[发明专利]一种3D点云成像及定位的方法

说明书

技术领域

本发明涉及计算机成像领域，特别涉及一种3D点云成像及定位的方法。

背景技术

通过激光进行3D点云成像就是通过摄像头捕捉激光扫描过的每一个点，然后基于激光三角形几何理论，把摄像头捕捉的二维信息转化成三维信息。再捕捉完成所有的激光点，即可生成反映了物体表面形态的3D点云。运动坐标定位不但要得到物体的表面形态，还要确认物体坐标系相对于世界坐标系的位姿。3D点云成像和定位技术在逆工程研究和运用中有着重要的地位。

现有技术采用了激光与单镜头/传感器的三角形方法，这样的方法对激光的定位精度要求高，光路复杂，且在使用的过程中精度会不断降低。在面对非常复杂的表面时，会出现激光的扫描盲区，在3D点云成像中会有缺失。

发明内容

本发明的目的在于克服现有技术的不足，提供一种3D点云成像及定位的方法，该点云成像方法采用双目成像系统对激光点数据进行采集，增加了采集精度，而且能够对形成的3D点云信息进行检测判断是否存在漏扫部分，对漏扫部分进行重新扫描，同时能够得到物体的运动坐标系来确定被扫描的物体的位姿，为物体扫描后的识别、机器自动化控制提供数据基础。

为了实现上述目的，本发明采用的技术方案为：一种3D点云成像方法，包括双目成像系统、激光器，激光器发出扫描光束值被测物体表面，双目成像系统采集激光点的信息，通过两个相机标定过的参数对每个激光点进行平面到空间的转换，得到激光点的空间坐标信息，将所有扫描点的信息整合在一起得到3D点云模型。

对得到的3D点云模型进行封闭性检测，判断是否有未封闭的曲面，若存在，则扫描存在遗漏点，确定遗漏点所在的区域，对该区域重新扫描，更新3D点云模型。

判断是否有未封闭的曲面包括如下步骤：

步骤1：以3D点云模型中各点为中心划定多个与各点相对应检测区域；

步骤2：分别计算各检测区域的点云密度；

步骤3：根据各区域的点云密度判断检测区域内是否异常，若点云密度异常，则存在未扫描的区域即为3D点云存在未封闭的曲面。

若步骤3中检测区域为点云密度异常区域，则检测区域对应的中心点为边界点，相邻的边界点连接形成的轮廓线包围的区域即为存在漏扫点区域，对该区域进行重新扫描，更新3D点云信息。

在得到边界点后，对边界点进行过滤操作，滤除噪音点。这里边界点即为可疑点，其具体包括在每个可疑点的周围划分一个三维的正方体卷积区域，对该正方体进行工件的网格化，并且为每个网格定义该网格的权重，距离可疑点较近的网格拥有较高的权重，距离可疑点较远的网格拥有较高的权重。所有权重的数字组成了滤波器，也可以成为卷积核，用这个卷积核对每个可疑点进行卷积计算，本质上为加权平均数的计算。在该网格内如果存在一定数量的可疑点，就用可疑点的数量乘以该网格的权重，如果不存在可疑点，可疑点的数量为零。对所有网格内的可疑点数量进行加权平均数的计算后，可以得到一个分数值，该分数如果小于了临界的阈值，则该点为噪音点，会被滤去。滤除噪音点后再对过滤后的相邻的边界点连接形成轮廓线。

提取更新后的3D点云表征物体形状的特征点、特征点的三维坐标以及特征点对应的平面法向量，通过ICP算法得到被扫描物体的运动坐标系。

求取特征点及平面法向量方法为：通过ICP算法对3D点云通过不同程度的高斯滤波器进行模糊处理，得到了突出了三维点云不同特征的新的点云。再把得到的新点云和原有点云进行对比，得到了在一定的定义域内相干系数的极值点。这些极值点即为反映了扫描物体的形状特征的特征点。在原有的点云中，根据坐标信息找到这些特征点以及相邻的点，拟合相切于点云且通过了该点的平面，求取该平面的法向量。

定义这个法向量为该特征点的特征向量。把得到的所有特征点，特征向量，以及特征点的三维坐标，运用ICP算法在数据库中进行检索。数据库中存有用户相关领域的三维点云模板，每个模板均有自定义的运动坐标系，该运动坐标系的确定是结合了该模板的形状特征来设定的，可以清晰的表明该物体的位置和姿态。ICP算法再检索到了模板之后，会返回该模板的属性定义，也会返回描述每个特征点和模板中的该特征点之间的空间矢量关系。通过这些矢量关系，可以依照模板中定义运动坐标系的规则，自定义三维点云的运动坐标系。并且通过空间坐标系转化算法，带入每个特征点的空间矢量关系，求取自定义过的三维点云坐标系和模板中的模板坐标系之间的映射。