形貌约束的点云数据配准序列确定方法技术

本发明专利技术为提高大数据量多视角点云数据的配准效率，提出一种形貌约束的点云数据配准序列确定方法，属于产品逆向工程领域。通过主成分分析度量点云的局部形貌平坦程度，分割平坦区域点云并提取距离质心最近点作为核心点进行自适应简化，以点云中所有样点到拟合平面的偏差均值量化多视角点云的形貌复杂度，并通过形貌复杂度确定配准序列。本发明专利技术适用于具有重叠区域的有序多视角点云数据，可在显著降低点云规模的前提下有效降低配准过程中的累计误差，提高整体配准效率。提高整体配准效率。

【技术实现步骤摘要】
形貌约束的点云数据配准序列确定方法


[0001]本专利技术提供一种形貌约束的点云数据配准序列确定方法，属于产品逆向工程


技术介绍

[0002]在逆向工程领域，三维扫描设备中主流的光栅式投影设备和双目视觉测量设备在扫描过程中受到扫描视角的限制，通常难以一次性获得完整的数据模型，需变换视角多次扫描，然后采用点云配准方法将多个不同视角的扫描数据即多视角点云数据统一到同一坐标系中。
[0003]对现有技术文献检索发现，Chen等在学术期刊《Image and Vision Computing》1992.10(3):145-155发表的论文“Object modeling by registration of multiple range images”中首先将其中一个视角的扫描数据所在的坐标系确定为基准坐标系，然后根据顺序依次添加新的扫描数据进行配准，直到获得完整的数据模型。Bergevin等在学术期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》1996.18(5):540-547发表的论文“Towards a general multi-view registration technique”中将扫描数据先进行两两配准，并迭代此过程直到配准误差被均匀分配到每次配准过程中，避免了配准误差的累积但配准效率大大降低。徐思雨等在学术期刊《自动化学报》2019,45(08):1486-1494发表的论文“逐步求精的多视角点云配准方法”中首先构建初始配准模型，然后按照双视角配准算法计算配准参数并调整配准模型，以便求解后续配准参数，通过迭代求解配准参数并调整配准模型可最终实现全局配准。Mateo等在学术期刊《Computer Vision and Image Understanding》2014.118:84-96发表的论文“Bayesian perspective for the registration of multiple 3D views”中通过期望最大化算法将多视图点云配准问题嵌入到贝叶斯框架中，同时考虑双视图的对应关系及噪声影响，最后进行后验判断，提高了配准的整体精度及稳健性。Evangelidis等在学术期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》2018,40(6):1397-1410发表的论文“Joint Alignment of Multiple Point Sets with Batch and Incremental Expectation-Maximization”中将扫描数据中的每个点都视为从高斯混合模型中抽取的样本点，从而将多视角扫描数据的配准问题转化为聚类分析问题，通过期望最大化方法计算计算扫描数据间的变换矩阵，提高了整体的配准精度。
[0004]综上所述，现有点云数据配准方法主要通过顺序添加点云数据进行配准，当点云数据的样点规模较大或某相邻视角重叠区域较小时，配准效率依然不高，并且会形成较大的累计误差，因此如何实现大数据量多视角点云的快速精确配准，是逆向工程领域的研究重点及难点。

技术实现思路

[0005]为解决上述技术问题，本专利技术采用一种形貌约束的点云数据配准序列确定方法，
该方法适用于大数据量的有序多视角点云数据，可在维持点云原有形貌的基础上有效简化点云，并有效减少配准过程的累计误差。其技术方案为：
[0006]一种形貌约束的点云数据配准序列确定方法，其特征在于依次包含以下步骤：(1)基于平坦形貌对点云数据进行简化；(2)计算点云数据的形貌复杂度；(3)根据点云数据的形貌复杂度确定配准序列。
[0007]为实现专利技术目的，所述的形貌约束的点云数据配准序列确定方法，其特征在于：步骤(1)中，基于平坦形貌对点云数据进行简化，具体步骤为：1)设多视角点云数据为{P1,P2,
…
,P
N
}，i
←
1；2)采用k均值聚类算法对点云数据P
i
进行分割，获得结果C＝{C1,C2,
…
,C
k
}；3)Q
i
←
φ；4)构造C中的任意子集C
r
的协方差矩阵Cov(C
r
)并进行特征值分解，获得最小特征值λ，在C中剔除C
r
；5)设阈值为ε，若λ≤ε，则Q1←
Q1∪{C
r
}，转步骤7)，否则转步骤6)；6)采用k均值聚类算法对C
r
进行再次分割获得C
′
＝{C
′1,C
′2,
…
,C
′
k
}，C
←
C∪C
′
；7)重复步骤4)到步骤6)，直至C为空集，获得递归分割结果Q
i
＝{Q
i1
,Q
i2
,
…
,Q
in
}；8)提取Q
i
中每个子集中距离质心最近的点作为核心点，构造简化点集P
′
i
；9)i
←
i+1；10)重复步骤2)到步骤9)，直至i＝N，获得多视角点云数据的简化结果{P
′1,P
′2,
…
,P
′
N
}。
[0008]为实现专利技术目的，所述的形貌约束的点云数据配准序列确定方法，其特征在于：步骤2)中计算点云数据的形貌复杂度，具体步骤为：1)多视角点云数据为{P1,P2,
…
,P
N
}，i
←
1；2)构造点云数据P
i
的协方差矩阵并进行特征值分解；3)设最小特征值对应的特征向量为v＝[u v w]T
，计算P
i
的质心为则P
i
的拟合平面方程为4)根据公式：计算P
i
的形貌复杂度其中N
i
为P
i
中的样点数量；5)i
←
i+1；6)重复步骤2)到步骤5)，直至i＝N，获得多视角点云数据的形貌复杂度
[0009]为实现专利技术目的，所述的形貌约束的点云数据配准序列确定方法，其特征在于：步骤(3)中，根据点云数据的形貌复杂度确定配准序列，具体步骤为：1)选取多视角简化点集{P
′1,P
′2,
…
,P
′
N
}中最大形貌复杂度所对应的简化点集P
′
i
作为固定点云；2)分别将P
′
i
与P
′
i+1
、P
′
i-1
进行配准，获得配准结果P
′
i.1
、P
′
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种形貌约束的点云数据配准序列确定方法，其特征在于依次包含以下步骤：(1)基于平坦形貌对点云数据进行简化；(2)计算点云数据的形貌复杂度；(3)根据点云数据的形貌复杂度确定配准序列。2.如权利要求1所述的形貌约束的点云数据配准序列确定方法，其特征在于：步骤(1)中，基于平坦形貌对点云数据进行简化，具体步骤为：1)设多视角点云数据为{P1,P2,
…
,P
N
}，i
←
1；2)采用k均值聚类算法对点云数据P
i
进行分割，获得结果C＝{C1,C2,
…
,C
k
}；3)Q
i
←
φ；4)构造C中的任意子集C
r
的协方差矩阵Cov(C
r
)并进行特征值分解，获得最小特征值λ，在C中剔除C
r
；5)设阈值为ε，若λ≤ε，则Q1←
Q1∪{C
r
}，转步骤7)，否则转步骤6)；6)采用k均值聚类算法对C
r
进行再次分割获得C
′
＝{C
′1,C
′2,
…
,C
′
k
}，C
←
C∪C
′
；7)重复步骤4)到步骤6)，直至C为空集，获得递归分割结果Q
i
＝{Q
i1
,Q
i2
,
…
,Q
in
}；8)提取Q
i
中每个子集中距离质心最近的点作为核心点，构造简化点集P
′
i
；9)i
←
i+1；10)重复步骤2)到步骤9)，直至i＝N，获得多视角点云数据的简化结果{P
′1,P
′2,
…
,P
′
N
}。3.如权利要求1所述的形貌约束的点云数据配准序列确定方法，其特征在于：步骤2)中计算点云数据的形貌复杂度，具体步骤为：1)多视角点云数据为{P1,P2,
…
,P
N
}，i
←
1；2)构造点云数据P

【专利技术属性】
技术研发人员：孙殿柱，林伟，李延瑞，沈江华，
申请(专利权)人：山东理工大学，
类型：发明
国别省市：