針對工業(yè)流水線上激光掃描工件獲得的點云數(shù)據(jù)的配準(zhǔn)問題,提出了一種基于點云數(shù)據(jù)幾何特征改進(jìn)的點云自動配準(zhǔn)新算法。新算法首先根據(jù)點云數(shù)據(jù)中法向量的變化規(guī)律選取特征點,作為初始的匹配點集;然后運(yùn)用一種根據(jù)點對間距離約束優(yōu)化的隨機(jī)抽樣一致(RANSAC)算法對數(shù)據(jù)初始匹配;并運(yùn)用k-d tree加速改進(jìn)的最近點迭代(ICP)算法進(jìn)行精確匹配;并運(yùn)用四元數(shù)法求得配準(zhǔn)參數(shù)。分別對提出的新算法、PCA改進(jìn)算法和經(jīng)典ICP算法進(jìn)行了實驗,并對實驗結(jié)果進(jìn)行了對比。對比結(jié)果表明新算法能夠?qū)崿F(xiàn)配準(zhǔn),并顯著提高了配準(zhǔn)的速度和精度,表明了新算法的有效性,對實際應(yīng)用具有一定的現(xiàn)實意義。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1 根據(jù)閾值ε1選取的特征點集

本文選取斯坦福Bunny點云數(shù)據(jù)作為實驗?zāi)Ｐ?同時將點云模型處理,模擬出目標(biāo)點云。通過本文方法選取的特征點如圖1所示,觀察可見點云中幾何變化程度較大的點得到了保留。然后,對保留下來的所有點pm和qn與其k近鄰點的特征度再進(jìn)行比較,即這一點特征度是其k鄰域所有點特征度的最大值,則保....

圖3 根據(jù)距離不變性約束篩選的匹配點對

找出符合距離約束條件的匹配點對如圖3所示,之后結(jié)合RANSAC即隨機(jī)采樣一致性算法對數(shù)據(jù)重新采樣,完成初始配準(zhǔn)。本文通過對比單位四元數(shù)算法[9],對偶四元數(shù)法[10]和奇異值分解法[11]的精確度和魯棒性,最終選取單位四元數(shù)法求解。單位四元數(shù)算法具體為:假設(shè)存在單位四元向量qR=....

圖4 原模型點云和處理后的點云示意圖

為了驗證本文算法的有效性和配準(zhǔn)性能,設(shè)計了仿真對比實驗。采用斯坦福大學(xué)網(wǎng)站提供的bunny模型作為模板點云進(jìn)行了配準(zhǔn)實驗。運(yùn)用本文的改進(jìn)算法,經(jīng)典ICP算法和PCA的改進(jìn)算法[12]進(jìn)行了比較,點云模型根據(jù)實驗需要進(jìn)行了處理。實驗在Corei7-6820HKCPU,16GB內(nèi)存,....

圖5 兩個點云模型在空間坐標(biāo)系中的位置關(guān)系示意圖

圖4原模型點云和處理后的點云示意圖粗配準(zhǔn)結(jié)果如圖6所示,從圖中可見經(jīng)過粗配準(zhǔn)之后兩個點云型得到了較好的位置關(guān)系。

本文編號：4027838