没有合适的资源?快使用搜索试试~ 我知道了~
面向光学测量跨源点云的多尺度采样配准方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 115 浏览量
2023-02-23
20:39:32
上传
评论
收藏 2.27MB DOCX 举报
温馨提示
试读
14页
面向光学测量跨源点云的多尺度采样配准方法.docx
资源推荐
资源详情
资源评论
摘要
为了实现具有不同测量尺度、分辨率与精度等特性的跨源点云的精确配准,提出了基于多尺
度采样的测量点云数据配准方法。通过尺度滑移算法来滤除高频细节信息,保留轮廓数据,
并结合体素网格邻域法来实现点云数据的降采样;对于宏观结构光视觉测量的低分辨率点云
数据,通过基于深度学习的渐进式三维点云上采样算法可以精确还原结构光点云的轮廓细
节,实现跨源点云在尺度与分辨率上的统一。最后,采用迭代最近点法对处理后尺度近似的
数据进行配准,并将配准关系逆向用于原始跨源点云的配准。实验结果表明,多尺度采样方
法对于跨源点云的配准精度有所提高,能有效用于发动机叶片等零部件的高性能检测。
Abstract
In order to realize the accurate registration of cross-source point clouds with different
measurement scales, resolutions, and accuracy, a measurement point cloud data
registration method based on multi-scale sampling is proposed. The scale slip algorithm
is used to filter out the high-frequency details, retain the contour data, and combine the
voxel grid neighborhood method to realize the downsampling of point cloud data. For the
low-resolution point cloud data measured by macro-structured light vision, through the
progressive three-dimensional point cloud upsampling algorithm based on depth
learning, the contour details of structured light point clouds can be accurately restored,
and the unity of scale and resolution of cross-source point clouds can be realized. Finally,
the iterative nearest point method is used to register the data with scale approximate
after processing, and the registration relationship is inversely applied to the registration of
the original cross-source point cloud. The experimental results show that the multi-scale
sampling method can improve the registration accuracy of cross-source point clouds and
can be effectively used for high-performance detection of engine blades and other parts.
1 引言
随着先进制造、逆向工程技术的不断发展,产品的小型化与精密化推动着微观尺度特征与宏
观形状特征的集成,不同的尺度特征可以描述产品的不同参数
[1]
。目前已有针对特定测量尺
度的光学测量仪器,但单一的测量仪器无法实现精度、分辨率与测量视场存在差异的全方位
测量。以检测航空发动机涡轮叶片为例:显微测量精度、分辨率高,可以测量气膜孔、缺陷
等小尺度特征,但是其视场小、效率低,无法快速测量叶片的整体数据;面结构光测量视场
大、效率高,可以快速测量叶片的整体数据,但是测量精度、分辨率低,无法精确测量小尺度
特征。大量研究表明,多测量传感器组合的方式可以满足多尺度的测量要求,而且充分发挥
了单个测量仪器的优势
[2]
,但是同一特征、不同尺度的测量结果需要配准和融合,这种跨源点
云的准确配准成为了目前亟须解决的难题。
跨源点云是从不同类型的传感器上获取的
[3]
,由于不同类型的传感器具有不同的成像机制和
传感器噪声,所以跨源点云的分辨率、尺度、视场相差大。传统的配准方法,如 Besl 等
[4]
提
出的迭代最近点(ICP)算法是寻找每个点对应的精确匹配点,靳宇婷等
[5]
通过点云轮廓约束来
实现点云配准,然而跨源点云之间存在尺度差异以及测量噪声,使得匹配点搜索变得较为困
难。近年来,为了解决跨源点云配准的难题,研究人员进行了大量的工作。Ramasamy 等
[6]
首
先通过小波变换等方法对采样间隔大的数据进行下采样,然后通过人工标记点进行粗配准,
最后通过 ICP 进行精配准。莫程威等
[7]
通过分形维数来计算小波变换级数并用于配准,然而
小波变换主要对图像或者深度图进行处理,不适合对点云进行处理。卢升等
[8]
通过加入尺度
因子来实现变尺度的点云配准。Huang 等
[9]
提出了一种从粗到细的跨源点云配准算法,即通
过特征点来快速检测出少量的潜在匹配区域,再通过生成式高斯混合模型(GMM)进行精配
准,然而该配准算法忽略了跨源点云分辨率、尺度较大的问题。为了解决点云的分辨率差
异,张彬等
[10]
通过体素化对点云进行降采样,但未考虑到测量尺度的影响。此外,Alexa 等
[11-12]
还提出了一些上采样方法,传统的点云上采样方法依赖于形状的先验性以及局部几何的拟
合,具有较大的局限,无法保留多尺度特征。近几年来,基于深度学习的点云上采样方法越来
越受到人们的关注。Yu 等
[13]
将 PU-Net(Point Cloud Upsampling Network)用于点云的上采
样,并在后续提出 EC-Net(Edge-Aware Point Set Consolidation Network)
[14]
,但细节的恢复
效果较差。Wang 等
[15]
提出了一种渐进式的多步点云上采样(MPU)网络,其能够恢复几何细
节。此外,对于解决尺度差异:牛雪娟等
[16]
提出了小波变换,然而这种方法不适合散乱的点
云;Digne 等
[17-18]
提出了尺度空间算法,通过设置不同的迭代次数可以分离出不同尺度信息的
点云数据,然而该算法无法减少数据量,点云的分辨率无法改变。
本文提出了一种多尺度采样方法,其结合了尺度滑移点云下采样算法和基于深度学习的点云
上采样算法,可以实现对显微测量和面结构光测量得到的跨源点云进行高精度配准。以航空
发动机叶片的精密测量为应用对象,所提方法提升了测量数据配准的精度,实现了叶片的形
状轮廓和形貌特征的精确表征,获得了良好的测量效果。
2 算法架构
跨源点云的分辨率、尺度相差较大是导致配准难度大的主要原因,因此本文首先应用尺度滑
移方法对高分辨率的显微数据进行尺度平滑处理以缩小尺度差异。接着通过体素网格邻域
法对数据进行降采样,用来缩小分辨率上的差异。同时考虑到较大的降采样率会影响显微数
据的保真性,利用渐进式上采样网络对分辨率低的结构光点云进行上采样。最后通过特征点
与 ICP 来实现配准。该方法有效缩小了跨源点云在尺度与分辨率两个方面的差异,提高了配
准精度。算法的实现总体流程如图 1 所示,其中 RT 矩阵代表配准求解出的旋转、平移转换
矩阵。
图 1. 算法的总体流程图
Fig. 1. Overall flowchart of algorithm
下载图片 查看所有图片
3 基于尺度滑移的点云降采样
根据多尺度的理论
[7]
,点云降采样不是简单地删减数据量,其以降低尺度为前提,即需要滤除显
微测量数据中丰富的高频细节信息,保留低频轮廓信息。本文通过对尺度空间算法进行改
进,利用尺度滑移对高分辨率的显微数据进行降采样。
针对连续曲面 M,每个点 x 的法向量 n(x)总是朝着曲面的凹面。对于每一个点 x,选择一个包
含法向量和选定的切线方向的法平面,法平面与曲面 M 的交线是一个平面曲线,H(x)是所选
切线方向对应的曲面方向的曲率。尺度空间算法的降尺度平滑过程是对点集进行迭代,使点
集中的点进行平均曲率运动(MCM),即所有的点都以数值等于表面平均曲率的速度向曲面的
凹面移动,而表面的 MCM 可以表示为
∂x∂t=Q(x)n(x),(1)∂x∂t=Q(x)n(x),(1)
式中:Q(x)为点 x 的平均曲率;t 为时间。
对于点集 S 中的点 p,邻域半径为 r,N
r
(p)为 S 在以 p 点为中心、半径为 r 范围内的点集,q
为 N
r
(p)中的点。离散点集的 MCM 求解过程如下。
首先求解 q 点邻域的加权重心 p−p-,其表达式为
p−=∑∈qw(q)q∑∈qw(q),(2)p-=∑q∈Nr(p)w(q)q∑q∈Nr(p)w(q),(2)
式中:w(q)为权重,可表示为
w(q)=exp(−∥p−q∥22r2)
。
(3)w(q)=exp-‖p-q‖22r2。(3)
重心协方差矩阵 C 为
剩余13页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3697
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功