一种低重复度线激光点云数据拼接方法技术

一种低重复度线激光点云数据拼接方法，涉及无损检测领域。进行线激光扫描的路径规划；对线激光扫描所得的原始三维点云数据进行降噪处理；根据线激光扫描路径顺序，并基于点云数据所在轮廓区域的不同，将各部分点云数据编号排序，使在同一轮廓区域内具有相同线激光扫描重复度的点云数据分布在同一组内；采用分步式紧边界迭代最近点算法对整体点云数据进行配准，通过位姿图优化的方式，识别并删除错误匹配；对拼接失败的两组点云数据，采取基于奇异值分解算法的人机交互手动预拼接方法进行预拼接，并采取点对面的迭代最近点改进算法对点云数据进行拼接。效率快，拼接成功率与精度高，精确获取模型轮廓，提高线激光检测的曲面重构精度及实用性。重构精度及实用性。重构精度及实用性。

【技术实现步骤摘要】
一种低重复度线激光点云数据拼接方法


[0001]本专利技术涉及无损检测领域，尤其是涉及一种低重复度线激光点云数据拼接方法。

技术介绍

[0002]在无损检测特别是线激光检测过程中，由于单次测量范围有限以及物体表面的遮挡效应，要多次测量才能获得整个物体的点云数据，如今仍未有方法能够一次性就能获得整个实物的数据而不降低精确，这使得点云拼接成为必然。点云数据拼接，在实质上可归结为多组点云数据逐一配准，并转换到统一的全局坐标系下的过程，且属于源点云和目标点云都有大量外点的配准，各组点云间的重复度低导致配准成功率低，是激光测量和SLAM(Simultaneous localization and mapping)领域的研究热点和难点。
[0003]点云配准技术是机器视觉、模式识别、图像融合、自动驾驶、物体检测、SLAM等领域的重要基础技术之一。点云配准的目的是求取使两点云最佳匹配的空间变换矩阵，物体检测主要采用刚性配准，即使用欧式变换表示点云之间的相对位姿。奇异值分解(SVD)和四元数(Horn)算法是求解点云间欧式变换和放缩变换最常用的方法；当对应点完全匹配时，SVD和四元数法可得到全局最优的欧式变换矩阵；当外点比重较大时，SVD和四元数法并不能保证得到全局最优解。全局最优配准算法最常用的框架是随机采样一致性(Random Sample Consensus，RANSAC)，当外点比重超过50％时，RANSAC的计算复杂度呈现指数上升趋势，且计算准确度会显著降低；常用全局最优配准算法还有4PCS(4Point Congruent Sets)，4PCS配准在外点比重较大时，并不能取得比RANSAC更好的效果。全局配准算法需要事先知道对应点，属于基于对应特征的配准算法，常用特征描述子包含二维点云或图像的尺度不变特征变换(SIFT)和SURF(Speeded
‑
Up Robust Features)和三维点云的点特征直方图(PFH)和快速点特征直方图(FPFH)等。
[0004]当点云对应关系未知且无法通过特征求解正确的对应关系时，需要采用位姿与对应关系同时计算的方法，最常用的同时计算位姿与对应关系的算法是迭代最近点(ICP)算法。ICP算法最早由Besl和MCKay提出，经过国内外学者的研究与发展，如今已提出了点到面距离的ICP算法、LM(Levenberg
‑
Marquardt)
‑
ICP算法、EM
‑
ICP算法、基于M
‑
估计的ICP算法、迭代重复加权ICP算法、TrICP算法、SparseICP算法、Go
‑
ICP算法、Generalized
‑
ICP算法等改进ICP算法。
[0005]随着测量技术水平的飞速发展，点云的数量都在百万级以上，传统的点云处理软件己经不能满足当前的需要。对于逆向工程整个过程，点云的拼接起着关键的作用，直接影响点云后续的点云重建等处理，甚至决定着三维重构成功与失败。且待拼接点云一般存在低重复度、空间初始位置差距大等拼接不利因素，一次性拼接成型难以完成；因此，研究低重复度线激光点云数据拼接方法，对提高三维曲面重构成功率及检测精度，都具有重要意义。

技术实现思路

[0006]本专利技术的目的是提供一种低重复度线激光点云数据拼接方法，对低重复度点云拼接做了预拼接及分组精确拼接策略，有效将线激光扫描实体模型所得重复度在百分之二十至百分之六十区间内的各点云数据拼接成完整高精度的点云模型，成功率高，效率高，精确获取了模型轮廓，提高线激光检测的曲面重构精度及实用性。
[0007]本专利技术包括以下步骤：
[0008]1)进行线激光扫描的路径规划；
[0009]2)对线激光扫描所得的原始三维点云数据进行降噪处理；
[0010]3)根据线激光扫描路径顺序，并基于点云数据所在轮廓区域的不同，将各部分点云数据进行编号排序，使在同一轮廓区域内的具有相同线激光扫描重复度的点云数据分布在同一组内；
[0011]4)采用分步式紧边界迭代最近点(ICP)算法对整体点云数据进行配准，并通过位姿图优化的方式，识别并删除错误的匹配；
[0012]5)对拼接失败的两组点云数据，采取基于奇异值分解算法的人机交互手动预拼接方法进行预拼接，并采取点对面的迭代最近点改进算法，对点云数据进行拼接。本专利技术的方法实现了更精确的数据拼接。
[0013]在步骤1)中，所述进行线激光扫描的路径规划包括：
[0014]在第一曲率的轮廓型面，采取线激光头仅平移不旋转的方式进行扫描；
[0015]在第二曲率的区域处，采取多次第一重复度扫描，所述第二曲率大于所述第一曲率，所述第一重复度大于40％。
[0016]所述进行线激光扫描的路径规划的具体步骤可为：根据模型轮廓特点及线激光扫描设备的功能参数，综合扫描效率、计算分析效率与拼接效果的考量，进行线激光扫描的路径规划：在叶盆与叶背等曲率较小的平缓区域，采取线激光头仅平移不旋转的方式进行扫描，尽量避免因初始位姿差距较大而导致点云拼接失败；在前缘后缘等曲率较大的过渡区域，采取线激光头小角度旋转多次扫描，所扫描的每两组点云数据间尽量采取高的重复度，以提高拼接成功率；所述根据模型轮廓特点包括根据航空发动机涡轮空心叶片的模型轮廓特点。
[0017]在步骤2)中，所述对线激光扫描所得的原始三维点云数据进行降噪处理，可分别通过点云半径滤波降噪、点云统计滤波降噪等方法滤除噪点影响，提高拼接成功率及拼接精度；对降噪后的点云数据进行点云简化处理，分别通过体素下采样、半径下采样、均匀下采样、隔点下采样及曲率下采样等方法，简化原始点云数据，在保证拼接成功率及拼接精度的前提下，提高拼接效率；对简化后出现突出毛刺的点云数据，采用移动最小二乘平滑算法进行点云平滑处理，去除毛刺影响，进一步提高拼接成功率及拼接精度；对上述滤波及平滑无法处理的噪点区域，进一步采取点云裁剪处理，通过人机交互选取裁剪区域的模式，进行点云裁剪，进一步获得可用于点云拼接的点云数据。
[0018]在步骤4)中，所述采用分步式紧边界迭代最近点(ICP)算法对整体点云数据进行配准，并通过位姿图优化的方式，识别并删除错误的匹配的具体方法可为：对叶盆组点云数据、叶盆组最后一片点云数据与前缘组点云数据、前缘组最后一片点云数据与叶背组第一片点云数据、叶背组点云数据、叶背组最后一片点云数据与后缘组点云数据，均设置相应的
拼接阈值(点到面的ICP配准算法的点到对应点所在平面的最大对应距离阈值)，采用分步式点到平面ICP算法对整体点云数据进行粗配准与精确配准，通过标准非线性最小二乘法求解，并将拼接结果通过位姿图优化的方式，识别并删除错误的匹配，以此达到全局最优的拼接结果；
[0019]5)对拼接失败的两组点云数据，采取基于奇异值分解算法的人机交互手动预拼接方法进行预拼接，并采取点对面的迭代最近点改进算法，对点云数据进行拼接。
[0020]在步骤5)中，所述拼接本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种低重复度线激光点云数据拼接方法，其特征在于包括以下步骤：1)进行线激光扫描的路径规划；2)对线激光扫描所得的原始三维点云数据进行降噪处理；3)根据线激光扫描路径顺序，并基于点云数据所在轮廓区域的不同，将各部分点云数据进行编号排序，使在同一轮廓区域内的具有相同线激光扫描重复度的点云数据分布在同一组内；4)采用分步式紧边界迭代最近点算法对整体点云数据进行配准，并通过位姿图优化的方式，识别并删除错误的匹配；5)对拼接失败的两组点云数据，采取基于奇异值分解算法的人机交互手动预拼接方法进行预拼接，并采取点对面的迭代最近点改进算法，对点云数据进行拼接；本发明的方法实现了更精确的数据拼接。2.如权利要求1所述一种低重复度线激光点云数据拼接方法，其特征在于在步骤1)中，所述进行线激光扫描的路径规划包括：在第一曲率的轮廓型面，采取线激光头仅平移不旋转的方式进行扫描；在第二曲率的区域处，采取多次第一重复度扫描，所述第二曲率大于所述第一曲率，所述第一重复度大于40％。3.如权利要求1所述一种低重复度线激光点云数据拼接方法，其特征在于在步骤1)中，所述进行线激光扫描的路径规划的具体方法为：根据模型轮廓特点及线激光扫描设备的功能参数，综合扫描效率、计算分析效率与拼接效果的考量，进行线激光扫描的路径规划：在叶盆与叶背等曲率较小的平缓区域，采取线激光头仅平移不旋转的方式进行扫描，尽量避免因初始位姿差距较大而导致点云拼接失败；在前缘后缘等曲率较大的过渡区域，采取线激光头小角度旋转多次扫描，所扫描的每两组点云数据间尽量采取高的重复度，以提高拼接成功率；所述根据模型轮廓特点包括根据航空发动机涡轮空心叶片的模型轮廓特点。4.如权利要求1所述一种低...

【专利技术属性】
技术研发人员：董一巍，廖涛，郭翔，张赛涛，
申请(专利权)人：厦门大学，
类型：发明
国别省市：