[发明专利]一种复杂异形曲面机器人三维测量的点云分割方法

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分割方法，包括以下步骤：S100、输入以地面、桌面为背景的叶片点云X，利用体素滤波滤除背景点，得到目标叶片点云Y；S200、利用PCA算法计算出Y中点的法向量、平面轮廓度，并剔除离群点，将关联点集合记为一致集CS；S300、利用法向量、平面轮廓度偏差建立成对连接，确定聚类中心后进行搜索，并搜索所有与它相连的点，生成聚类C；S400、利用Delaunay三角剖分方法对聚类C进行曲面拟合；S500、对于每一个拟合的曲面切片，计算其曲率，并设定曲率偏差阈值，若相邻两个曲面切片之间的曲率偏差小于阈值，则合并；否则不合并，从而得到与背景点云分割开的完整叶片点云Y。具有分割准确、输入参数少、鲁棒性强的优点。

技术领域

本发明涉及视觉测量技术领域，特别是涉及一种复杂异形曲面机器人三维测量的点云分割方法。

背景技术

复杂异形曲面是一类形状非结构化、曲面复合弯曲并在空间任意堆叠、曲率变化大且边缘检测较难的曲面。以航空发动机涡轮叶片为例，复杂异形曲面在航空航天、汽车制造等高端智能制造领域应用十分普遍，人们对于如何获得其三维信息并进行精密测量的需求日益提高。然而，三维视觉测量获得的复杂异形曲面点云是非结构化的，且噪声点多。点云分割作为对三维点云进行加工时的重要预处理过程，是三维测量的关键步骤，点云分割的效果好坏与否直接影响着后续的三维测量乃至最后的加工、打磨的精确度。

对于复杂异形曲面的点云分割，主要存在的难点有难分割、误分割、分割慢。首先，由于复杂异形曲面结构具有形状非结构化、曲面复合弯曲并在空间任意堆叠等特殊性，因此，难以找到特征点的同时也难以对其进行拟合，从而造成分割难；其次，由于其曲率变化大且边缘检测较难，这会导致背景点以及边缘噪声点被误分割入前景点云，从而无法达到精密测量所需的精度；最后，复杂异形曲面点云以及背景点云数据量大，处理过程慢，不适用于效率要求高的工业制造领域。以上的难点会使得分割精度与效率降低，影响后续测量。

针对这一问题，目前采取的大多都是RANSAC(随机采样一致)算法、区域生长算法等传统分割算法。RANSAC算法通过创建一个分割器，设置目标几何形状，设置误差容忍范围，输入并分割点云。但其缺点在于，随着局外点的增多，迭代次数会变多，耗时也会变长。如果设置了迭代上限，可能会导致抽样不充分从而计算出错误的模型；如果不控制迭代次数，便会造成算法效率低下难以收敛。此外，只能在特定的数据集中时估计出一个模型，对于数据集中存在两个或者两个以上的模型，RANSAC不能识别。区域生长算法首先人工或随机选择种子点，将种子周围的点和种子相比，如果同时满足法线方向足够近、曲率是否足够小，则该点可用做种子。如果只满足法线方向足够近，则归类而不做种子。从某个种子出发，其“子种子”不再出现，则一类聚集完成。该方法简单易实现，但是太依赖于种子点的选择或者区域生长的规则，通常只能用于初步的语义分割，精细化处理阶段需与其他方法混合使用，导致其精度不高。

发明内容

有鉴于此，本发明提出一种复杂异形曲面机器人三维测量的点云分割方法，在体素滤波与成对连接聚类算法的基础上，筛除了背景点云及误分割点，从而提高了分割的精度和效率，大大节省了所需的迭代时间及运算量。

一方面，本发明提供了一种复杂异形曲面机器人三维测量的点云分割方法，包括以下步骤：

S100、输入以地面、桌面为背景的叶片点云X，利用体素滤波滤除背景点，得到目标叶片点云Y；

S200、利用PCA算法计算出Y中点的法向量、平面轮廓度，并剔除离群点，将关联点集合记为一致集CS；

S300、利用法向量、平面轮廓度偏差建立成对连接，确定聚类中心后进行搜索，并搜索所有与它相连的点，生成聚类C；

S400、利用Delaunay三角剖分方法对步骤S300产生的聚类C进行曲面拟合；