一种基于多维空间不变特征的平板类零件点云拼接方法技术

本发明专利技术公开了一种基于多维空间不变特征的平板类零件点云拼接方法。利用最邻近点迭代算法计算点云旋转矩阵，计算多组取样半径，针对不同的取样半径，利用点云纹理和点云密度特征，计算各点在不同尺度下的协方差矩阵，构建协方差描述符；定义两协方差描述符间的多尺度流式距离；根据流式距离确定两点云中的匹配点对并粗配准，获得平移矩阵；再进行最邻近点迭代算法获得旋转矩阵；获得最终变换矩阵，完成拼接。本发明专利技术通过对点云中各点定义协方差描述符，利用某点处具有空间不变特性的密度特征和纹理特征，实现平板类零件点云的自动拼接，适合于带有孔特征的板状零件点云的拼接。

【技术实现步骤摘要】
一种基于多维空间不变特征的平板类零件点云拼接方法
本专利技术涉及三维点云数据后处理领域，主要涉及一种基于多维空间不变特征的平板类零件点云拼接方法。
技术介绍
在工业生产中，作为覆盖件、底板或基体类零件的平板类零件具有广泛应用。为保证生产质量，需要对这类平板类零件的成形质量进行检测。近年来，作为一种测量精度较高的非接触式点云获取方法，结构光三维测量技术发展迅速，越来越多的企业开始采用这种技术对成形零件的结构尺寸进行三维重构，以检测零件成形是否满足设计要求。受大型平板类零件的尺寸限制，结构光三维测量设备往往只能从某一单一视角进行测量。由于从单一视角获得的点云仅能体现被测物体的部分特征，为获得被测物体的完整点云，需要将多幅单视角点云进行拼接。现有的点云拼接方法主要包括两类，一类是需要人工辅助的拼接方法，另一类是无辅助的自动拼接方法。由于大型平板类冲压零件的几何特征较少，采用无辅助的自动拼接方法难以实现正确拼接，因此，在生产实践中，为获取这类大型平板类冲压零件的点云，多采用人工辅助法对多幅点云进行拼接。王曼等通过在待测物体表面设置人工标记点，辅助实现点云的拼接。达飞鹏等提出为保证拼接的精度，标记点的形状应尽量接近等边三角形，标记点的尺寸应足够大，且标记点应在待测物体表面各种高度不同的区域尽可能多的分布。龙玺等利用运动定位装置确定多视角点云间的平移矩阵和旋转矩阵。罗先波等人将人工标记点设计成外方内圆、外黑内白的形式，便于特征点集的获取。由此可见，人工辅助法在多幅点云的拼接中主要存在以下问题：第一，人工标记点的辅助拼接方法，对标记点形状、尺寸、位置的设置具有较高要求，且破坏待测物体表面的完整性；第二，采用定位装置确定多视角点云间位置变换矩阵的方法，拼接结果受到定位装置精度的影响，且设备体积较大，操作灵活性差。为避免上述有辅助拼接方法中存在的问题，无辅助的自动拼接方法受到广泛关注。现有的无辅助拼接方法主要包括两类，一类是Besl等人提出的最邻近点迭代算法，另一类是基于点云表面特征的拼接方法。在结构上，大型平板类冲压零件整体上大多表现为少纹理且曲率变化不明显的平面，因此，最邻近点迭代算法在原理上无法实现这类冲压类零件点云的正确拼接，需要利用大型平板类冲压零件的纹理特征进行配准。现有的基于点云表面特征的配准方法中，Cirujeda等人利用颜色和纹理信息进行拼接；朱延娟等人基于点云曲率信息对点云特征进行拼接；陆军等人利用点云的多尺度法向特征进行拼接。但是，上述拼接方法存在所利用的点云表面信息较少或信息不易获取的问题，且稳定性较差，难以对少特征的大型平板类零件进行拼接。
技术实现思路
针对上述问题，本专利技术提出了一种基于多维空间不变特性的平板类零件点云拼接方法，通过对点云中各点定义协方差描述符，利用某点处具有空间不变特性的密度特征和纹理特征，实现平板类零件点云的自动拼接，特别适合于带有孔特征的板状零件点云的拼接。如图1所示，本专利技术所采用的技术方案是：步骤1：针对相机分别从两个不同视角获得平板类零件的两个待拼接点云，利用最邻近点迭代算法计算两个待拼接点云之间的点云旋转矩阵R1，并利用点云旋转矩阵将其中一个待拼接点云进行空间变换，利用空间变换后的第一个待拼接点云和未空间变换后的第二个待拼接点云一起为后续拼接提供初值，从而获得两个初始点云，其中一个初始点云为经空间变换后的那个待拼接点云，另一个初始点云为未经空间变换后的另一个待拼接点云；步骤1中计算出旋转矩阵R1后，该步骤能防止后续特征点自动搜索时所获得的特征点过少而无法实现正确拼接，大大减少实现后续点云的拼接所需匹配点对的对数。步骤2：根据切比雪夫不等式，在保证取样有效性的前提下，以点云中的每一点作为基准点进行遍历，采用以下方式处理：首先计算基准点处的最小取样半径值，并以此为基准确定取样半径系列；然后针对取样半径系列的不同取样半径值，计算基准点邻域内密度信息和纹理信息的平均值，构造基准点的特征融合向量，获得变尺度条件下的一组协方差矩阵，最后构建基准点的协方差描述符作为点云中基准点特征度量；所述最小取样半径值是指在基准点的邻域内对点云的局部特征进行估计，为保证估计准确性不低于一定把握，该球形区域内所含点云点的数目(不包括区域边界上的点)存在一个最小值，当满足该最小值时，该球形区域的半径即为最小取样半径。所述保证估计准确性的一定把握，通过取样半径值的尺度进行度量，对于点云中的不同基准点，由于各基准点处点云的局部密度不同，在相同的尺度下，取样半径值可能不同，但取样半径值所应的邻域内，均包含相同数目的点，即相同尺度的取样半径值对估计的准确性也具有相同程度的把握。所述基准点的邻域是指以基准点为中心、以固定尺度的取样半径值为半径而唯一确定的一个不包含边界的球形区域，作为基准点的邻域。步骤3：定义分别位于两初始点云的两点间的多尺度流式距离，描述分别位于不同两个初始点云中的两点间的相似程度；步骤4：根据所有分别位于两初始点云的两点间的多尺度流式距离，构造多尺度流式距离矩阵，确定两初始点云中的匹配点对，计算两待拼接点云间的平移矩阵和旋转矩阵，并以此将两初始点云进行粗配准；所述配准，即将待拼接点云进行拼接的过程；所述粗配准，表示该次拼接过程实施后，还需要经过后续进一步拼接，进一步完善拼接效果。步骤5：在粗配准之后，再次应用最邻近点迭代算法采用和步骤1的相同方式获得更精确的旋转矩阵R3，利用步骤4获得的平移矩阵T2并结合更精确的旋转矩阵R3获得最终变换矩阵，利用最终变换矩阵对两初始点云的其中之一进行变换后拼接。所述步骤2中，针对基准点采用以下步骤处理：步骤2.1：根据切比雪夫不等式，确定点云中基准点邻域内所包含的点的最小数目nmin；式中，σ2为随机变量的方差，点云中的所有点构成随机变量的样本空间；对于点云中的任一点，随机变量均有唯一的取值，该特征可以通过该点处的密度特征或曲率特征进行定义。ε为所允许的随机变量取样值偏离样本中心的程度，取ε＝0.1；P为置信度，取P＝0.95；步骤2.2：根据取样点最小数目nmin和点云分布密度确定基准点p处的最小取样半径值R0(p)，最小取样半径值使得基准点邻域内所包含点的数目等于步骤2.1所获得的点的最小数目；步骤2.3：将步骤2.2中获得的最小取样半径值，分别乘以不同的放大系数，一个放大系数代表一个尺度，不同的放大系数代表了不同的尺度，获得不同尺度的取样半径值，进而组成取样半径系列，基准点p处的取样半径系列表示为R(p)＝{R(p,i)|R(p,i)＝(R0(p))(i-1)/5,i＝1,2,…}，具体实施可为{R0(p),1.1R0(p),1.3R0(p),1.5R0(p),1.7R0(p),2R0(p)}，其中，i表示取样半径值的第i个尺度，R0(p)表示基准点p处的最小取样半径值，R(p,i)表示基准点p处的第i个尺度的取样半径值；步骤2.4：在基准点处，对于取样半径系列中的多个取样半径值，逐一计算基准点处不同尺度的具有空间不变特性的特征融合向量；所述的特征融合向量由两个距离特征元素和三个纹理特征元素的共计五个元素组成；所述距离特征元素包括：基准点邻域内各点与基准点距离的均值，作为距离大小特征；基准点邻域内各点与基准点距离的标准差，作为距离离散特征；本文档来自技高网...

【技术保护点】
1.一种基于多维空间不变特征的平板类零件点云拼接方法，其特征在于，包括如下步骤：步骤1：针对相机分别从两个不同视角获得平板类零件的两个待拼接点云，利用最邻近点迭代算法计算两个待拼接点云之间的点云旋转矩阵R1，并利用点云旋转矩阵将其中一个待拼接点云进行空间变换，从而获得两个初始点云；步骤2：根据切比雪夫不等式，以点云中的每一点作为基准点进行遍历，采用以下方式处理：首先计算基准点处的最小取样半径值，并以此为基准确定取样半径系列；然后针对取样半径系列的不同取样半径值，计算基准点邻域内密度信息和纹理信息的平均值，构造基准点的特征融合向量，获得变尺度条件下的一组协方差矩阵，最后构建基准点的协方差描述符作为点云中基准点特征度量；步骤3：定义分别位于两初始点云的两点间的多尺度流式距离，描述分别位于不同两个初始点云中的两点间的相似程度；步骤4：根据所有分别位于两初始点云的两点间的多尺度流式距离，构造多尺度流式距离矩阵，确定两初始点云中的匹配点对，计算两待拼接点云间的平移矩阵和旋转矩阵，并以此将两初始点云进行粗配准；步骤5：在粗配准之后，再次应用最邻近点迭代算法采用和步骤1的相同方式获得更精确的旋转矩阵R3，利用步骤4获得的平移矩阵T2并结合更精确的旋转矩阵R3获得最终变换矩阵，利用最终变换矩阵对两初始点云的其中之一进行变换后拼接。...

【技术特征摘要】
1.一种基于多维空间不变特征的平板类零件点云拼接方法，其特征在于，包括如下步骤：步骤1：针对相机分别从两个不同视角获得平板类零件的两个待拼接点云，利用最邻近点迭代算法计算两个待拼接点云之间的点云旋转矩阵R1，并利用点云旋转矩阵将其中一个待拼接点云进行空间变换，从而获得两个初始点云；步骤2：根据切比雪夫不等式，以点云中的每一点作为基准点进行遍历，采用以下方式处理：首先计算基准点处的最小取样半径值，并以此为基准确定取样半径系列；然后针对取样半径系列的不同取样半径值，计算基准点邻域内密度信息和纹理信息的平均值，构造基准点的特征融合向量，获得变尺度条件下的一组协方差矩阵，最后构建基准点的协方差描述符作为点云中基准点特征度量；步骤3：定义分别位于两初始点云的两点间的多尺度流式距离，描述分别位于不同两个初始点云中的两点间的相似程度；步骤4：根据所有分别位于两初始点云的两点间的多尺度流式距离，构造多尺度流式距离矩阵，确定两初始点云中的匹配点对，计算两待拼接点云间的平移矩阵和旋转矩阵，并以此将两初始点云进行粗配准；步骤5：在粗配准之后，再次应用最邻近点迭代算法采用和步骤1的相同方式获得更精确的旋转矩阵R3，利用步骤4获得的平移矩阵T2并结合更精确的旋转矩阵R3获得最终变换矩阵，利用最终变换矩阵对两初始点云的其中之一进行变换后拼接。2.根据权利要求1所述的一种基于多维空间不变特征的平板类零件点云拼接方法，其特征在于：所述步骤2中，针对基准点采用以下步骤处理：步骤2.1：根据切比雪夫不等式，确定点云中基准点邻域内所包含的点的最小数目nmin；式中，σ2为随机变量的方差，点云中的所有点构成随机变量的样本空间；ε为所允许的随机变量取样值偏离样本中心的程度，取ε＝0.1；P为置信度，取P＝0.95；步骤2.2：根据取样点最小数目nmin和点云分布密度确定基准点p处的最小取样半径值R0(p)，最小取样半径值使得基准点邻域内所包含点的数目等于步骤2.1所获得的点的最小数目；步骤2.3：将步骤2.2中获得的最小取样半径值，分别乘以不同的放大系数，获得不同尺度的取样半径值，进而组成取样半径系列，基准点p处的取样半径系列表示为R(p)＝{R(p,i)|R(p,i)＝(R0(p))(i-1)/5,i＝1,2,…}，其中，i表示取样半径值的第i个尺度，R0(p)表示基准点p处的最小取样半径值，R(p,i)表示基准点p处的第i个尺度的取样半径值；步骤2.4：在基准点处，对于取样半径系列中的多个取样半径值，逐一计算基准点处不同尺度的的特征融合向量；所述的特征融合向量由两个距离特征元素和三个纹理特征元素的共计五个元素组成；所述距离特征元素包括：基准点邻域内各点与基准点距离的均值，作为距离大小特征；基准点邻域内各点与基准点距离的标准差，作为距离离散特征；所述纹理特征元素包括通过计算三个空间偏角各自在基准点邻域内所有点处的均值而得到的三个曲率特征，三个空间偏角为通过基准点邻域内各点处的法向量相对于基准点处法向量的三个空间偏角，三个空间偏角具体为；第一个空间偏角为基准点邻域内的点和基准点之间的连线与基准点的法向量之间的较小空间夹角，第二个空间偏角为基准点邻域内的点和基准点之间的连线与基准点邻域内的点的法向量之间的较小空间夹角，第三个空间偏角为基准点邻域内的点的法向量与基准点的法向量之间的较小空间夹角；对于取样半径值R(p,i)，计算基准点p处的特征融合向量为f(p,R(p,i))＝[d(p,i),σ(p,i),α(p,i),β(p,i),γ(p,i)]T，其中，d(p,i)和σ(p,i)元素分别为距离特征元素的距离大小特征、距离离散特征，α(p,i),β(p,i),γ(p,i)元素分别为纹理特征元素的第一个到第三个空间偏角对应的曲率特征；步骤2.5：根据步骤2.4所获得的基准点p处不同取样半径值所对应的多个特征融合向量，计算特征融合向量中各元素在不同取样半径值下的均值，并将各元素的均值按照特征融合向量中元素对应顺序组成基准点处特征融合向量均值；具体计算以...

【专利技术属性】
技术研发人员：赵昕玥，李沛隆，何再兴，张树有，谭建荣，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33