形貌约束的点云数据分阶配准方法技术

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分阶配准方法，属于产品逆向工程领域。以一组递减的平坦形貌阈值约束点云递归分割过程，基于所得割集的核心点集为多视角点云构造简化程度逐级递减的形貌多分辨率模型，基于该模型的上层数据实现多视角点云的初始配准，采用迭代最近点算法逐级求解下层数据的变换矩阵并将其同步作用于原多视角点云，实现原多视角点云的精确配准。本发明专利技术适用于具有重叠区域的任意多视角点云数据，基于形貌多分辨率模型的多视角点云分阶配准方法可有效缓解点云单一简化结果导致的配准精度与效率之间的矛盾，在显著降低点云规模的前提下实现原始点云精确配准。点云规模的前提下实现原始点云精确配准。

【技术实现步骤摘要】
形貌约束的点云数据分阶配准方法


[0001]本专利技术提供一种形貌约束的点云数据分阶配准方法，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统一到同一坐标系中。随着三维扫描设备精度的提高，单次扫描所获得点云的密度越来越大，点云数据量急剧增多，相应的配准时间也随之延长。
[0003]对现有技术文献检索发现，Xu等在学术期刊《ACM International Conference Proceeding Series》2019(06):34-38发表的论文“WSICP:Weighted Scaled Iterative Closest Point Algorithm for Point Set Registration”中对待配准点云对应点对之间的欧氏距离进行加权处理以减少离群点和噪声点对变换矩阵求解过程的影响。Bustos等在学术期刊《IEEE Transactions on Pattern Analysis&Machine Intelligence》2018(40):2868-2882发表的论文“Guaranteed Outlier Removal for Point Cloud Registration with Correspondences”中通过随机采样一致性(Random Sample Consensus，RANSAC)算法寻找对应点，并提出GORE(Guaranteed Outlier Removal)算法剔除离群点和误匹配点，提高了对应点的匹配精度。Yu等在学术期刊《Sensors(Basel,Switzerland)》2018,18(2):544-563发表的论文“A Maximum Feasible Subsystem for Globally Optimal 3D Point Cloud Registration”中提出一种基于最大可行子系统框架的全局优化配准算法，能够在所有对应关系中找到正确对应，并以全局最优的方式计算变换参数，可实现重叠区域较小的待配准点云的正确配准。王育坚等在学术期刊《光学技术》2018,44(05):562-568发表的论文“基于保局PCA的三维点云配准算法”中采用保局投影(Locality Preserving Projection，LPP)的思想，通过k近邻准则构造点云的邻接图及其补图，对邻近点和非邻近点采取不同的处理方式进行特征提取，通过特征矩阵求得待配准点云的刚体变换矩阵，减少了噪声的影响。孙殿柱等在学术期刊《机械工程学报》2018,54(15):141-149发表的论文“基于局部泊松曲面重建的点云刚性配准方法”中对采样点集的局部样本构建泊松曲面，以点-泊松曲面代替点-点作为匹配规则，提高了配准过程的稳定性。
[0004]综上所述，现有点云数据配准方法主要对点云配准过程中对应点匹配问题进行改进，当点云数据的样点规模较大时，配准效率依然不高，因此如何实现大数据量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分阶配准方法，该方法适用于具有重叠区域的多视角采样点云，可在维持点云原有形貌的基础上有效简化点云，并
构造简化程度不同的点云多分辨率模型，基于多分辨率模型实现大数据量点云的快速分阶配准。其技术方案为：
[0006]一种形貌约束的点云数据分阶配准方法，其特征在于依次包含以下步骤：(1)以一组递减的平坦形貌阈值约束点云数据，构造点云数据的多分辨率模型；(2)基于点云数据的多分辨率模型进行分阶配准，完成配准过程。
[0007]为实现专利技术目的，所述的形貌约束的点云数据分阶配准方法，其特征在于：步骤(1)中，以一组递减的平坦形貌阈值约束点云数据，构造点云数据的多分辨率模型，具体步骤为：1)设一组递减的形貌阈值为{ε1,ε2,
…
,ε
m
}，点云数据P，以ε1为阈值，采用递归分割将P分割为Q1＝{Q
11
,Q
12
,
…
,Q
1n
}；2)i
←
1，j
←
1；3)构造Q
ij
的协方差矩阵Cov(Q
ij
)并进行特征值分解，获得最小特征值ε
ij
，用Q
ij
的核心点x
ij
在{Q1,Q2,
…
,Q
i
}中代替Q
ij
，其中Q
ij
的核心点x
ij
为Q
ij
中距离质心最近的点；4)若ε
ij
≤ε
i
，则Q
ij
作为x
ij
的子域，否则采用步骤1)中递归分割算法对Q
ij
进行再次分割，将所得结果作为x
ij
的子域，；5)j
←
j+1；6)重复步骤3)到步骤5)，直至j＝|Q
i
|，其中|Q
i
|为Q
i
中子集的数目；7)i
←
i+1；8)重复步骤3)到步骤7)，直至i＝m，获得多分辨率模型Q＝{Q1,Q2,
…
,Q
m
}。
[0008]为实现专利技术目的，所述的形貌约束的点云数据分阶配准方法，其特征在于，递归分割的具体步骤为：1)采用k均值聚类算法对点云数据P进行分割，获得C＝{C1,C2,
…
,C
k
}；2)Q1←
φ；3)构造C中的任意子集C
i
的协方差矩阵Cov(C
i
)并进行特征值分解，获得最小特征值ε
1i
，在C中剔除C
i
；4)若ε
1i
≤ε1，则Q1←
Q1∪{C
i
}，转步骤6)，否则转步骤5)；5)采用k均值聚类算法对C
i
进行再次分割获得C
′
＝{C
′1,C
′2,
…
,C
′
k
ꢀ′
}，C
←
C∪C
′
；6)重复步骤3)到步骤5)，直至C为空集，获得递归分割结果Q1＝{Q
11
,Q
12
,
…
,Q
1n
}。
[0009]为实现专利技术目的，所述的形貌约束的点云数据分阶配准方法，其特征在于：步骤(2)中，基于点云数据的多分辨率模型进行分阶配准，完成配准过程具体步骤为：1)设具有重叠区域的点云数据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分阶配准方法，其特征在于依次包含以下步骤：(1)以一组递减的平坦形貌阈值约束点云数据，构造点云数据的多分辨率模型；(2)基于点云数据的多分辨率模型进行分阶配准，完成配准过程。2.如权利要求1所述的形貌约束的点云数据分阶配准方法，其特征在于：步骤(1)中，以一组递减的平坦形貌阈值约束点云数据，构造点云数据的多分辨率模型，具体步骤为：1)设一组递减的形貌阈值为{ε1,ε2,
…
,ε
m
}，点云数据P，以ε1为阈值，采用递归分割将P分割为Q1＝{Q
11
,Q
12
,
…
,Q
1n
}；2)i
←
1，j
←
1；3)构造Q
ij
的协方差矩阵Cov(Q
ij
)并进行特征值分解，获得最小特征值ε
ij
，用Q
ij
的核心点x
ij
在{Q1,Q2,
…
,Q
i
}中代替Q
ij
，其中Q
ij
的核心点x
ij
为Q
ij
中距离质心最近的点；4)若ε
ij
≤ε
i
，则Q
ij
作为x
ij
的子域，否则采用步骤1)中递归分割算法对Q
ij
进行再次分割，将所得结果作为x
ij
的子域，；5)j
←
j+1；6)重复步骤3)到步骤5)，直至j＝|Q
i
|，其中|Q
i
|为Q
i
中子集的数目；7)i
←
i+1；8)重复步骤3)到步骤7)，直至i＝m，获得多分辨率模型Q＝{Q1,Q2,
…
,Q
m
}。...

【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：