一种基于高斯混合模型隐变量监督学习的多点云配准方法技术

本发明专利技术公开了一种基于高斯混合模型隐变量监督学习的多点云配准方法，构建标准点云和待配准点云集合；将标准点云和待配准点云集合建模为同样的高斯混合模型，设置高斯混合模型的超参数为K；设标准点云为高斯混合模型生成的一个样本，使用神经网络求得隐变量，求解最优高斯混合模型参数；设待配准点云集合经刚性变换后配准完成的点云集合为高斯混合模型生成的一个样本，使用神经网络求得隐变量，使用上一步所求最优高斯混合模型参数，求解最优变换参数，使得变换后点云的高斯混合模型与标准点云的高斯混合模型一致；根据上一步所求最优变换参数完成多点云的配准，同时也完成了与标准点云的对齐。其点云配准速度快、配准步骤简单，对噪声鲁棒性好。对噪声鲁棒性好。对噪声鲁棒性好。

【技术实现步骤摘要】
一种基于高斯混合模型隐变量监督学习的多点云配准方法


[0001]本专利技术属于三维视觉测量
，具体涉及一种基于高斯混合模型隐变量监督学习的多点云配准方法。

技术介绍

[0002]自由曲面是工业制造中最为复杂的曲面，由于现代工业的飞速发展，对产品性能和外观提出了更高的要求，因此自由曲面得到了广泛应用，如飞机机翼、涡轮叶片、舰船船体、汽车车身等。自由曲面形状复杂、难以用数学表达式精确表示且加工精度要求高，其测量是生产制造中的难点问题。传统的测量方法使用三坐标测量机，使用测头接触工件表面进行测量，容易对工件造成划伤，且工件较大时检测效率低下，不适用于大型构件的测量。近年来，光学扫描仪凭借测量速度快、效率高的特点，且测量精度不断提高，在许多测量现场得到了应用。
[0003]使用光学扫描仪进行数模对比检测的步骤如下：首先扫描工件多个视角的点云数据，然后将多个视角的点云进行配准，再将配准后的点云数据与设计的CAD模型进行对齐，分析测量数据与设计模型之间的差别，最终得到误差对比图。其中，多点云配准是数模对比中的关键步骤，配准的精度和速度直接影响到检测结果和检测效率。
[0004]由于自由曲面工件多无纹理，使用特征匹配的方法配准成功率低，现有测量方法在工件表面贴标志点以方便配准，或使用激光跟踪仪实时定位相机位姿实现配准，增加了操作复杂度和硬件成本。

技术实现思路

[0005]有鉴于此，本专利技术公开了一种基于高斯混合模型隐变量监督学习的多点云配准方法，将CAD模型离散化为点云并建模为高斯混合模型，来指导多点云的配准，以解决无纹理工件的多视角点云配准问题，同时省去了测量数据与CAD模型对齐的过程。
[0006]本专利技术的目的通过以下技术方案实现：提供一种基于高斯混合模型隐变量监督学习的多点云配准方法，包括以下步骤：
[0007]步骤1、构建标准点云W和待配准点云集合V：对待检工件的预设CAD模型进行采样，将其离散化为点云数据，进行预处理，得到标准点云W；使用三维扫描仪对待检工件进行采样，得到N个视角的点云数据，将N个点云数据进行预处理，得到待配准点云集合V，其中，N为正整数；
[0008]步骤2、将标准点云W和待配准点云集合V建模为同样的高斯混合模型，设置高斯混合模型的超参数为K；
[0009]步骤3、设标准点云W为步骤2所述高斯混合模型生成的一个样本，使用预设的神经网络求得隐变量，求解最优高斯混合模型参数；
[0010]步骤4、设待配准点云集合V经刚性变换后配准完成的点云集合T(V)为步骤2所述高斯混合模型生成的一个样本，使用预设的神经网络求得隐变量，使用步骤3所求的最优高
斯混合模型参数求解最优变换参数T；
[0011]步骤5、根据所述最优变换参数T完成多点云的配准，同时也完成了与标准点云W的对齐。
[0012]作为进一步的改进，所述步骤1中得到待配准点云集合V的预处理过程具体为：首先去除离群点，然后使用体素降采样方法得到密度均匀的点云数据，再使用随机采样得到点数均为M的N个点云数据，得到待配准点云集合V，其中，V
i
表示第i次采样得到的点云，v
ij
表示点云V
i
中的第j个点，表示实数集。
[0013]作为进一步的改进，所述步骤2中得到标准点云W的预处理过程具体为：对待检工件的预设CAD模型采样得到点云数据，使用体素降采样方法得到密度均匀的点云，再使用随机采样得到点数为M的标准点云W，其中，W
j
表示标准点云W中的第j个点。
[0014]作为进一步的改进，所述步骤3的具体步骤如下：
[0015]步骤3a、将标准点云W＝[w1,...,w
j
,...,w
M
]建模为高斯混合模型,模型参数为其中，w1、w
j
、w
M
均表示标准点云W中的点，右下标为标准点云W中每个点的序数，M为标准点云W的总点数，为正整数，p
k
、u
k
、∑
k
分别表示第k个高斯模型的权重、均值和方差，K为高斯混合模型的超参数，表示高斯混合模型由K个高斯模型加权求和而成；
[0016]步骤3b、引入隐变量Z＝{z
j
|j∈[1...M]}，z
j
表示第j个点与高斯混合模型成分的对应关系，且z
j
＝k表示标准点云W＝[w1,...,w
j
,...,w
M
]中的点w
j
由第k个高斯模型生成；
[0017]步骤3c、将标准点云W＝[w1,...,w
j
,...,w
M
]输入到预设的神经网络3D Network中，得到M
×
K的矩阵A＝[α
jk
]，其中α
jk
表示点w
j
由第k个高斯模型生成的概率，即p(z
j
＝k)＝α
jk
；
[0018]步骤3d、通过预设的第一优化函数求解最优高斯混合模型参数使得生成标准点云W的似然最大，其中p
k*
、u
k*
、∑
k*
分别表示第k个高斯模型的最优权重、最优均值和最优方差。
[0019]作为进一步的改进，步骤3d中预设的第一优化函数为：
[0020][0021]通过上式分别对μ
k
、Σ
k
、p
k
求导并使导数为零，解得最优高斯混合模型参数为：
[0022][0023]式中，表示L(
·
)取得最大值时对应的Θ值，右上标T表示矩阵转置。
[0024]作为进一步的改进，所述步骤4的具体步骤如下：
[0025]步骤4a、将点云集合建模为高斯混合模型，模型参数为式中，分别表示第k个高斯模型的权重、均值和方差，N表示待配准点云集合V中点云的数量，i表示待配准点云集合V中每个点的序数；
[0026]步骤4b、引入隐变量z
ij
表示点云V
i
中的第j个点与高斯混合模型成分的对应关系，z
ij
＝k表示点云V
i
中的点v
ij
由第k个高斯模型生成；
[0027]步骤4c、将待配准点云集合V输入到预设的神经网络中3D Network中，得到N个M
×
K的矩阵B＝[β
ijk
]，其中β
ijk
表示点v
ij
由第k个高斯模型生成的概率，即p(z
ij
＝k)＝β
ijk
；
[0028]步骤4d、通过预设的第二优化函数求解最优变换参数使得高斯混合模型生成点云T(V)的似然最大，其中，分别表示第i个最优旋转矩阵和第i个最优平移矩阵。...

【技术保护点】

【技术特征摘要】
1.一种基于高斯混合模型隐变量监督学习的多点云配准方法，其特征在于，包括以下步骤：步骤1、构建标准点云W和待配准点云集合V：对待检工件的预设CAD模型进行采样，将其离散化为点云数据，进行预处理，得到标准点云W；使用三维扫描仪对待检工件进行采样，得到N个视角的点云数据，将N个点云数据进行预处理，得到待配准点云集合V，其中，N为正整数；步骤2、将标准点云W和待配准点云集合V建模为同样的高斯混合模型，设置高斯混合模型的超参数为K；步骤3、设标准点云W为步骤2所述高斯混合模型生成的一个样本，使用预设的神经网络求得隐变量，求解最优高斯混合模型参数；步骤4、设待配准点云集合V经刚性变换后配准完成的点云集合T(V)为步骤2所述高斯混合模型生成的一个样本，使用预设的神经网络求得隐变量，使用步骤3所求的最优高斯混合模型参数求解最优变换参数T；步骤5、根据所述最优变换参数T完成多点云的配准，同时也完成了与标准点云W的对齐。2.根据权利要求1所述的基于高斯混合模型隐变量监督学习的多点云配准方法，其特征在于，所述步骤1中得到待配准点云集合V的预处理过程具体为：首先去除离群点，然后使用体素降采样方法得到密度均匀的点云数据，再使用随机采样得到点数均为M的N个点云数据，得到待配准点云集合V，其中，V
i
表示第i次采样得到的点云，v
ij
表示点云V
i
中的第j个点，表示实数集。3.根据权利要求2所述的基于高斯混合模型隐变量监督学习的多点云配准方法，其特征在于，所述步骤2中得到标准点云W的预处理过程具体为：对待检工件的预设CAD模型采样得到点云数据，使用体素降采样方法得到密度均匀的点云，再使用随机采样得到点数为M的标准点云W，其中，w
j
表示标准点云W中的第j个点。4.根据权利要求3所述的基于高斯混合模型隐变量监督学习的多点云配准方法，其特征在于，所述步骤3的具体步骤如下：步骤3a、将标准点云W＝[w1,...,w
j
,...,w
M
]建模为高斯混合模型,模型参数为其中，w1、w
j
、w
M
均表示标准点云W中的点，右下标为标准点云W中每个点的序数，M为标准点云W的总点数，为正整数，p
k
、μ
k
、∑
k
分别表示第k个高斯模型的权重、均值和方差，K为高斯混合模型的超参数，表示高斯混合模型由K个高斯模型加权求和而成；步骤3b、引入隐变量Z＝{z
j
|j∈[1...M]}，z
j
表示第j个点与高斯混合模型成分的对应关系，且z
j
＝k表示标准点云W＝[w1,...,w
j
,...,w
M
]中的点w
j
由第k个高斯模型生成；步骤3c、将标准点云W＝[w1,...,w
j
,...,w
M
]输入到预设的神经网络3DNetwork中，得到M
×
K的矩阵A＝[α
jk
]，其中α
jk
表示点w
j
由第k个高斯模型生成的概率，即p(z
j
＝k)＝α
jk
；
步骤3d、通过预设的第一优化函数求解最优高斯混合模型参数使得生成标准点云W的似然最大，其中p
k*
、u
k*
、∑
k*
分别表示第k个高斯模型的最优权重、最优均值和最优方差。5.根据权利要求4所述的基于高斯混合模型隐变量监督学习的多点云配准方法，其特征在于，步骤3d中预设的第一优化函数为：上式分别对μ
k
、Σ
k
、p
k
求导并使导数为零，解得最优高斯混合模型参数为：式中，表示L(
·
)取得最大值时对应的Θ值，右上标T表示矩阵转置。6.根据权利要求5所述的基于高斯混合模型隐变量监督学习的多点云配准方法，其特征在于，所述步骤4的具体步骤如下：步骤4a、将点云集合建模为高斯混合模型，模型参数为式中，分别表示第k个高斯模型的权重、均值和方差，N表示待配准点云集合V中点云的数量，...

【专利技术属性】
技术研发人员：王耀南，赵佳文，朱青，毛建旭，张辉，彭伟星，吴昊天，武子杰，唐永鹏，
申请(专利权)人：湖南大学，
类型：发明
国别省市：