摘要
点云配准是基于机器视觉进行复杂机械零件三维非接触精密测量的关键环节.针对传统迭代最近点(iterative closest point,ICP)算法对初始位置依赖性强,迭代收敛速度慢,错误对应点对多,难以满足大批量复杂机械零件测量点云配准效率和精度要求的问题,提出了一种基于ISS-FPFH(intrinsic shape signature-fast point feature histogram)特征结合改进 ICP 的复杂机械零件测量点云配准方法.为了减少点云配准数量,并保留点云表面原来的细微特征,提出了基于重心邻近点的体素滤波器对点云进行下采样预处理.为解决传统ICP算法因合适初始位置难以确定而导致多视角测量点云配准失败的问题,采用了基于ISS-FPFH特征的采样一致性初始配准(sample consensus intial alignment,SAC-IA)算法进行粗配准.为解决传统ICP算法迭代收敛速度慢、错误对应点对多的问题,提出结合法向量夹角约束的点到平面ICP算法进行精配准.以斯坦福大学的bunny点云模型为对象,验证了本文提出方法对噪声点云的鲁棒性.以常见的复杂机械零件叶片和车门把手为对象,将本文提出的方法与传统ICP算法和SAC-IA+ICP算法一起进行测量点云配准实验并进行对比分析.结果表明,在两种不同机械零件的点云配准实验中,本文提出方法的均方根误差(root mean square error,RMSE)和配准时间比传统ICP算法分别平均减少了80.46％、49.07％,比SAC-IA+ICP算法分别平均减少了 67.86％、16.97％,可以满足大批量复杂机械零件三维非接触精密测量的需求.
基金项目
国家自然科学基金(51775181)
湖南省自然科学省市联合基金(2022JJ50129)
NETL
NSTL
维普
万方数据