CN115797418A - 一种基于改进icp的复杂机械零件测量点云配准方法及系统 - Google Patents

Abstract

本发明属于三维点云配准领域，公开了一种基于改进ICP的复杂机械零件测量点云配准方法及系统，基于改进ICP的复杂机械零件测量点云配准方法包括：采用基于重心邻近点的体素滤波器对零件点云进行下采样预处理；对预处理后的点云，提取ISS关键点，并计算ISS关键点的FPFH特征；根据ISS关键点及其FPFH特征寻找对应点对，利用SAC‑IA算法进行粗配准，使两片零件点云处于合适的初始位置，实现粗配准；在粗配准的基础上，采用结合法向量夹角约束的点到平面ICP算法进行精配准，进一步提高配准的精度。本发明有效提高了点云配准的精度和效率，满足了大批量复杂机械零件测量点云配准精度和效率要求。

Description

一种基于改进ICP的复杂机械零件测量点云配准方法及系统

技术领域

本发明属于三维点云配准领域，尤其涉及一种基于改进ICP的复杂机械零件测量点云配准方法及系统。

背景技术

随着科学技术的不断发展，如齿轮、叶片等形状十分复杂的机械零件应用越来越广泛。此类机械零件制造工艺复杂、成形精度难以控制。为保障产品质量，需对这些复杂机械零件进行高精度多参数三维测量。

相比于传统测量方法，基于机器视觉的三维非接触测量技术具有无损伤、高效率和高精度等优点，已在工业制造质量检测等领域广泛应用。该方法首先利用三维扫描设备获得测量对象全方位多视角的点云数据，然后进行点云配准和三维重建获得测量对象全面精细的网格模型，最后将网格模型与设计模型对比分析进行精密测量。其中，点云配准是获得测量对象完整点云的基础和必备条件，其精度和效率直接决定了三维非接触精密测量的精度和效率。

最经典的点云配准算法是Besl等人在1992年提出的ICP算法，该算法简单直观、易于实现，但是对初始位置要求较高，容易陷入局部最优解，导致配准失败，并且配准精度和效率较低，难以满足大批量复杂机械零件测量点云配准精度和效率要求。

通过上述分析，现有技术存在的问题及缺陷为：

(1)在点云预处理中，原始体素滤波器采用每个体素的重心或中心近似代替体素内的所有点来实现下采样，由于该点不一定是原始点云中的点，导致下采样后会损失原始点云的细微特征，增大配准误差。

(2)传统ICP算法原理简单直观、易于实现，但是对初始位置要求较高，容易陷入局部最优解，导致配准失败。

(3)传统ICP算法迭代收敛速度慢，错误对应点对多，导致配准精度和效率较差，无法满足大批量复杂机械零件测量点云配准的要求。

发明内容

针对现有技术存在的问题，本发明提供了一种基于改进ICP的复杂机械零件测量点云配准方法及系统。

本发明是这样实现的，一种基于改进ICP的复杂机械零件测量点云配准方法，所述基于改进ICP的复杂机械零件测量点云配准方法包括：

步骤一，采用基于重心邻近点的体素滤波器对零件点云进行下采样预处理，以每个体素重心邻近点而非重心代替体素内所有点，减少点云数量，保留点云表面细微特征；

步骤二，对预处理后的点云，利用ISS算法提取点云的ISS关键点，进一步减少点云数量；

步骤三，建立局部坐标系，计算所述ISS关键点的FPFH特征；

步骤四，根据所述ISS关键点及对应FPFH特征寻找对应点对，并利用SAC-IA算法进行粗配准，使两片零件点云处于一个合适的初始位置；

步骤五，在粗配准的基础上，采用结合法向量夹角约束的点到平面ICP算法进行精配准，使两片点云的配准误差进一步减少。

进一步，所述基于重心邻近点的体素滤波器是以原始点云每个体素网格重心的邻近点近似代替体素内的所有点，具体流程包括：

(1.1)根据原始点云坐标，计算点云在x、y、z轴上的最大值x_max、y_max、z_max和最小值x_min、y_min、z_min；

(1.2)计算点云最小包围盒的边长X、Y、Z；

(1.3)设置每个体素立方体的边长L，则原始点云被分割为l×w×h个体素，

式中ceil(·)为向上取整符；

(1.4)计算原始点云中每个点所在的体素空间的编号N_pi，

(x_i,y_i,z_i)为点云中任意一点p_i的坐标；

(1.5)计算每个体素内所有点的重心，并利用KD-Tree遍历点云，寻找点云中距离重心最近的点代替体素内的所有点，完成下采样。

进一步，所述利用ISS算法提取点云的ISS关键点，其具体流程包括：

(2.1)对点云中的每一个查询点p_i设置邻域搜索半径r；

(2.2)查找点p_i以r为半径的邻域中的所有点，根据邻域点与p_i的欧氏距离计算权重w_ij：

(2.3)根据查询点p_i及其邻域点构造协方差矩阵：

(2.4)计算所述协方差矩阵的特征值，并按从大到小的顺序排列：λ₁＞λ₂＞λ₃；

(2.5)设置阈值ε₁和ε₂，满足下式即可确定p_i为关键点，

式中，ε₁和ε₂通常不超过1。

进一步，所述计算ISS关键点的FPFH特征，其具体流程包括：

(3.1)建立局部坐标系，对任意两点S_i、S_j之间的法线偏差进行参数化统计；

(3.2)根据所述局部坐标系，定义(α,φ,θ,d)四个参数，用来表示任意两点S_i和S_j之间的法线偏差，计算公式如下：

式中，α、φ、θ为两点法线及坐标轴夹角，d为两点之间的欧式距离；

(3.3)计算每个采样点与邻域点之间的四个参数，记为SPFH，则点S的FPFH特征可由下式表示：

其中，d_i为对应点对的欧式距离，S_i为点S的邻域点。

进一步，所述利用SAC-IA算法进行粗配准，具体流程包括：

(4.1)从源点云的ISS关键点中选取若干个采样点，每个采样点之间的欧氏距离要大于设置的最小距离阈值d_min，以保证采样点具有不同的FPFH特征；

(4.2)根据相同或相似的FPFH特征，在目标点云中寻找每个采样点的若干对应点，并随机选择一个对应点，形成对应点对；

(4.3)利用所述对应点对求解初始变换矩阵，并利用误差和Huber函数评价变换矩阵的质量，其函数最小值对应的初始变换矩阵即为粗配准所求的最优变换矩阵。

进一步，所述Huber函数的计算公式如下：

式中，m_l为设定阈值，l_i为第i组对应点对经过变换之后的欧式距离。

进一步，所述利用结合法向量夹角约束的点到平面ICP算法进行精配准，具体流程包括：

(5.1)从目标点云Q中搜索与源点云P中点p_i相对应的最近点q_i，构成对应点对；

(5.2)计算所述5.1中对应点对的法向量夹角，将法向量夹角大于设定阈值

的对应点对剔除；

(5.3)根据筛选后的对应点对计算变换参数T，并使点到平面ICP算法的目标函数f(T)最小，

式中，T为变换矩阵；p_i、q_i分别表示源点云与目标点云中的对应点；n_i表示q_i对应点的法向量；

(5.4)根据所述变换参数T对源点云进行迭代变换，并计算相邻两次迭代对应点集的欧式距离差d，

d＝|d_k+1-d_k|

式中，k为迭代次数；如果小于指定阈值或达到规定的最大迭代次数，则结束迭代，否则重复步骤5.3；

(5.5)计算最终的变换矩阵T，将点云P转换到点云Q所在的坐标系下。

本发明的另一目的在于提供一种基于改进ICP的复杂机械零件测量点云配准系统，所述基于改进ICP的复杂机械零件测量点云配准系统包括：

预处理模块，用于对获取的源点云和目标点云进行体素下采样，采用基于重心邻近点的体素滤波器对零件点云进行下采样预处理，减少点云数量，保留点云表面细微特征；

粗配准模块，用于进行点云粗配准，对预处理后的点云，提取ISS关键点，使点云数量进一步减少，并计算ISS关键点的FPFH特征。根据ISS关键点和FPFH特征寻找对应点对，利用SAC-IA算法进行粗配准，使两片零件点云处于一个合适的初始位置，实现粗配准。

精配准模块，用于进行点云精配准，在粗配准的基础上，采用结合法向量夹角约束的点到平面ICP算法进行精配准，进一步提高点云配准的精度，完成配准。

本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于改进ICP的复杂机械零件测量点云配准方法的步骤。

本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述基于改进ICP的复杂机械零件测量点云配准方法的步骤。

本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述基于改进ICP的复杂机械零件测量点云配准系统。

结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：

本发明采用基于重心邻近点的体素滤波器进行下采样预处理，以原始点云每个体素网格重心的邻近点而非重心近似代替体素内的所有点，保证点云信息表达的准确性，能够降低配准误差。

本发明采用基于ISS-FPFH特征的SAC-IA算法进行粗配准，为传统ICP算法提供一组处于合适初始位置的点云，能够提高零件点云配准成功率。

本发明采用点到平面的ICP算法，减少迭代次数，提高配准效率，并添加法向量夹角约束，利用法向量夹角剔除错误对应点对，提高了配准精度。

本发明提高了零件点云表面信息表达的准确性，降低了配准误差。本发明增加了粗配准，提高了零件点云配准成功率。相比于传统ICP算法，本发明具有更高的配准精度和效率。

本发明的技术方案转化后的预期收益和商业价值为：点云配准是获得测量对象完整点云的基础和必备条件，其精度和效率直接决定了三维非接触精密测量的精度和效率。现有的配准方法往往对初始位置要求较高，容易陷入局部最优解，且迭代收敛速度慢，配准精度和效率较差。本发明提供了一种结合ISS-FPFH特征改进ICP的复杂机械零件测量点云配准方法，能够克服现有技术的不足，提高配准精度和效率，满足大批量复杂机械零件三维非接触精密测量中点云配准的需求。因此，本发明具有广阔的市场空间和较高的商业价值。

附图说明

图1是本发明实施例提供的基于改进ICP的叶片三维测量点云配准方法的流程示意图；

图2是本发明实施例提供的局部坐标系；

图3是本发明实施例提供的叶片点云下采样效果图；(a)为原始点云示意图，(b)为下采样点云云示意图；

图4是本发明实施例提供的提取叶片点云的ISS关键点；

图5是本发明实施例提供的叶片点云粗配准效果图，(a)为初始位置下的两片点云效果图，(b)为经过粗配准之后的两片点云效果图；

图6是本发明实施例提供的叶片点云精配准效果图，(a)为初始位置下的两片点云效果图，(b)为经过精配准之后的两片点云效果图；

图7是本发明实施例提供的三种算法的配准效果图，(a)为初始位置下的两片点云效果图，(b)为传统ICP算法的配准效果图，(c)为SAC-IA+ICP算法的配准效果图，(d)为所述改进算法的配准效果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。

如图1所示，本发明实施例提供的基于改进ICP的复杂机械零件测量点云配准方法包括：

步骤一，采用基于重心邻近点的体素滤波器对零件点云进行下采样预处理，减少点云数量，保留点云表面细微特征；

步骤二，对预处理后的点云，利用ISS关键点算法提取点云的关键点，进一步减少点云数量；

步骤三，计算所述ISS关键点的FPFH特征；

步骤四，根据所述ISS关键点和所述FPFH特征寻找对应点对，并利用SAC-IA算法进行粗配准，使两片零件点云处于一个合适的初始位置；

步骤五，在粗配准的基础上，采用结合法向量夹角约束的点到平面ICP算法进行精配准。

进一步，所述基于重心邻近点的体素滤波器是以原始点云每个体素网格重心的邻近点近似代替体素内的所有点，具体流程包括：

(1.1)根据原始点云坐标，计算点云在x、y、z轴上的最大值x_max、y_max、z_max和最小值x_min、y_min、z_min；

(1.2)计算点云最小包围盒的边长X、Y、Z；

(1.3)设置每个体素立方体的边长L，则原始点云被分割为l×w×h个体素，

式中ceil(·)为向上取整符；

(1.4)计算原始点云中每个点所在的体素空间的编号N_pi，

(x_i,y_i,z_i)为点云中任意一点p_i的坐标；

(1.5)计算每个体素内所有点的重心，并利用KD-Tree遍历点云，寻找点云中距离重心最近的点代替体素内的所有点，完成下采样。

进一步，所述利用ISS关键点算法提取点云的关键点，其具体流程包括：

(2.1)对点云中的每一个查询点p_i设置邻域搜索半径r；

(2.2)查找点p_i以r为半径的邻域中的所有点，根据邻域点与p_i的欧氏距离计算权重w_ij：

(2.3)根据查询点p_i及其邻域点构造协方差矩阵：

(2.4)计算所述协方差矩阵的特征值，并按从大到小的顺序排列：λ₁＞λ₂＞λ₃；

(2.5)设置阈值ε₁和ε₂，满足下式即可确定p_i为关键点，

ε₁和ε₂通常不超过1。

进一步，所述计算ISS关键点的FPFH特征，其具体流程包括：

(3.1)建立局部坐标系，对任意两点S_i、S_j之间的法线偏差进行参数化统计，以S_i为坐标原点建立的局部坐标系如图2所示；

(3.2)根据所述局部坐标系，定义(α,φ,θ,d)四个参数，用来表示任意两点S_i和S_j之间的法线偏差，计算公式如下：

式中，α、φ、θ为两点法线及坐标轴夹角，d为两点之间的欧式距离；

(3.3)计算每个采样点与邻域点之间的四个参数，记为SPFH，则点S的FPFH特征可由下式表示：

其中，d_i为对应点对的欧式距离，S_i为点S的邻域点。

进一步，所述粗配准具体流程包括：

(4.1)从源点云的ISS关键点中选取若干个采样点，每个采样点之间的欧氏距离要大于设置的最小距离阈值d_min，以保证采样点具有不同的FPFH特征；

(4.2)根据相同或相似的FPFH特征，在目标点云中寻找每个采样点的若干对应点，并随机选择一个对应点，形成对应点对；

(4.3)利用所述对应点对求解初始变换矩阵，并利用误差和Huber函数评价变换矩阵的质量，其最小值对应的初始变换矩阵即为粗配准所求的最优变换矩阵。

进一步，所述Huber函数的计算公式如下：

式中，m_l为设定阈值，l_i为第i组对应点对经过变换之后的欧式距离。

进一步，所述精配准，具体流程包括：

(5.1)从目标点云Q中搜索与源点云P中点p_i相对应的最近点q_i，构成对应点对；

(5.2)计算所述5.1中对应点对的法向量夹角，将法向量夹角大于设定阈值α的对应点对剔除；

(5.3)根据筛选后的对应点对计算变换参数T，并使点到平面ICP算法的目标函数f(T)最小，

式中，T为变换矩阵；p_i、q_i分别表示源点云与目标点云中的对应点；n_i表示q_i对应点的法向量；

(5.4)根据所述变换参数T对源点云进行迭代变换，并计算相邻两次迭代对应点集的欧式距离差d，

d＝|d_k+1-d_k|

式中，k为迭代次数；如果小于指定阈值或达到规定的最大迭代次数，则结束迭代，否则重复步骤5.3；

(5.5)计算最终的变换矩阵T，将点云P转换到点云Q所在的坐标系下。

本发明实施例还提供一种基于改进ICP的复杂机械零件测量点云配准系统，所述基于改进ICP的复杂机械零件测量点云配准系统包括：

预处理模块，用于对获取的源点云和目标点云进行体素下采样，采用基于重心邻近点的体素滤波器对零件点云进行下采样预处理，减少点云数量，保留点云表面细微特征；

粗配准模块，用于进行点云粗配准，对预处理后的点云，提取ISS特征点，使点云数量进一步减少，并计算ISS关键点的FPFH特征。根据ISS关键点和FPFH特征寻找对应点对，利用SAC-IA算法进行粗配准，使两片零件点云处于一个合适的初始位置，实现初始配准。

精配准模块，用于进行点云精配准，在粗配准的基础上，采用结合法向量夹角约束的点到平面ICP算法进行精配准，进一步提高点云配准的精度，完成配准。

为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。

如图1所示，本发明实施例提供的一种基于改进ICP的复杂机械零件测量点云配准方法，包括：

首先，利用基于重心邻近点的体素滤波器对两个不同视角的叶片和点云进行下采样预处理，首先对输入的点云数据创建一个三维体素栅格，计算每个体素内所有点的重心，然后利用KD-Tree遍历原始点云，寻找点云中距离重心最近的点，并以该点代替体素内的所有点，完成下采样。

然后，通过叶片点云的查询点及其邻域点构建协方差矩阵，计算协方差矩阵的三个特征值，然后将特征值按从大到小的顺序排列：λ₁＞λ₂＞λ₃，设置ε₁＝0.975，ε₂＝0.975，将满足λ₂/λ₁≤ε₁和λ₃/λ₂≤ε₁的查询点作为ISS关键点。

通过建立局部坐标系，确定叶片点云ISS关键点及其邻域点的相互位置关系，并定义(α,φ,θ,d)四个参数，用来表示两点之间的法线偏差，通过对ISS关键点及其邻域点的法线夹角进行参数化统计，估计点云的FPFH特征估计，其邻域点的数量设置为10。

其次，采用SAC-IA算法完成粗配准，首先在源点云的ISS关键点中随机选取若干个点，并保证它们之间的最小距离大于0.007，然后利用S103计算所选点的FPFH特征，并在目标点云中通过KD-Tree最近邻搜索寻找一组FPFH特征相似的点，并从这些相似点中任选一个点作为对应点，并计算变换参数T，当达到最大迭代次数时，选出最小误差对应的变换矩阵T。

最后，在粗配准的基础上，采用结合法向量夹角约束的点到平面ICP算法完成点云精配准，设置对应点对的法向量夹角为15°，将法向量夹角大于15°的对应点对去除，提高对应点对的正确率，然后根据筛选后的对应点对，利用奇异值分解法计算变换矩阵，并通过多次迭代，计算出使目标函数

最小的变换参数T，最后完成点云变换，实现精配准。

本发明实施例提供的基于改进ICP的复杂机械零件测量点云配准方法实施过程为：

1.利用基于重心邻近点的体素滤波器对两个不同视角的叶片点云进行下采样预处理，首先对输入的点云数据创建一个三维体素栅格，设置每个体素的边长L为1.5，然后计算每个体素内所有点的重心，并利用KD-Tree遍历原始点云，寻找点云中距离重心最近的点，并已该点代替体素内的所有点，完成下采样，图3为对叶片点云下采样的效果图，点云数量由59935、56938减少为18032、17320。

2.通过叶片点云的查询点及其邻域点构建协方差矩阵，并计算协方差矩阵的三个特征值，然后将特征值按从大到小的顺序排列：λ₁＞λ₂＞λ₃，设置ε₁＝0.975，ε₂＝0.975，将满足λ₂/λ₁≤ε1和λ₃/λ₂≤ε1的查询点作为ISS关键点，图4中红点为提取的叶片点云的ISS关键点，其数量分别为783、752个。

3.通过建立局部坐标系，确定叶片点云ISS关键点及其邻域点的相互位置关系，并定义(α,φ,θ,d)四个参数，用来表示两点之间的法线偏差，通过对ISS关键点及其邻域点的法线夹角进行参数化统计，估计点云的FPFH特征估计，其邻域点的数量设置为10。

4.采用SAC-IA算法完成粗配准，首先在源点云的ISS关键点中随机选取若干个点，并保证它们之间的最小距离大于0.007，然后利用步骤103计算所选点的FPFH特征，并在目标点云中通过KD-Tree最近邻搜索寻找一组FPFH特征相似的点，并从这些相似点中任选一个点作为对应点，并计算变换参数T，当达到最大迭代次数时，选出最小误差对应的变换矩阵T，图5所示为叶片点云的粗配准效果图，其中配准的均方根误差为3.1，变换矩阵T为

5.在粗配准的基础上，采用结合法向量夹角约束的点到平面ICP算法完成点云精配准，设置对应点对的法向量夹角为15°，将法向量夹角大于15°的对应点对去除，提高对应点对的正确率，然后根据筛选后的对应点对，利用奇异值分解法计算变换矩阵，并通过多次迭代，计算出使目标函数

最小的变换参数T，最后完成点云变换，实现精配准，图6所示为叶片点云的精配准效果图，其中配准的均方根误差为0.1，变换矩阵T为

本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。

以叶片为实验对象，将本发明算法与传统ICP算法和SAC-IA+ICP算法进行测量点云配准实验并进行对比分析，配准结果如表1和图7所示。从图7可以看出，三种算法均完成了零件的点云配准，但是由图7(b)的局部放大图可知，仅依靠传统ICP算法的配准效果并不好。结合表1具体数据分析可知，相比其他两种算法，本发明公开的算法获得了更高的配准精度和配准效率。就配准精度而言，本发明公开的算法的均方根误差相比其他两种算法分别减少了80.06％、62.96％，原因在于粗配准为精配准提供了更好的初始位置，并且添加了法向量夹角约束，提高了对应点对的正确率，使配准精度进一步提高。就配准效率而言，本发明公开的算法的配准时间相比其他两种算法分别减少了65.71％、26.53％，理论上在粗配准中计算FPFH特征会消耗大量的时间，但是本发明公开的算法进行了下采样预处理，并提取了ISS关键点，使计算时间大量缩减，加之迭代次数的减少，使本发明公开的算法的配准时间进一步减少。

表1三种算法的相关配准数据。

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于改进ICP的复杂机械零件测量点云配准方法，其特征在于，所述基于改进ICP的复杂机械零件测量点云配准方法包括：

步骤一，采用基于重心邻近点的体素滤波器对零件点云进行下采样预处理，以每个体素重心邻近点而非重心代替体素内所有点，减少点云数量，保留点云表面细微特征；

步骤二，对预处理后的点云，利用ISS算法提取点云的ISS关键点，进一步减少点云数量；

步骤三，建立局部坐标系，计算所述ISS关键点的FPFH特征；

步骤四，根据所述ISS关键点及其对应的FPFH特征寻找对应点对，并利用SAC-IA算法进行粗配准，使两片零件点云处于一个合适的初始位置；

步骤五，在粗配准的基础上，采用结合法向量夹角约束的点到平面ICP算法进行精配准，使两片点云的配准误差进一步减少。

2.如权利要求1所述基于改进ICP的复杂机械零件测量点云配准方法，其特征在于，所述步骤一基于重心邻近点的体素滤波器是以原始点云每个体素网格重心的邻近点近似代替体素内的所有点，具体流程包括：

(1.1)根据原始点云坐标，计算点云在x、y、z轴上的最大值x_max、y_max、z_max和最小值x_min、y_min、z_min；

(1.2)计算点云最小包围盒的边长X、Y、Z；

(1.3)设置每个体素立方体的边长L，则原始点云被分割为l×w×h个体素，

式中ceil(·)为向上取整符；

(1.4)计算原始点云中每个点所在的体素空间的编号

(x_i,y_i,z_i)为点云中任意一点p_i的坐标；

(1.5)计算每个体素内所有点的重心，并利用KD-Tree遍历点云，寻找点云中距离重心最近的点代替体素内的所有点，完成下采样。

3.如权利要求1所述基于改进ICP的复杂机械零件测量点云配准方法，其特征在于，所述步骤二中利用ISS关键点算法提取点云的关键点，其具体流程包括：

(2.1)对点云中的每一个查询点p_i设置邻域搜索半径r；

(2.2)查找点p_i以r为半径的邻域中的所有点，根据邻域点与p_i的欧氏距离计算权重w_ij：

(2.3)根据查询点p_i及其邻域点构造协方差矩阵：

(2.4)计算所述协方差矩阵的特征值，并按从大到小的顺序排列：λ₁＞λ₂＞λ₃；

(2.5)设置阈值ε₁和ε₂，满足下式即可确定p_i为关键点，

ε₁和ε₂通常不超过1。

4.如权利要求1所述基于改进ICP的复杂机械零件测量点云配准方法，其特征在于，所述步骤三中计算ISS关键点的FPFH特征，其具体流程包括：

(3.1)建立局部坐标系，对任意两点S_i、S_j之间的法线偏差进行参数化统计；

(3.2)根据所述局部坐标系，定义(α,φ,θ,d)四个参数，用来表示任意两点S_i和S_j之间的法线偏差，计算公式如下：

式中，α、φ、θ为两点法线及坐标轴夹角，d为两点之间的欧式距离；

(3.3)计算每个采样点与邻域点之间的四个参数，记为SPFH，则点S的FPFH特征可由下式表示：

其中，d_i为对应点对的欧式距离，S_i为点S的邻域点。

5.如权利要求1所述基于改进ICP的复杂机械零件测量点云配准方法，其特征在于，所述步骤四中利用SAC-IA算法进行粗配准的具体流程包括：

(4.1)从源点云的ISS关键点中选取若干个采样点，每个采样点之间的欧氏距离要大于设置的最小距离阈值d_min，以保证采样点具有不同的FPFH特征；

(4.2)根据相同或相似的FPFH特征，在目标点云中寻找每个采样点的若干对应点，并随机选择一个对应点，形成对应点对；

(4.3)利用所述对应点对求解初始变换矩阵，并利用误差和Huber函数评价变换矩阵的质量，其函数最小值对应的初始变换矩阵即为粗配准所求的最优变换矩阵。所述Huber函数的计算公式如下：

式中，m_l为设定阈值，l_i为第i组对应点对经过变换之后的欧式距离。

6.如权利要求1所述基于改进ICP的复杂机械零件测量点云配准方法，其特征在于，所述步骤五中精配准的具体流程包括：

(5.1)从目标点云Q中搜索与源点云P中点p_i相对应的最近点q_i，构成对应点对；

(5.2)计算所述5.1中对应点对的法向量夹角，将法向量夹角大于设定阈值

的对应点对剔除；

(5.3)根据筛选后的对应点对计算变换参数T，并使点到平面ICP算法的目标函数f(T)最小，

式中，T为变换矩阵；p_i、q_i分别表示源点云与目标点云中的对应点；n_i表示q_i对应点的法向量；

(5.4)根据所述变换参数T对源点云进行迭代变换，并计算相邻两次迭代对应点集的欧式距离差d，

d＝|d_k+1-d_k|

式中，k为迭代次数；如果小于指定阈值或达到规定的最大迭代次数，则结束迭代，否则重复步骤5.3；

(5.5)计算最终的变换矩阵T，将点云P转换到点云Q所在的坐标系下。

7.一种实施如权利要求1-7任意一项所述基于改进ICP的复杂机械零件测量点云配准方法的基于改进ICP的复杂机械零件测量点云配准系统，其特征在于，所述基于改进ICP的复杂机械零件测量点云配准系统包括：

预处理模块，用于对获取的源点云和目标点云进行体素下采样，采用基于重心邻近点的体素滤波器对零件点云进行下采样预处理，减少点云数量，保留点云表面细微特征；

粗配准模块，用于进行点云粗配准，对预处理后的点云，提取ISS特征点，使点云数量进一步减少，并计算ISS关键点的FPFH特征，根据ISS关键点和FPFH特征寻找对应点对，利用SAC-IA算法进行粗配准，使两片零件点云处于一个合适的初始位置，实现初始配准；

精配准模块，用于进行点云精配准，在粗配准的基础上，采用结合法向量夹角约束的点到平面ICP算法进行精配准，进一步提高点云配准的精度，完成配准。

8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-7任意一项所述基于改进ICP的复杂机械零件测量点云配准方法的步骤。

9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1-7任意一项所述基于改进ICP的复杂机械零件测量点云配准方法的步骤。

10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述基于改进ICP的复杂机械零件测量点云配准系统。

Images