一种融合线激光轮廓特征的三维点云自动配准方法技术

目前，点云配准目前已经广泛应用于传统制造业和新兴高科技产业。在无人驾驶、建筑行业等领域，点云配准为后续点云融合、点云表面重建等点云处理相关工作打下基础，点云配准的精度也直接影响了诸多点云高层应用的精度。关于点云配准算法的研究，主要集中在提高点云配准精度和减少点云配准算法的运算时间。激光轮廓传感器近些年在工业上得到了广泛的应用，它的测量精度可以达到微米级，很小的扫描范围就可以获取几十万的点云数据量，若使用传统的点云配准算法，配准时间较长，针对激光轮廓传感器获取的点云数据，本发明专利技术提出了一种结合轮廓特征的激光点云快速配准算法，可以在数毫秒内完成线激光点云的配准。成线激光点云的配准。成线激光点云的配准。

【技术实现步骤摘要】
一种融合线激光轮廓特征的三维点云自动配准方法


[0001]本专利技术属于计算机视觉领域，具体涉及一种融合线激光轮廓特征的三维点云自动配准方法。

技术介绍

[0002]随着传感器技术的飞快发展，三位传感器在各行业中也得到了广泛的应用。二十世纪八十年代后期到二十一世纪初期半导体传感器技术和计算机设备的迅速的发展，尤其是计算机的计算能力得到了质的提升，随之点云处理技术也随之得到了快速的发展，从之前的个别领域扩展到了众多的领域，如工业制造上的逆向工程、医学上的医学影像建模、考古中的文物修复、游戏和动漫中的人物建模、地质上的地形勘探与建模等等。虽然在这些领域中已经得到了很好的应用，但部分点云获取设备依然无法避免笨重的体型和昂贵的造价。近年来，随着第三代半导体的发展和人工智能与物联网的崛起，使得点云处理技术从工业生产或者其他专有领域直接走向我们的生活应用，如虚拟现实(Virtual Reality，VR)和增强现实(Augmented Reality，AR)的场景制作、移动机器人的实时定位与建图(Simultaneous Localization And Mapping，SLAM)、城乡规划和商业房的快速建模等。在各种点云获取设备不断更新的今天，顺着人工智能和万物互联的浪潮，点云处理技术已进入我们生活的方方面面。
[0003]在工业领域中，激光轮廓传感器被广泛用于焊接、涂胶、分拣等场景，激光轮廓传感器是一种非接触式，高精度的激光传感器，它具有结构坚固、设计紧凑、分辨率高、测量精度高等特点、是小型化尺寸和小重量的产品设计。通常一个激光轮廓传感器扫描得到的点云数据规模较大，就以加拿大LMI公司生产的Gocator 2430为例，在该传感器的扫描范围内，可以获取高达上百万的点云数目，传感器精度的提高又为点云处理算法带来了诸多挑战。点云配准是机器视觉中重要的研究方向，它为三维重建、快速原型等高层应用打下基础，在计算机视觉、模式识别和机器人技术中，点云配准是寻找使两个点云对齐的空间变换(例如缩放、旋转和平移)的过程。寻找这种转换的目的包括将多个数据集合并为一个全局一致的模型(或坐标系)，并将一个新的测量映射到一个已知的数据集，以识别特征或估计其姿态。现存的点云配准算法为迭代最近点(Iterative Closest Point，ICP)，了减少计算时间Luh和Milios提出了两种算法。第一个称为IMRP(迭代匹配范围点)，提供了更好的点选择来匹配两个激光扫描。第二个IDC(迭代对应性)结合了ICP和IMRP，其中ICP用于计算平移，IMRP用于计算旋转。Y.J.Lee等人开发了另一种极坐标扫描匹配(PSM)方法。该方法通过简单地匹配具有相同方位的点来避免搜索关联点。其他研究的灵感来自于视觉中使用的方法，如SIFT(比例不变特征变换)和SURF(加速鲁棒特征)。其目标是通过选择图像处理中最相关的点来优化扫描的选择。ICP算法虽拥有较高的精度但是收敛速度较慢，它的时间复杂度O(N^2)，这意味着配准处理时间较长，尤其是在使用高分辨率(点云数据大于200000)数据时，而对于线激光点云，激光轮廓传感器往往有较高的精度，这意味着点云数据的量也非常庞大，如果仅用传统的ICP算法进行配准，将会耗费巨大的计算时间，这在工业生产中是
不可以被接受的，并且对于很多生产场景中，点云配准精度要求也很高，如果不对ICP算法进行改进，该配准算法无法用于工业激光点云的配准中。
[0004]综上所述，现有的点云配准算法用于线激光点云配准中有以下不足之处：点云配准的精度有待提高且配准时间太长需要缩短点云数据的配准时间。如何在保证配准精度的同时减少点云配准运算所需的时间成为了本领域的科研人员急需解决的问题。

技术实现思路

[0005]本专利技术的目的在于克服现有的点云配准算法用于线激光点云配准时精度达不到要求、且算法运行时间过长的问题，提供了一种行之有效、科学合理的基于线激光点云轮廓特征的点云快速配准方法。
[0006]为了实现上述目的，本专利技术所提供的技术方案为以下步骤：一种线激光点云快速配准方法，该方法包含以下步骤：
[0007]S1、用激光轮廓传感器扫描工件获取原始工件轮廓线数据，并将轮廓线上源点云P的坐标转换为目标点云Q的坐标；
[0008]S2、对每条轮廓线上的源点云P和目标点云Q数据进行关键点搜索；
[0009]S3、对步骤S2获取的源点云P的关键点和目标点云的关键点进行滤波操作；
[0010]S4、对滤波后的源关键点云集P
key
和目标关键点云集Q
key
进行迭代处理求解旋转矩阵R
f
和平移向量T
f
；
[0011]S5、将源点云P根据R
f
和T
f
转换到目标点云Q下进行配准。
[0012]进一步的，将轮廓线上源点云P的坐标转换为目标点云Q的坐标，方法如下：对源点云中的每个点云数据做下列运算，即对源点云中的每个点云数据做下列运算，经下式刚性变换的所有点q
i
形成的点云集为Q：
[0013][0014]其中，p
i
为源点云中的一点的坐标，x，y，z是点云的三维坐标，T为预设的齐次变换矩阵。
[0015]进一步的，步骤(2)中，关键点搜索方法如下：
[0016](a)计算轮廓线中相邻两点之间的距离d
i
，激光轮廓传感器每条轮廓线上的点有两个值(x，z)，x表示在传感器坐标系下x的值，z表示在传感器坐标系下的z值，相邻两点(x
i+1
，z
i+1
)和(x
i
，z
i
)之间的距离d
i
可以用下式计算：
[0017][0018](b)判断d
i
和阈值eps的关系，若d
i
＞eps，则认为点(x
i
，z
i
)是一个区域分割点，利用d
i
和eps的距离关系将每条轮廓线分为若干段；
[0019](c)判断每个分段的数据点数是否大于期望值n，若该分段的数据点数小于期望值n，则认为该段数据为噪声点并舍弃该分段的所有数据；
[0020](d)通过上述方法将一条轮廓线基于相邻点的距离分为了若干段，设每个分段中的数据点个数为k，则根据该段中的第1个点和该分段中的第k个点，构建一条直线，直线的
方程如下：
[0021]Ax+By+C＝0
[0022]其中，A，B，C为系数；
ꢀꢀꢀ
(4)
[0023]并根据下式计算出轮廓线上的每个点(x
i
，z
i
)到该直线的距离：
[0024][0025](e)判断Dis的最大值是否大于阈值Δe，若Dis＞Δe，则认为Dis取得最大值的点是一个角点，否则判定该段为直线，无关键点；若该点为角点，则以该点为分界点继续搜索该分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种线激光点云快速配准方法，其特征在于，该方法包含以下步骤：S1、用激光轮廓传感器扫描工件获取原始工件轮廓线数据，并将轮廓线上源点云P的坐标转换为目标点云Q的坐标；S2、对每条轮廓线上的源点云P和目标点云Q数据进行关键点搜索；S3、对步骤S2获取的源点云P的关键点和目标点云的关键点进行滤波操作；S4、对滤波后的源关键点云集P
key
和目标关键点云集Q
key
进行迭代处理求解旋转矩阵R
f
和平移向量T
f
；S5、将源点云P根据R
f
和T
f
转换到目标点云Q下进行配准。2.根据权利要求1所述的一种线激光点云快速配准方法，其特征在于，将轮廓线上源点云P的坐标转换为目标点云Q的坐标，方法如下：对源点云中的每个点云数据做下列运算，即对源点云中的每个点云数据做下列运算，经下式刚性变换的所有点q
i
形成的点云集为Q：其中，p
i
为源点云中的一点的坐标，x，y，z是点云的三维坐标，T为预设的齐次变换矩阵。3.根据权利要求1或2所述的一种线激光点云快速配准方法，其特征在于，步骤(2)中，关键点搜索方法如下：(a)计算轮廓线中相邻两点之间的距离d
i
，激光轮廓传感器每条轮廓线上的点有两个值(x，z)，x表示在传感器坐标系下x的值，z表示在传感器坐标系下的z值，相邻两点(x
i+1
，z
i+1
)和(x
i
，z
i
)之间的距离d
i
可以用下式计算：(b)判断d
i
和阈值eps的关系，若d
i
＞eps，则认为点(x
i
，z
i
)是一个区域分割点，利用d
i
和eps的距离关系将每条轮廓线分为若干段；(c)判断每个分段的数据点数是否大于期望值n，若该分段的数据点数小于期望值n，则认为该段数据为噪声点并舍弃该分段的所有数据；(d)通过上述方法将一条轮廓线基于相邻点的距离分为了若干段，设每个分段中的数据点个数为k，则根据该段中的第1个点和该分段中的第k个点，构建一条直线，直线的方程如下：Ax+By+C＝0其中，A，B，C为系数；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)并根据下式计算出轮廓线上的每个点(x
i
，z
i
)到该直线的距离：(e)判断Dis的最大值是否大于阈值Δe，若Dis＞Δe，则认为Dis取得最大值的点是一个角点，否则判定该段为直线，无关键点；若该点为角点，则以该点为分界点继续搜索该分段中剩下的关键点，直至所有关键点搜索完毕；通过上述方法，搜索所有轮廓线上的关键点；(f)对源点云和目标点云中的所有轮廓线进行关键点提取，并根据下式将二维轮廓关
键点转化为三维点云：形成关键点云集P
key
和目标关键点云集Q
key
，上式中，为机器人基坐标系到传感器坐标系的齐次变换...

【专利技术属性】
技术研发人员：孙炜，苑河南，刘权利，
申请(专利权)人：湖南大学，
类型：发明
国别省市：