面向光学测量跨源点云的多尺度采样配准方法.docx

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

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

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

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

节。此外,对于解决尺度差异:牛雪娟等

云;Digne 等

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

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

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

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