[发明专利]一种基于点云数据的图像配准方法及装置

说明书

本申请的一种基于点云数据的图像配准方法，包括：将CAD模型网格化为三角面片模型；计算三角面片模型中所有模型点对的局部特征及空间位置，建立局部特征模型；获取待测工件的点云数据；计算实际点对的局部特征；将实际点对的局部特征与局部特征模型中的局部特征进行匹配，获得粗配准刚性变换矩阵；基于粗配准刚性变换矩阵计算CAD模型与点云数据的精配准刚性变换矩阵；根据精配准刚性变换矩阵对点云数据进行旋转平移变换，使CAD模型与待测工件的点云数据相匹配。通过本申请方法能够准确计算待测工件的局部特征，当局部特征准确度高时，能够提高粗配准的精准度，同时也能为精配准提供准确的初始变换矩阵。本申请还提供一种基于点云数据的图像配准装置。

技术领域

本申请涉及图像处理技术领域，尤其涉及一种基于点云数据的图像配准方法及装置。

背景技术

工业产品的表面缺陷对产品的美观度、舒适度和使用性能等带来不良影响，所以生产企业对工件的表面缺陷进行检测以便及时发现并加以控制。在表面缺陷检测过程中，通常先将待测工件的CAD标准模型与实时采集的待测工件点云数据进行匹配，即图像配准方法，再检测待测工件是否有缺陷。图像配准方法一般包括粗配准和精配准。其中，粗配准是将不同坐标系下的点云大致统一到一个全局坐标系下进行初始坐标变换，为精配准提供一个良好的初始变换矩阵。在具有良好初始变换矩阵的条件下进行精配准，可提高精配准的精度和速度。

目前常采用采样一致性初始配准算法(Sample Consensus Initial Aligment,SAC-IA)进行粗配准。SAC-IA算法主要分为以下过程：对标准模型和待测工件进行数据采样；基于采样数据分别计算标准点云的特征描述子以及待测工件点云的特征描述子；根据标准点云和待测工件点云的特征描述子，计算初始配准对应点对；根据初始配准对应点对求出粗配准刚性变换矩阵。同时，粗配准是个迭代的过程，所以结束迭代的条件之一是人为设定的迭代次数，如果达到预先设定的迭代次数，那么这个粗配准过程结束。

SAC-IA算法的特征描述子是基于特征点(keypoint)与其邻域点的空间几何关系来编码的。在标准点云或待测工件点云中选取特征点时具有一定的随机性，使得粗配准过程获得的粗配准刚性变换矩阵也具有一定的随机性，导致粗配准结果的精准度较低，进而也增加了精配准的误匹配几率。目前通过增加粗配准过程中的迭代次数，达到提高粗配准结果精准度的目的，但迭代次数增加又造成了匹配耗时长、匹配效率低的问题。

发明内容

本申请提供了一种基于点云数据的图像配准方法及装置，以不增加迭代次数的情况下，提高粗配准的精准度。本申请采用的技术方案如下：

一种基于点云数据的图像配准方法，包括以下步骤：

将CAD模型网格化为三角面片模型，所述CAD模型为待测工件的标准模型；

计算所述三角面片模型中所有模型点对的局部特征及空间位置，建立局部特征模型，所述模型点对由所述三角面片模型中的任意两个模型点组成；

获取所述待测工件的点云数据，所述点云数据是利用三维扫描设备对待测工件表面进行数据采样而得到；

计算所述点云数据中实际点对的局部特征，其中，所述点云数据中的点由实际点和参考点组成，所述实际点和参考点组成所述实际点对；

将所述实际点对的局部特征与所述局部特征模型中的局部特征进行粗配准，获得粗配准刚性变换矩阵；

基于粗配准刚性变换矩阵，对所述CAD模型与所述点云数据进行精配准，获得精配准刚性变换矩阵；

根据所述精配准刚性变换矩阵对所述点云数据进行旋转、平移变换，使所述CAD模型与所述待测工件的点云数据相匹配。

进一步地，将所述实际点对的局部特征与所述局部特征模型中的局部特征进行匹配，获得粗配准刚性变换矩阵，包括以下步骤：