[发明专利]一种复杂异形曲面机器人三维测量的点云误配准滤除方法及系统

权利要求书

1.一种基于密度聚类的三维点云误配准滤除方法，其特征在于，包括以下步骤：

步骤1：将输入的配准点云对划分为三组{a_i},{b_i},{c_i}，从每组配准点云对中选取一个点云对，根据矩阵变换关系，求解出a_i,b_i,c_i对应的变换矩阵R_i；

{a_i}＝{(x_3i-2-x_3i-1,y_3i-2-y_3i-1)}

{b_i}＝{(x_3i-1-x_3i,y_3i-1-y_3i)}

{c_i}＝{(x_3i-x_3i-2,y_3i-y_3i-2)}

其中，i＝1,2,3,...,INT(N/3)，INT()表示向下取整函数；

步骤2：将求得的变换矩阵转换为欧拉旋转角，得到INT(N/3)个欧拉旋转角d_i，d_i＝(θ_i,ω_i,φ_i)，并构建欧拉旋转角集合D，D＝{d_i}；

其中，θ_i,ω_i,φ_i分别表示欧拉旋转角的x轴分量、y轴分量和z轴分量，N表示配准点云对的总数；

步骤3：对D中的欧拉旋转角进行自适应密度聚类，选出聚类结果中包含欧拉旋转角数量最多的类，并将用于求解该类欧拉旋转角的配准点云对作为可信配准点云对，从而将所输入的配准点云对中的误配准点云对滤除。

2.根据权利要求1所述的方法，其特征在于，所述对D中的欧拉旋转角进行自适应密度聚类是指利用D中的欧拉旋转角自适应计算半径参数e和最小邻域数Minpts，基于半径参数e和最小邻域数Minpts对D进行密度聚类；

所述利用D中的欧拉旋转角自适应计算半径参数e和最小邻域数Minpts的过程如下：

首先，计算D中任意两点之间的欧氏距离dist：

然后，搜索dist的最大值maxdist和最小值mindist，并计算距离间隔disrange；

Maxdist＝Max{dist(n,m)|0≤n＜i,0≤m＜i}

Mindist＝Min{dist(n,m)|0≤n＜i,0≤m＜i}

distrange＝Maxdist-Mindist

其中，i表示点的数目；

接着，将距离间隔等距分为十段，统计dist在每个距离间隔分段范围内的个数，半径参数e的取值为个数最高的距离间隔段的中值，最小邻域数Minpts初始值设定为3；

最后，计算所有欧拉旋转角的邻域点数目超过最小邻域数目的欧拉旋转角的数目pNum，随着最小邻域数目的增加，pNum会逐渐减少并趋于稳定，选择pNum的拐点所对应的最小邻域数目作为最小邻域数MinPts；

3.根据权利要求2所述的方法，其特征在于，所述基于半径参数e和最小邻域数Minpts对D进行密度聚类是指从选定的作为核心点的欧拉旋转角出发，不断向密度可达的e邻域扩张，扩张时，e邻域中的点的数量不小于Minpts，得到一个包含核心点和边界点的最大化区域，区域中任意两点密度相连，每个区域中包含的欧拉旋转角作为一个簇类。

4.一种复杂异形曲面机器人三维测量的点云误配准滤除系统，其特征在于，包括机器人移动平台、三维扫描仪以及配准处理单元；

所述三维扫描仪和配准处理单元搭载在机器人移动平台上，且三维扫描仪设置于机器人移动平台活动端；配准处理单元接收三维扫描仪采集的目标多角度点云数据，对点云数据进行点云特征匹配，并采用权利要求1-3任一项所述方法对匹配后的三维点云对进行误配准滤除。