面向复杂构件视觉测量的鲁棒函数加权最小化匹配算法制造技术

本发明专利技术公开了一种面向复杂构件视觉测量的鲁棒函数加权最小化匹配算法，首先构建并输入目标点云P以及源点云Q；对目标点云和源点云进行配对，并分为正负测点；计算点对的法向距离，输入函数变形参数a，设置权重尺度因子c；构建鲁棒函数，根据点对距离将测点分为正常测点与异常测点，并分别施加不同程度的权重值；建立目标函数，求解精配准的刚体转换矩阵，利用计算出来的刚体转换矩阵作用于源点云、以更新源点云位置；定义误差评价函数；重新计算点对然后按照上述过程迭代一次，并每隔K次迭代更新一次c的值，直到达到收敛条件，最终获得精配准的刚体转换矩阵T。本发明专利技术能够在存在大量异常点云情况下，进行精配准，效率高，精度好。精度好。精度好。

【技术实现步骤摘要】
面向复杂构件视觉测量的鲁棒函数加权最小化匹配算法


[0001]本专利技术属于复杂构件测量
‑
加工一体化制造领域，具体地，涉及一种点云精配准算法，特别涉及一种面向复杂构件视觉测量的鲁棒函数加权最小化匹配算法(RFWVM)。

技术介绍

[0002]航空发动机和燃气轮机叶片通常具有前后缘薄且曲率变化较大、型面扭曲，材料难加工等特点。其型面加工质量对发动机性能有决定性的影响。使用机器人对其磨抛过程中，在叶片的高曲率区域，如前后缘等地方磨抛时，容易出现过磨(材料去除量过多)的现象，而在低曲率区域容易出现欠磨(材料去除量较少)的现象，叶片的加工需要多次磨抛，在加工过程中，需要校正误差，确定加工余量，而这就依赖测量点云与模型点云的精配准。在面对这种结构复杂、余量分布不均且存在大量异常点云的情况，现有的点云配准算法难以实现有效配准，获取工件加工过程中的真实余量情况困难。文献“A method for registration of 3
‑
D shapes”(IEEE Transactions on Pattern Analysis and Machine Intelligence,14(1992)239
‑
256)提出一种迭代最近点(ICP)算法，通过迭代计算最小化点到点距离平方和完成点云精配准，该算法未考虑到存在大量余量点云的情况，在用于上述复杂工件时会导致匹配失真。申请号为CN201510226138.8的授权专利技术专利提出了一种基于距离方差最小的工件点云匹配算法，该算法可在点云部分缺失以及点云密度不均等情况下取得良好的匹配效果，但对于存在大量不均匀余量和结构偏差的工件，该算法也会匹配失真。申请号为CN202110573411.X的授权专利技术专利提出一种基于加权正负余量方差最小化算法的复杂工件光学测量方法，该算法能够抑制部分余量不均引起的匹配失真，但在结构偏差程度不大但偏差点数量较多的情况下，本该被抑制的结构偏差点云却被视为正常余量点云，参与配准计算，使算法陷入局部最优解，无法有效配准。

技术实现思路

[0003]本专利技术针对上述问题，提出了一种面向复杂构件视觉测量的鲁棒函数加权方差最小化算法，应用于复杂构件的定位与测量，可有效解决传统算法因大量异常点云存在导致的匹配失真问题。
[0004]本专利技术的目的在于提供一种面向复杂构件视觉测量的鲁棒函数加权方差最小化(Robust Function Weighted Variance Minimization，RFWVM)算法，建立了一种可有效抑制结构偏差点云与余量不均点云的鲁棒权重函数，在面对大量异常点云时不易出现的匹配失真，算法具有极强的鲁棒性，能够抑制大量余量不均点云对精配准的影响，尤其适用于复杂构件定位测量，并通过对复杂构件的测量定位，验证了该算法的有效性。
[0005]为实现上述目的，本专利技术的技术方案如下：
[0006]一种面向复杂构件视觉测量的鲁棒函数加权最小化匹配算法，包括如下步骤：
[0007]步骤1、构建并输入目标点云P以及源点云Q；
[0008]步骤2、利用KD
‑
Tree算法搜索目标点云和源点云中最近邻点对集合，目标点云中
的一个测点p
i
与源点云中与该测点p
i
距离最近的一个点q
j
组成一对最近邻点对，并基于点对的位置关系将目标点云中的点区分为正负测点；
[0009]步骤3、计算最近邻点对集合中每个点对中p
i
到q
j
的法向距离，输入函数变形参数α值，设置权重尺度因子c值；
[0010]步骤4、构建鲁棒函数，根据点对的距离将目标点云Q中的点区分为正常测点与异常点云，并通过鲁棒函数对点对距离施加不同程度的权重值；
[0011]步骤5、基于点对法向距离与鲁棒函数建立鲁棒权重加权方差最小化的目标函数；
[0012]步骤6、根据鲁棒权重加权方差最小化的目标函数求解源点云Q和目标点云P之间精配准的刚体转换矩阵，利用计算出来的刚体转换矩阵作用于源点云、以更新源点云位置；
[0013]步骤7、定义余量不均点云、存在结构偏差点云时的误差评价函数；
[0014]步骤8、重复步骤2
‑
7，并每隔K次迭代更新一次c的值，直到达到收敛条件，最终获得精配准的刚体转换矩阵T。
[0015]进一步地，步骤1中，源点云Q构建方法如下：
[0016]使用CAD模型离散出源点云Q，并通过PCL库中的NormalEstimation函数去估算源点云的法向量，设置质心为视点，并计算使每个法向量的方向相对质心一致向外，完成法向量定向；
[0017]所述目标点云P使用结构光三维扫描仪扫描工件得到。
[0018]进一步地，步骤2中，区分正负测点的方法为：目标点云中的测点位置减去源点云中的最近邻点位置得到的向量与源点云相应点的法向量求点积，若其值大于0，则为正余量测点，若小于0则为负余量测点。
[0019]进一步地，步骤3中具体包括以下步骤：
[0020]步骤3.1、点对法向距离d
iT
为点对中点到平面距离，包含正向测点对法向距离d
kT
和负向测点对法向距离d
sT
,i∈[1,m+n]，i为顺序角标，d
iT
表示第i个测点的点对法向距离，m为正向测点的总数，n为负向测点的总数；
[0021]定义δ∈R3、t∈R3分别为旋转向量跟平移向量，R3表示三维向量空间，建立点对法向距离函数，如公式(1):
[0022][0023]其中，p
i
表示目标点云P中的第i个测点，p
i+
为测点p
i
经过单步转换后的测点，q
j
表示源点云Q中与p
i
组成最邻近点对的点，F为距离函数，n
j
表示第j个源点云q
j
处的法向量，n
iT
＝n
j
，是转换向量；
[0024]步骤3.2、根据点云结构特征输入函数变形参数α值，设置权重尺度因子c值。
[0025]进一步地，步骤4中，将异常点云分为可控异常测点和完全异常测点，并对完全异常测点的权重赋值0，根据正向测点和负向测点分别计算和判断如下：
[0026]对于正向测点，构建正向测点对距离鲁棒函数如公式(2):
[0027][0028]其中w
k
为第k个正向测点的距离权重函数，当w
k
<0时修正为w
k
＝0，d
kT
为第k个正向测点到平面距离，是经单步转换后的所有正向测点到平面距离均值，若为第一次迭代的转换向量ξ＝06×1，m是正向测点的总数量，k∈[1,m]，α∈R为控制权重函数鲁棒性的变形参数；c∈(0,∞]为控制权重函数零点值的权重尺本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向复杂构件视觉测量的鲁棒函数加权最小化匹配算法，其特征在于，包括如下步骤：步骤1、构建并输入目标点云P以及源点云Q；步骤2、利用KD
‑
Tree算法搜索目标点云和源点云中最近邻点对集合，目标点云中的一个测点p
i
与源点云中与该测点p
i
距离最近的一个点q
j
组成一对最近邻点对，并基于点对的位置关系将目标点云中的点区分为正负测点；步骤3、计算最近邻点对集合中每个点对中p
i
到q
j
的法向距离，输入函数变形参数α值，设置权重尺度因子c值；步骤4、构建鲁棒函数，根据点对的距离将目标点云Q中的点区分为正常测点与异常点云，并通过鲁棒函数对点对距离施加不同程度的权重值；步骤5、基于点对法向距离与鲁棒函数建立鲁棒权重加权方差最小化的目标函数；步骤6、根据鲁棒权重加权方差最小化的目标函数求解源点云Q和目标点云P之间精配准的刚体转换矩阵，利用计算出来的刚体转换矩阵作用于源点云、以更新源点云位置；步骤7、定义余量不均点云、存在结构偏差点云时的误差评价函数；步骤8、重复步骤2
‑
7，并每隔K次迭代更新一次c的值，直到达到收敛条件，最终获得精配准的刚体转换矩阵T。2.根据权利要求1所述面向复杂构件视觉测量的鲁棒函数加权最小化匹配算法，其特征在于，步骤1中，源点云Q构建方法如下：使用CAD模型离散出源点云Q，并通过PCL库中的NormalEstimation函数去估算源点云的法向量，设置质心为视点，并计算使每个法向量的方向相对质心一致向外，完成法向量定向；所述目标点云P使用结构光三维扫描仪扫描工件得到。3.根据权利要求1所述面向复杂构件视觉测量的鲁棒函数加权最小化匹配算法，其特征在于，步骤2中，区分正负测点的方法为：目标点云中的测点位置减去源点云中的最近邻点位置得到的向量与源点云相应点的法向量求点积，若其值大于0，则为正余量测点，若小于0则为负余量测点。4.根据权利要求1所述面向复杂构件视觉测量的鲁棒函数加权最小化匹配算法，其特征在于，步骤3中具体包括以下步骤：步骤3.1、点对法向距离d
iT
为点对中点到平面距离，包含正向测点对法向距离d
kT
和负向测点对法向距离d
sT
,i∈[1,m+n]，i为顺序角标，d
iT
表示第i个测点的点对法向距离，m为正向测点的总数，n为负向测点的总数；定义δ∈R3、t∈R3分别为旋转向量跟平移向量，R3表示三维向量空间，建立点对法向距离函数，如公式(1):
其中，p
i
表示目标点云P中的第i个测点，p
i+
为测点p
i
经过单步转换后的测点，q
j
表示源点云Q中与p
i
组成最邻近点对的点，F为距离函数，n
j
表示第j个源点云q
j
处的法向量，n
iT
＝n
j
，是转换向量；步骤3.2、根据点云结构特征输入函数变形参数α值，设置权重尺度因子c值。5.根据权利要求4所述面向复杂构件视觉测量的鲁棒函数加权最小化匹配算法，其特征在于，步骤4中，将异常点云分为可控异常测点和完全异常测点，并对完全异常测点的权重赋值0，根据正向测点和负向测点分别计算和判断如下：对于正向测点，构建正向测点对距离鲁棒函数如公式(2):其中w
k
为第k个正向测点的距离权重函数，当w
k
<0时修正为w
k
＝0，d
kT
为第k个正向测点到平面距离，是经单步转换后的所有正向测点到平面距离均值，第一次迭代的转换向量ξ＝06×1，m是正向测点的总数量，k∈[1,m]，α∈R为控制权重函数鲁棒性的变形参数；c∈(0,∞]为控制权重函数零点值的权重尺度因子；d
0+
表示正向测点权重曲线的零点；对于负向测点，构建负向测点对距离鲁棒函数如公式(3):
其中w
s
为第s...

【专利技术属性】
技术研发人员：朱大虎，丁涛，吴浩，华林，
申请(专利权)人：湖北隆中实验室，
类型：发明
国别省市：