[发明专利]一种基于熵增优化的大型复杂构件点云全局匹配方法

说明书

本发明公开了一种基于熵增优化的大型复杂构件点云全局匹配方法，包括获取相邻视角场景的三维点云坐标，获得源点云X与目标点云Y，对其下采样分别得到采样点云x与采样点云y；基于采样点云x与采样点云y构建物理能量模型；基于熵增定律，根据物理能量模型计算对采样点云x的当前运动的扭矩T和拉力S，根据扭矩T和拉力S计算当前施加的旋转及平移(R_k,t_k)，获得变换后的点集；计算当前采样点云x在引力场中的势能并记录当前迭代次数；根据势能或迭代次数确定满足预设的结束条件时，累计所有变换后的点集，对源点云X进行旋转平移，实现源点云X与目标点云Y之间的配准。提高了配准精度与鲁棒性，降低方法的失败率。

技术领域

本发明属于图像配准技术领域，特别是涉及一种基于熵增优化的大型复杂构件点云全局匹配方法。

背景技术

近些年，随着机器视觉技术的快速发展，三维图像获取硬件设备也迎来了跨越式的进步，随之而来的是数据量越来越庞大的点云图像。点云配准技术作为三维模型重建的关键技术，他将不同视角的面点云图像统一起来，重建出精确的三维模型。在航空航天、高铁动车、大型船舶等智能制造体系中，基于三维视觉图像的模型重建方法一直是一个需要攻克的关键技术。如果对于大型复杂异型曲面工件进行视觉检测是一个亟待解决的重大难题。

在飞机蒙皮、高铁转向架以及船舶螺旋桨中等一大批形状复杂、尺寸巨大的工件智能制造工艺中，在应用现有基于三维视觉的重建检测算法，往往会遇到尺寸大带来的图像拼接困难、形状复杂带来的测量精度低下以及边缘曲率复杂使得定位失败率高，现有的三维视觉的图像匹配算法难以实现高速高精高效率的视觉检测，更加难以对大型复杂异型曲面工件进行有效重建。

目前在一定先决条件下应用最广泛的算法是迭代最近点(Iterative ClosestPoint)算法。它迭代的计算最优对应点集与求解误差最小的最优变换步骤直到算法收敛，算法高效且奠定了一个点云图像配准良好的框架基础。但是它对于点集的对应关系以及点云姿态初始位置都有极高的要求，难以满足现有大型构件的测量加工需求。

发明内容

针对以上技术问题，本发明提供一种基于熵增优化的大型复杂构件点云全局匹配方法，其目的是为了解决背景技术中现有图像点云配准算法鲁棒性差、配准精度不高以及对大型复杂构件配准成功率低的技术问题。

一种基于熵增优化的大型复杂构件点云全局匹配方法，方法包括如下步骤：

步骤S100：获取相邻视角场景的三维点云坐标，获得源点云X与目标点云Y，对源点云X与目标点云Y进行下采样分别得到采样点云x与采样点云y；

步骤S200：基于采样点云x与采样点云y构建物理能量模型；其中，采样点云y产生恒定的连续物理引力场，采样点云x在引力场中受力运动；

步骤S300：基于熵增定律，根据物理能量模型计算对采样点云x的当前运动的扭矩T和拉力S，根据扭矩T和拉力S计算当前施加的旋转及平移(R_k,t_k)，获得变换后的点集；

步骤S400：分别获取采样点云x与采样点云y的点云数量、当前采样点云x、当前采样点云y的单点质量，以及当前采样点云x与当前采样点云y间的距离，计算当前采样点云x在引力场中的势能并记录当前迭代次数；

步骤S500：根据势能或迭代次数确定满足预设的结束条件，累计所有变换后的点集，根据所有变换后的点集，对源点云X进行旋转平移，实现源点云X与目标点云Y之间的配准。

优选地，步骤S100包括：

步骤S110：获取相邻视角场景的三维点云坐标，获得源点云X与目标点云Y；

步骤S120：设定下采样阈值比例α％，通过对源点云X与目标点云Y进行随机下采样分别得到源点云Xα％点数量的点坐标与目标点云Yα％点数量的点坐标，分别记为采样点云x与采样点云y。