一种三维测量点云优化配准方法技术

本发明专利技术一种三维测量点云优化配准方法属于数字化制造技术领域，特别涉及一种三维测量点云优化配准方法。方法中，首先获取源点云及目标点云；其次对三维点云进行去噪预处理；然后采用基于Markov蒙特卡洛的模拟退火配准算法求解全局最优配准变换矩阵；最后利用ICP配准法迭代完成精配准。该方法解决了ICP配准法中收敛至局部最优解的问题，实现了三维点云配准过程中变换矩阵全局优化求解，避免了陷入局部最优，提高了三维点云配准精确度，优于传统的ICP配准法。采用基于Markov蒙特卡洛法实现了参数采样，加快了算法收敛速度，提高了点云配准精确度，对点云的适应能力强，算法鲁棒性好。

An optimized registration method for 3D measurement point cloud

The invention relates to a 3D measurement point cloud optimization registration method, which belongs to the field of digital manufacturing technology, in particular to a 3D measurement point cloud optimization registration method. In this method, the source point cloud and the target point cloud are obtained firstly, then the three-dimensional point cloud is denoised and preprocessed, then the simulated annealing registration algorithm based on Markov Monte Carlo is used to solve the global optimal registration transformation matrix, and finally the ICP registration method is used to iteratively complete the accurate registration. This method solves the problem of convergence to local optimum in ICP registration method, realizes the global optimization of transformation matrix in the process of 3D point cloud registration, avoids falling into local optimum, improves the accuracy of 3D point cloud registration, and is superior to the traditional ICP registration method. Parameter sampling based on Markov Monte Carlo method is implemented, which speeds up the convergence speed, improves the accuracy of point cloud registration, has strong adaptability to point cloud, and has good robustness.

【技术实现步骤摘要】
一种三维测量点云优化配准方法
本专利技术属于数字化制造
，特别涉及一种三维测量点云优化配准方法。
技术介绍
点云数据配准技术的迅速发展，从最初的几何误差评定和逆向工程扩展到误差溯源分析、精密装配等数字化制造领域。源点云须与目标点云相匹配，才能得到理想的评估方案，其配准精度是工件定位、误差评定中的一个重要保证。点云数据配准关键是求解源点云和目标点云之间的变换矩阵。点云精配准大多采用迭代最近点法，即ICP配准法，其核心是迭代寻找最优变换矩阵，直至两点云间匹配误差小于设定阈值。然而，ICP配准法往往基于最邻近算法找到最优配准状态，对点云初始位置要求较为严格，否则易陷入局部最优，造成配准失败。而且，ICP配准法是计算密集型算法，配准参数计算耗时长，配准效率较低。基于Markov蒙特卡洛的模拟退火法，是基于迭代求解策略的全局优化算法，可以在多个局部最优解中求解出全局最优解。将基于Markov蒙特卡洛的模拟退火法应用到点云配准中，改进传统的ICP配准法，可以加快参数采样过程，避免配准求解陷入局部最优，提高精确配准算法的收敛速度。因此，利用基于Markov蒙特卡洛的模拟退火法为三维测量点云优本文档来自技高网...

【技术保护点】
1.一种三维测量点云优化配准方法，其特征是：该方法在三维点云配准过程中，首先获取源点云及目标点云；其次对三维点云进行预处理；然后采用基于Markov蒙特卡洛的模拟退火配准算法求解全局最优配准变换矩阵；最后利用ICP配准法迭代完成精配准；方法的具体步骤如下：第一步，源点云与目标点云获取采用测量仪器对工件轮廓进行三维数字化测量，得到工件实际测量点云，即源点云；利用三维设计软件平台，提取设计模型点云，即目标点云；第二步，三维点云预处理采用邻域平均法对源点云及目标点云进行去噪处理，剔除离群值；对两点云建立拓扑关系，搜索点云中点dm的k‑邻域N(dm)，计算点dm与其k‑邻域N(dm)内各点间的平均距离...

【技术特征摘要】
1.一种三维测量点云优化配准方法，其特征是：该方法在三维点云配准过程中，首先获取源点云及目标点云；其次对三维点云进行预处理；然后采用基于Markov蒙特卡洛的模拟退火配准算法求解全局最优配准变换矩阵；最后利用ICP配准法迭代完成精配准；方法的具体步骤如下：第一步，源点云与目标点云获取采用测量仪器对工件轮廓进行三维数字化测量，得到工件实际测量点云，即源点云；利用三维设计软件平台，提取设计模型点云，即目标点云；第二步，三维点云预处理采用邻域平均法对源点云及目标点云进行去噪处理，剔除离群值；对两点云建立拓扑关系，搜索点云中点dm的k-邻域N(dm)，计算点dm与其k-邻域N(dm)内各点间的平均距离Dmean(dm)，其中，dn为k-邻域N(dm)内一点，m为点索引，n为k-邻域N(dm)内点索引，k为邻域内点数量；判断平均距离Dmean(dm)与阈值ε的关系；当满足Dmean(dm)>ε时，则点dm为噪点，删除该点，否则保留；循环遍历两个点云中的所有点；第三步，源点云与目标点云的对应点对确定对源点云P中的每一点，在目标点云Q中搜索出距离最近的点作为最佳匹配点，组成初始对应点对；第四步，基于Markov蒙特卡洛法的参数采样首先，计算源点云P与目标点云Q匹配误差；计算源点云P与目标点云Q对应点的权重wi，其中，pi、pj均为源点云P中的点，qi、qj均为目标点云Q中的对应点，d(pi,qi)为第i对对应点距离，maxd(pj,qj)为对应点中最大距离，i、j均为点索引；匹配参数θ含有6个独立变量，θ＝(α,β,γ,tx,ty,tz)，其中，(α,β,γ)分别为绕坐标轴x轴、y轴、z轴的旋转角度，(tx,ty,tz)分别为坐标轴x轴、y轴、z轴方向的平移量；按公式(3)计算匹配参数θ，使误差f(θ)最小，其中，Rx(α)、Ry(β)和Rz(γ)分别与旋转角度(α,β,γ)对应的旋转矩阵，t＝[tx,ty...

【专利技术属性】
技术研发人员：刘海波，刘天然，李亚鹏，袭萌萌，刘阔，李特，杜文浩，王永青，贾振元，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁,21