对所有叶片场景点云中的点对应的叶片模型点云中的最近点的距离求解均方差，遍历每一组4点基，均方差最小时对应的变换矩阵为最优变换矩阵。
在求解均方差的过程中，由于场景点云存在部分缺失，因此在实例中以叶片场景点云为基准在叶片模型点云中查找对应点，以避免缺失部分对结果的影响。另外，在求解均方差的过程中，为提高计算效率，以间隔比例（例如1%）在叶片场景点云中取点，并查找这个点在叶片模型点云中的对应点，作为计算均方差的有效点。比如一个叶片场景点云数据中有100万个点，如果要计算每个点对应的距离差会很耗时，所以在这里每次间隔1%个点，也就是说每隔1万个点查找一次它在模型点云中的对应点并且计算它们之间的距离，这样的话计算量就会大大减少。
上述基于分块标签描述子的航空发动机叶片点云数据配准方法，首先通过采样得到点云数据，点云数据包括叶片场景点云数据和叶片模型点云数据，分别提取点云数据的坐标轴；然后根据点云数据的坐标轴对点云数据进行分块，得到点云数据分块，对点云数据分块附上标签并对标签赋值，得到对应的点云数据分块标签；接着对点云数据分块上的点进行关键点检测，通过分块标签和检测得到的关键点进行分块对应查找和关键点组合配对，得到每个分块上的多个关键点对；最后从每个点云数据分块上的多个关键点对中每次选出一个关键点对，组成点云数据的四点基，采用奇异值分解法求解四点基的变换矩阵，遍历每个点云分块上的所有关键点对，得到多个变换矩阵，结合距离均方差值最小化法从多个点变换矩阵中得到最优变换矩阵，根据最优变换矩阵对叶片场景点云数据进行坐标变换，得到变换后的叶片模型点云数据坐标系下的叶片场景点云数据。该方法解决了现有配准方法中需要预先调整参数、针对自由曲面现有配准方法的配准效果不佳，以及需要手动选择对应点等问题，能够为精配准提供良好的初始值。
以上对本发明所提供的基于分块标签描述子的航空发动机叶片点云数据配准方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。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的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (9)

1.基于分块标签描述子的航空发动机叶片点云数据配准方法，其特征在于，所述方法包括以下：
S1、通过采样得到点云数据，并计算得出所述点云数据的坐标轴，所述点云数据包括叶片场景点云数据和叶片模型点云数据；
S2、根据所述点云数据的坐标轴对所述点云数据进行分块，得到点云数据分块，对所述点云数据分块附标签，得到对应的点云数据分块标签；所述S2具体为：
S21、根据所述点云数据中的坐标轴中的
Figure QLYQS_1
轴和
Figure QLYQS_2
轴对所述点云数据分块，得到点云数据分块；
S22、将所述点云数据的质心与所述点云数据中的每个点连线构成向量，计算所述向量分别与所述点云数据的坐标轴中的
Figure QLYQS_3
轴和
Figure QLYQS_4
轴形成的夹角；
S23、对所述点云数据分块附标签，并根据所述夹角的角度对所述点云数据分块标签赋值，得到点云数据分块标签；
S3、对所述点云数据分块上的点进行关键点检测，采用所述点云数据分块标签对检测得到的关键点进行描述，得到分块标签描述子，通过所述分块标签描述子对所述叶片场景点云数据和叶片模型点云数据进行分块对应查找和关键点组合配对，得到点云数据分块上的多个关键点对；
S4、从每个所述点云数据分块中选出一个关键点对，组成所述点云数据的四点基，通过四点基求解变换矩阵，遍历所述点云数据分块上的多个关键点对，得到多个变换矩阵，结合距离均方差值最小化法得到最优变换矩阵，根据所述最优变换矩阵对所述叶片场景点云数据进行坐标变换，得到变换后的叶片模型点云数据坐标系下的叶片场景点云数据。
2.如权利要求1所述的基于分块标签描述子的航空发动机叶片点云数据配准方法，其特征在于，所述S1具体为：
S11、通过光学测量设备采集叶片多视角场景点云数据，对其进行拼接和采样，得到叶片场景点云数据；
S12、对叶片CAD模型数据进行采样，得到叶片模型点云数据；
S13、采用PCA方法分别对所述叶片场景点云数据和所述叶片模型点云数据进行坐标轴提取，得到所述叶片场景点云数据和所述叶片模型点云数据的坐标轴。
3.如权利要求2所述的基于分块标签描述子的航空发动机叶片点云数据配准方法，其特征在于，所述S13具体为：
S131、定义所述点云数据；
S132、采用PCA方法对所述点云数据求解协方差矩阵；
S133、提取所述协方差矩阵的特征值和特征向量，并依据所述特征值的大小对相应的特征向量进行排列；
S134、将排列好的特征向量作为所述点云数据的坐标轴，特征值最大的特征向量对应坐标轴的
Figure QLYQS_5
轴，特征值最小的特征向量对应坐标轴的
Figure QLYQS_6
轴，剩下的一个特征向量对应坐标轴的
Figure QLYQS_7
轴，点云数据的质心对应坐标轴原点。
4.如权利要求1所述的基于分块标签描述子的航空发动机叶片点云数据配准方法，其特征在于，所述S23具体为：对每个所述点云数据分块均附标签
Figure QLYQS_8
和
Figure QLYQS_9
，当所述向量与所述坐标轴中的
Figure QLYQS_10
轴或
Figure QLYQS_11
轴的夹角成锐角时，对应的标签被赋值为“true”，当所述向量与所述坐标轴中的
Figure QLYQS_12
轴或
Figure QLYQS_13
轴的夹角成钝角时，对应的标签被赋值为“false”。
5.如权利要求4所述的基于分块标签描述子的航空发动机叶片点云数据配准方法，其特征在于，所述S3中对所述点云数据分块上的点进行关键点检测，具体为：
S31、在所述点云数据的坐标轴中，选取坐标轴构成的坐标平面
Figure QLYQS_14
和
Figure QLYQS_15
；
S32、计算所述点云数据分块上的点到所述坐标平面
Figure QLYQS_16
和
Figure QLYQS_17
的距离；
S33、选取所述点云数据分块上距离最大的点作为检测到的所述点云数据分块上的关键点。
6.如权利要求5所述的基于分块标签描述子的航空发动机叶片点云数据配准方法，其特征在于，所述步骤S32中计算所述点云数据分块上的点到所述坐标平面
Figure QLYQS_18
和
Figure QLYQS_19
的距离，包括计算叶片场景点云数据分块上的点到叶片场景点云数据的坐标平面
Figure QLYQS_20
和
Figure QLYQS_21
的距离，和计算叶片模型点云数据分块上的点到叶片模型点云数据的坐标平面
Figure QLYQS_22
和
Figure QLYQS_23
的距离，具体公式为：
Figure QLYQS_24
Figure QLYQS_25
式中，
Figure QLYQS_28
为叶片场景点云数据上的第
Figure QLYQS_30
个点
Figure QLYQS_39
到坐标平面
Figure QLYQS_29
的距离，
Figure QLYQS_36
为叶片场景点云数据上的第
Figure QLYQS_40
个点
Figure QLYQS_42
到坐标平面
Figure QLYQS_31
的距离，
Figure QLYQS_37
为叶片场景点云的质心
Figure QLYQS_26
与叶片场景点云数据中的第
Figure QLYQS_38
个点
Figure QLYQS_32
组成的向量，
Figure QLYQS_34
为向量
Figure QLYQS_35
与
Figure QLYQS_43
轴的夹角，
Figure QLYQS_27
为向量
Figure QLYQS_41
与
Figure QLYQS_33
轴的夹角；
Figure QLYQS_44
Figure QLYQS_45
式中，
Figure QLYQS_62
为叶片模型点云数据上的第
Figure QLYQS_51
个点
Figure QLYQS_63
到坐标平面
Figure QLYQS_53
的距离，
Figure QLYQS_61
为叶片模型点云数据上的第
Figure QLYQS_50
个点
Figure QLYQS_59
到坐标平面
Figure QLYQS_47
的距离，
Figure QLYQS_54
为叶片模型点云的质心
Figure QLYQS_46
与叶片模型点云数据中的第
Figure QLYQS_58
个点
Figure QLYQS_49
组成的向量，
Figure QLYQS_57
为向量
Figure QLYQS_52
与
Figure QLYQS_55
轴的夹角，
Figure QLYQS_48
为向量
Figure QLYQS_56
与
Figure QLYQS_60
轴的夹角。
7.如权利要求6所述的基于分块标签描述子的航空发动机叶片点云数据配准方法，其特征在于，所述S3中通过所述分块标签描述子对所述叶片场景点云数据和叶片模型点云数据进行分块对应查找和关键点组合配对，得到点云数据分块上的多个关键点对，具体为：
S34、通过所述分块标签描述子对所述叶片场景点云数据和叶片模型点云数据进行分块对应查找，得到对应的点云数据分块；
S35、将叶片场景点云数据分块上的关键点和叶片模型点云数据分块上的关键点按对应分块进行组合配对，得到点云数据分块上的多个关键点对。
8.如权利要求7所述的基于分块标签描述子的航空发动机叶片点云数据配准方法，其特征在于，所述S4中从每个所述点云数据分块中选出一个关键点对，组成所述点云数据的四点基，通过四点基求解变换矩阵，具体为：
S41、从每个所述点云数据分块中选出一个关键点对，组成所述点云数据的四点基；
S42、对叶片场景点云数据的四点基和叶片模型点云数据的四点基求解协方差矩阵；
S43、对所述协方差矩阵采用奇异值分解法求解，得出点云数据的变换矩阵。
9.如权利要求8所述的基于分块标签描述子的航空发动机叶片点云数据配准方法，其特征在于，所述S4中结合距离均方差值最小化法得到最优变换矩阵，具体为：
S44、通过所述变换矩阵对所述叶片场景点云数据进行变换，得到叶片模型点云数据坐标系下的叶片场景点云数据；
S45、查找所述叶片模型点云数据坐标系下的叶片场景点云数据中的点与所述叶片模型点云数据中对应的最近点；
S46、计算得到的所有叶片场景点云中的点与叶片模型点云数据中对应的最近点的距离并求解均方差值，均方差值最小时对应的变换矩阵为最优变换矩阵。
CN202211498139.4A 2022-11-28 2022-11-28 基于分块标签描述子的航空发动机叶片点云数据配准方法 Active CN115526922B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211498139.4A CN115526922B (zh) 2022-11-28 2022-11-28 基于分块标签描述子的航空发动机叶片点云数据配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211498139.4A CN115526922B (zh) 2022-11-28 2022-11-28 基于分块标签描述子的航空发动机叶片点云数据配准方法

Publications (2)

Publication Number Publication Date
CN115526922A CN115526922A (zh) 2022-12-27
CN115526922B true CN115526922B (zh) 2023-04-28

Family

ID=84704667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211498139.4A Active CN115526922B (zh) 2022-11-28 2022-11-28 基于分块标签描述子的航空发动机叶片点云数据配准方法

Country Status (1)

Country Link
CN (1) CN115526922B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105118059A (zh) * 2015-08-19 2015-12-02 哈尔滨工程大学 一种多尺度坐标轴夹角特征的点云快速配准方法
GB2550567A (en) * 2016-05-20 2017-11-29 Nokia Technologies Oy Point Cloud Matching Method
CN109147030B (zh) * 2018-07-05 2020-06-30 厦门大学 基于线特征的室内外场景联合建模方法
CN113643270B (zh) * 2021-08-24 2024-04-26 凌云光技术股份有限公司 一种基于点云数据的图像配准方法及装置

Also Published As

Publication number Publication date
CN115526922A (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
CN110426051B (zh) 一种车道线绘制方法、装置及存储介质
US20140267614A1 (en) 2D/3D Localization and Pose Estimation of Harness Cables Using A Configurable Structure Representation for Robot Operations
CN108876852B (zh) 一种基于3d视觉的在线实时物体识别定位方法
Jiang et al. Dual-camera-based method for identification and location of scattered self-plugging rivets for robot grasping
CN110930442B (zh) 基于标定块的机器人手眼标定中关键点位置确定方法与装置
CN111598172B (zh) 基于异构深度网络融合的动态目标抓取姿态快速检测方法
CN110146017B (zh) 工业机器人重复定位精度测量方法
CN110084842A (zh) 一种机器人云台伺服二次对准方法及装置
CN109241901A (zh) 一种对具有孔洞的三维点云的检测与识别方法
CN103729631A (zh) 一种基于视觉的连接器表面特征自动识别方法
Pi et al. Stereo visual SLAM system in underwater environment
CN109255815B (zh) 一种基于零阶球谐函数的物体检测与识别方法
CN112561989B (zh) 一种建造场景下吊装对象的识别方法
CN115526922B (zh) 基于分块标签描述子的航空发动机叶片点云数据配准方法
CN111340884A (zh) 一种双目异构相机与rfid的双重目标定位与身份辨识方法
CN111475016A (zh) 一种基于计算机视觉的装配过程几何参数自适应测量系统及方法
IL123566A (en) Detection of prominent contours in a pair of stereoscopic figures
JPWO2018131163A1 (ja) 情報処理装置、データベース生成装置、方法、プログラム、及び記憶媒体
CN110517323A (zh) 基于机械手单相机多目视觉的三维定位系统及方法
Hashimoto et al. Current status and future trends on robot vision technology
CN117994484A (zh) 一种大型建筑预制构件三维图像拼接装置及方法
Tunca et al. Determining the pointer positions of aircraft analog indicators using deep learning
CN113192134B (zh) 一种航空发动机卡箍定位及偏移检测方法
Jiang et al. A multi-view structured light measurement method based on pose estimation using deep learning
CN113920049B (zh) 一种基于少量正样本融合的模板匹配方法

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
GR01 Patent grant
GR01 Patent grant