[发明专利]基于一致点漂移算法的三维非刚体点云配准方法

摘要

基于一致点漂移算法的三维非刚体点云配准方法，本发明涉及基于点云配准的喷漆机器人位置配准方法。本发明的目的是为了解决现有三维点云非刚体配准算法在点云数据量大、变形复杂、有噪声、出格点和缺失点影响的情况下，存在配准精度低、鲁棒性差、计算时间长的缺点。具体过程为：一、利用喷漆机器人中的图像采集设备对待喷漆物体进行扫描，得到一组三维点云数据作为待配准点云；二、得到的点云数据作为参考点集；三、计算参考点集与已有的模板点集的协方差σ，并初始化一致点漂移算法的相关参数；四、构造高斯核矩阵；五、得到最终配准的结果点集，根据最终的配准结果点集对待喷漆物体进行喷漆作业。本发明用于喷漆机器人位置配准。

主权项

1.基于一致点漂移算法的三维非刚体点云配准方法，其特征在于：所述方法具体过程为：步骤一、利用喷漆机器人中的图像采集设备对待喷漆物体进行扫描，采集得到一组三维点云数据作为待配准点云；步骤二、对步骤一中采集得到的待配准点云进行预处理，得到的点云数据作为参考点集；步骤三、计算步骤二中得到的参考点集与已有的模板点集的协方差σ，并初始化一致点漂移算法的相关参数；一致点漂移算法的相关参数包括系数矩阵W，反应噪声影响占比的权值ω，高斯滤波器的宽度β和最大似然拟合参数λ；步骤四、通过步骤三得到的协方差和初始化后的相关参数，构造高斯核矩阵G；步骤五、利用步骤四中得到的高斯核矩阵，迭代更新模板点集直至收敛，得到最终配准的结果点集，根据最终的配准结果点集对待喷漆物体进行喷漆作业；所述步骤二中对步骤一中采集得到的待配准点云进行预处理,得到的点云数据作为参考点集；具体过程为：步骤二一、对步骤一中采集得到的待配准点云中不需要配准的背景点云数据进行删除，得到去背景后的点云；步骤二二、使用统计滤波器和半径滤波器对步骤二一中得到的去背景后的点云中的离群点进行删除，得到滤波后的点云；步骤二三、对步骤二二中得到的滤波后的点云进行降采样，得到降采样后的点云；步骤二四、将步骤二三中得到的降采样后的点云以矩阵的形式保存为一个数据集，做为参考点集；所述步骤三中计算步骤二中得到的参考点集与已有的模板点集的协方差σ，并初始化一致点漂移算法的相关参数；具体过程为：步骤三一、参考点集和模板点集分别表示为X_N×D＝(x₁,…x_N)^T，Y_M×D＝(y₁,…y_M)^T，则两点集的协方差初始化为：其中，M,N分别为模板点集和参考点集中点的数目，取值为正整数；D为点集的维数；x_n为参考点集中第n个点的D维向量，y_m为模板点集中第m个点的D维向量；步骤三二、对一致点漂移算法的相关参数初始化，系数矩阵W初始化为零矩阵，即W＝0；对ω,β,λ初始化，满足0≤ω≤1，β＞0，λ＞0；所述步骤四中通过步骤三得到的协方差和初始化后的相关参数，构造高斯核矩阵G；具体过程为：式中，g_ij表示高斯核矩阵G第i行第j列元素，e是自然对数的底数，β为高斯滤波器的宽度，y_i,y_j分别表示模板点集中第i个和第j个点的D维向量；所述步骤五中利用步骤四中得到的高斯核矩阵，迭代更新模板点集直至收敛，得到最终配准的结果点集；具体过程为：步骤五一、利用CUDA核函数计算高斯关联矩阵K：先将模板点集Y_M×D和参考点集X_N×D拷贝到显存，并为CUDA核函数分配M×N个线程，所有线程同时计算矩阵K中的对应元素，计算方法为式中，k_mn为高斯关联矩阵K的第m行第n列元素；步骤五二、基于步骤五一得到的高斯关联矩阵K，利用CUDA核函数在GPU中并行计算下列三个向量：P^TF＝F‑ca；PF＝Ka；PX_N×D＝K(a.*X_N×D)其中，P为高斯混合模型的后验概率矩阵，符号.*表示点乘，上角标T表示矩阵的转置，F为元素全为1的列向量，符号./表示点除，X_N×D则是参考点集；步骤五三、对步骤五二得到的三个向量，利用CUDA核函数中的cuSolver库进行如下线性方程求解：AW＝B其中A＝G+λσ²d(PF)^‑1，B＝d(PF)^‑1PX_N×D‑Y_M×D，d(PF)表示由向量PF生成的对角矩阵；A、B为中间变量；步骤五四、利用步骤五三得到的系数矩阵W，对模板点集进行更新，更新后的模板点集为：其中，Y_M×D为模板点集，G为高斯核矩阵；步骤五五、利用步骤五四中得到的更新后的模板点集，计算并更新参考点集和模板点集的协方差：其中，N_P＝F^TPF；符号tr(A)表示矩阵A的迹，A为X^T_M×Dd(P^TF)X_N×D、或步骤五六、重复步骤五一到步骤五五，直至满足收敛条件，求出满足收敛条件时的G和W；收敛条件为协方差σ²小于预设阈值，预设阈值设置为计算机最小非零浮点数的十倍；步骤五七、根据步骤五六迭代的结果，计算得到最终配准的结果点集：Res＝Y_M×D+GW。