[发明专利]基于分块标签描述子的航空发动机叶片点云数据配准方法

说明书

本发明公开基于分块标签描述子的航空发动机叶片点云数据配准方法，通过采样得到叶片场景点云数据和叶片模型点云数据，并分别计算点云数据的坐标轴，对点云数据进行分块并附标签，得到点云数据分块标签，对点云数据分块上的点进行关键点检测，采用分块标签和检测得到的关键点对叶片场景点云数据和叶片模型点云数据进行分块对应查找和关键点组合配对，得到多个关键点对，从每个点云数据分块中选出一个关键点对，组成点云数据的四点基，并求解变换矩阵，遍历点云数据分块上的多个关键点对，得到多个变换矩阵，结合距离均方差值最小化法得到最优变换矩阵，并对叶片场景点云数据进行坐标变换。该方法能够为精配准提供良好的初始值。

技术领域

本发明属于叶片加工误差检测领域，具体涉及一种基于分块标签描述子的航空发动机叶片场景与叶片模型点云数据配准方法。

背景技术

航空发动机叶片被誉为“工业皇冠上的明珠”，其高压、高温等恶劣的工作环境对发动机叶片加工精度提出了严格的要求，目前针对于发动机叶片的检测技术主要是基于三坐标机的测量，而该测量方式效率低且需要人工干预，随着视觉技术的发展，光学测量技术被引入用于发动机叶片的加工检测。

结合光学测量技术，点云配准技术被发展用于处理获取的点云数据。为了进行加工误差检测，首先要将多视角场景点云数据进行拼接，然后将拼接完成的场景点云数据与模型点云数据进行配准，使两点云处于相同位姿与坐标系下，最后根据两点云的距离关系进行误差估计。在光学测量过程中需要对被测物体粘贴标记点或用夹具平台对叶片底部夹持进行测量，这样的测量方式导致获取的点云数据存在部分缺失，即标记点位置缺失或被夹持部分缺失，这对点云配准方法提出了更高的要求。现有的点云配准方法中常用的有以下几种：一种是ICP配准，该配准方法要求两点云的距离值较小，常被用于精配准过程；一种是特征点结合描述子配准，该配准方法通过提取特征点并结合特征点附近点集信息形成该点描述子，但该方法需要根据不同形状的物体预先进行参数调试，以及针对于自由曲面的叶片配准效果不佳；还有一种针对完整点云配准的方法，是采用PCA（Principal ComponentAnalysis，主成份分析）方法进行粗配准，该方法通过计算两个点云的坐标轴进行坐标轴对齐求解变换矩阵，但用于光学测量设备获取的部分缺失的点云数据，该方法会失效，为了得到好的结果，针对于夹具测量方式，可以通过在共有平面手动选择对应点的方式避免这个问题，但该方法不满足自动检测要求。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供基于分块标签描述子的航空发动机叶片场景点云与叶片模型点云数据配准方法。

基于分块标签描述子的航空发动机叶片点云数据配准方法，包括以下：

S1、通过采样得到点云数据，并计算得出点云数据的坐标轴，点云数据包括叶片场景点云数据和叶片模型点云数据；

S2、根据点云数据的坐标轴对点云数据进行分块，得到点云数据分块，对点云数据分块附标签，得到对应的点云数据分块标签；

S3、对点云数据分块上的点进行关键点检测，采用点云数据分块标签对检测得到的关键点进行描述，得到分块标签描述子，通过分块标签描述子对叶片场景点云数据和叶片模型点云数据进行分块对应查找和关键点组合配对，得到点云数据分块上的多个关键点对；

S4、从每个点云数据分块中选出一个关键点对，组成点云数据的四点基，通过四点基求解变换矩阵，遍历点云数据分块上的多个关键点对，得到多个变换矩阵，结合距离均方差值最小化法得到最优变换矩阵，根据最优变换矩阵对叶片场景点云数据进行坐标变换，得到变换后的叶片模型点云数据坐标系下的叶片场景点云数据。

优选地，S1具体为：

S11、通过光学测量设备采集叶片多视角场景点云数据，对其进行拼接和采样，得到叶片场景点云数据；

S12、对叶片CAD模型数据进行采样，得到叶片模型点云数据；