[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

说明书

本发明公开了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，该方法包括以下几个步骤：步骤1：将输入的配准点云对划分为三组，从每组配准点云对中选取一个点云对，求解出对应的变换矩阵R_i；步骤2：将求得的变换矩阵转换为欧拉旋转角，构建欧拉旋转角集合D；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，从而完成误配准点云对滤除；该方法充分利用了给定点云配准对的空间信息，进行有效分解，并高效聚类，从而能够有效排除三维点云配准中误配准点，对点云的噪声、配准位置偏移等有较强适应性。该系统结构简单，操作方便。

技术领域

本发明属于图像配准领域，特别涉及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。

背景技术

智能制造技术即通过工业机器人集成智能化感知、人机交互、决策和执行技术，替代人类完成高精度、高强度重复作业，在航空航天、海洋工程、轨道交通、新能源等高端制造业具有广阔的应用前景，能够完成复杂工件识别、定位抓取、焊接打磨、钻孔铆接等作业任务。

智能制造正在由二维机器视觉向三维机器视觉方向发展，但相比于二维机器视觉，三维视觉空间点云配准的准确率一直较低。最主要的原因就是三维空间具有数据复杂度高、噪声干扰大、三维特征表达困难，导致点云配准过程出现偏差，存在大量错误的配准结果，极大的影响了配准结果。

异形曲面指的是非标准化的复杂曲面结构，在航空航天、海洋工程、轨道交通等高端制造业中广泛存在。由于异形曲面结构局部深度图像相似度高、曲面模型包含高阶非线性函数难以拟合等问题，在异形曲面的机器人加工检测过程中，对多幅三维点云深度图像配准的准确率难以保证，大量的误配准结果严重影响了其加工和检测精度。

目前，针对复杂异形曲面的三维点云配准误差补偿方法主要有两种。一种方法基于随机抽样一致(RANSAC)算法，在一组包含“误点”的数据集中，采用随机抽样选定可能的数据模型，并不断迭代，最终寻找最优参数模型，不符合最优模型的点即为“误点”。另一种基于点云配准的局部区域判定，通过三维点云局部配准与全局配准转换函数的一致性来在小区域范围内判断判准结果的正确性。但两种方法均存在不可控的误判情况，并且需要一定先验知识才能准确运行。

发明内容

本发明提供了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，通过对配准对完整空间信息的分析，建立配准点云的空间转换特征，再根据空间转换特征对配准点云进行密度聚类，保留密度分布最集中的聚类作为输出的滤除结果。

一种基于密度聚类的三维点云误配准滤除方法，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；