一种基于轮廓特征约束的飞机蒙皮配准方法 下载: 839次
1 引言
飞机蒙皮零件是飞机气动外形的重要组成部分,具有尺寸大、易变形的特点。蒙皮类零件的加工质量直接影响飞机的整体装配精度,其精确检测对于飞机制造具有重要意义[1-2]。将数字化测量得到的点云数据和理论数模进行坐标统一,并基于最优几何位置关系进行偏差分析,可实现对蒙皮变形量的描述。由于零部件上没有可靠的定位基准,因此加工余量和误差大小的评价依赖于配准结果[3],综上,研究蒙皮点云与模型的精确配准至关重要。
点云配准的核心问题即求解两片点云之间的刚性变换矩阵。对于这一问题,最经典的算法是Besl等[4]提出的迭代最近点(ICP)算法及其改进算法[5-7]。但当点云的初始位置相差较大,或点云自身特征不明显时,容易出现局部最小值。针对这一问题,国内外学者做了大量的相关工作。最常见的做法是在ICP精确配准前,对点云进行初始配准,以提供较好的初值。常用的初始变换可大致分为三类:1)人为设定标签点进行配准[8];2)基于投票法则的配准方法[9];3)基于局部特征的配准方法[10-13]。其中广泛应用的是利用局部特征配准的方法[14-15]。Steder等[16]提出法向对齐径向特征(NARF)算法,利用点的位置区分点的重要度,达到找出特征点及匹配的目的,但该方法对于内部特征不明显的点云匹配效果不好;Tombari等[17]提出方向特征直方图算法(SHOT),该方法描述性强,但复杂度高,计算效率低;Rusu等[18]提出点特征直方图(PFH)、快速点特征直方图(FPFH),以及基于该特征的采样一致性配准算法,以下简称为FPFH-SAC-IA,该方法描述性强、特征维度低,但耗时较长。针对蒙皮配准问题,石庆兰[19]提出定位约束模型对齐法,解决了蒙皮带孔的约束配准问题;谭高山[3]提出了自适应动态加权配准方法,解决了区域精度要求不同的蒙皮配准问题;但以上方法都需要蒙皮上有高精度特征进行约束。
蒙皮数据表面平缓、光滑、特征少,在没有定位孔等精确约束的条件下配准结果容易陷入局部最优。鉴于此,本文提出了一种基于轮廓约束的配准算法:首先提取测量数据中的蒙皮轮廓,对轮廓进行特征点提取,基于所提取的特征点实现轮廓的初始匹配;再利用ICP算法实现轮廓的精确配准;最后利用轮廓约束实现蒙皮的配准。在应用公共数据集和蒙皮数据集对本文算法进行验证后,发现配准精度和配准效率得到了较大的提升,有效解决了配准时的错位和局部最小值问题。
2 飞机蒙皮配准方法概述
本文的蒙皮测量数据与理论模型的配准过程如
3 特征点的定义和描述
3.1 Cκ特征点的提取
点云的邻域特征主要有邻域点的数量、邻域点的质心、点的法向和曲率。蒙皮轮廓线是由离散点构成的三维曲线框。对于轮廓线而言,角点是其非常重要的特征。角点与轮廓上其他点最大的区别是曲率的波动增大。针对角点的特性,可利用曲率变化将角点与其他特征点进行区分。Cκ特征点选取的原理表述如下。
1) 利用主成分分析法[20]估计点云中离散点的法线和曲率,利用点云中某个离散点Pa周围特定数量的n个三维点构建邻域点的协方差矩阵表示为
式中:pi为Pa邻域范围内第i个点的三维坐标;
2) 设λ(i=1,2,3)和ui(i=1,2,3)分别为协方差矩阵C的特征值与对应的特征向量。 则Pa点的曲率为
3) 计算邻域k内各点的曲率均方差κi为
由(3)式可知,由于E(ρ)是对邻近点的点云曲率变化的描述,当Pi点与Pa邻域内点相对位置不变时,κi值不变,因此利用邻域曲率均方差进行离散点描述的方法具有旋转不变性。对蒙皮轮廓线所有点计算κ值。根据蒙皮结构特点,平滑的边缘轮廓点曲率均方差较小,κ值趋于0;而在角点区域曲率均方差较大,即κ值较大。对于特定的蒙皮构件,其角点数量已知为f0。在特征点提取过程中,为确定所处理的蒙皮轮廓上实际角点特征区域数量f,首先对κ值进行降序排列,初步设定该轮廓包含特征点的数量阈值ε=f0,然后选取前ε个特征点作为初始轮廓特征点。由于同一角点区域内,特征点分布密集造成同一角点的特征描述差异,使得初始阈值的设定不能完全覆盖所有角点特征区域,本文进一步增加特征点数量阈值ε=ε+1。每次阈值增加后计算角点特征区域数量f,直到获得稳定的角点区域数量,然后采用基于距离的聚类方法确定最终的角点数量。聚类过程见3.2节。
3.2 基于距离聚类的特征点过滤
由于轮廓边缘离散点较近,邻域内各点曲率均方差相差不大,提取出的特征点容易出现聚集现象,造成后续SVD法求解旋转平移矩阵时特征点对的错误描述。因此对提取出的特征点依据欧氏距离进行聚类。特征点滤除示意图如
特征点聚类与Cκ特征点确定的过程如下。
1) 在3.1节计算出的特征点集P中选取一种子点p1,利用k-d 树搜索p1一定邻域内的n个点,存储为一个区域点集(p1,p2,…,pn);
2) 在(Pp1,p2,…,pn)中选取种子点pn+1,继续步骤1。其中“\”表示从P中去除区域点集;
3) 当区域点集不再增加时,认为聚类完成;
4) 在每个区域点集中选取κ值最大的点作为该区域Cκ特征点。
欧氏距离在一定阈值内的特征点表征同一特征区域。为确定在每一角点区域只有一个Cκ特征点作为该区域的特征描述,设置仅在这一特征区域中选择κ值最大的点作为这一区域的特征点。如
3.3 FPFH-d特征点描述子及特征点相似度计算
快速点特征直方图描述算法是一种应用较广的三维特征描述算法[17],但是对于稀疏或离散特征点描述效果较弱。本文引入特征点距离约束,提出了FPFH-d。核心思想是通过参数化查询点云与近邻点的空间差异,实现点云局部区域变化情况的准确描述。算法计算原理如
假设被描述的点为P0,其邻域如
图 3. FPFH局部坐标系的建立。(a) P0的影响域;(b)局部坐标系
Fig. 3. Establishment of FPFH local coordinate system. (a) Influence domain of P0; (b) local coordinate system
设P0 和邻域内的点构成一个点集Pk,选取P0 、Pi为Pk中的任意一对点,计算其法向量n0、ni,建立局部坐标系,过程如
根据该局部坐标系,使用一组角度对n0和ni之间的偏差进行描述,表示为
在FPFH特征点描述方法的基础上加入距离特征,即每个点与其余特征点的欧氏距离di(i=1,2,3,…)表示为
每两个特征点产生如下四维向量,记为Ti=(di,αi,φi,θi)。P0的描述矩阵定义为其与邻域内所有特征点描述向量的组合T=(T1,T2,…,Tk)。将该描述矩阵简化为T=(τ,B),其中,τ=(d1,d2,…,dk)T,B=(b1,b2,…,bk)。那么,该描述矩阵的第一列为距离描述向量,后三列为角度描述矩阵。
由于两片点云计算得到的特征点数不一定完全相同,采取积分制描述两片点云特征点的相似度。记相似度得分为s,若潜在对应特征点描述矩阵分别为T1=(τ1,B1),T2=(τ2,B2)。则
式中:k1和k2表示T1和T2的维数;δ1为距离特征的阈值;δ2为角度特征的阈值。统计每个特征点的得分,得分大于分值阈值则认为是对应点。
4 基于Cκ特征点的点云配准
4.1 配准流程
点云配准的关键是确定两片点云的刚性变换矩阵。基于Cκ特征点提取的点云配准算法分为初始配准和精确配准。其流程如
图 4. 基于Cκ关键点提取的点云配准算法流程图
Fig. 4. Flow chart of point cloud registration algorithm based on Cκ key point extraction
首先,利用数字化测量系统获取三维点云数据,获得待配准点云P,对应数模或另一视角点云作为参考点云Q。当点云数据规模较大时,采用适当的采样方法对点云进行下采样。
根据(1)~(3)式计算点云中每点的κ值,选取合适的阈值提取出Cκ特征点。根据欧氏距离对特征点进行聚类过滤,得到能准确表达角点信息的特征点集Fj,其中j=1,2分别表示点云P和Q对应的特征点集。利用FPFH-d描述子描述特征点集Fj,根据(11)式找到特征点集中的对应点集P0和Q0。利用SVD法求解平移旋转矩阵使得下式最小。
令
最后,利用ICP算法完成P和Q的精确配准。
4.2 算法验证
为了证明Cκ特征点配准方法的普适性和有效性,选用公共数据集Bunny、Dragon进行特征点提取实验,特征点提取结果如
使用基于Cκ特征点的初始配准算法对Bunny和Dragon数据集进行初始配准,初始配准结果如
图 5. Bunny、Dragon特征点提取结果。(a) Bunny原始点云;(b) Bunny视角1下特征点;(c) Bunny视角2下特征点;(d) Dragon原始点云;(e) Dragon视角1下特征点;(f) Dragon视角2下特征点
Fig. 5. Feature point extraction results of Bunny and Dragon. (a) Original point cloud of Bunny; (b) feature points of Bunny in view 1; (c) feature points of Bunny in view 2; (d) original point cloud of Dragon; (e) feature points of Dragon in view 1; (f) feature points of Dragon in view 2
图 6. Bunny、Dragon配准结果。(a) Bunny初始配准结果;(b) Dragon初始配准结果;(c) Bunny精确配准结果;(d) Dragon精确配准结果
Fig. 6. Registration results of Bunny and Dragon. (a) Initial registration result of Bunny; (b) initial registration result of Dragon; (c) accurate registration result of Bunny; (d) accurate registration result of Dragon
为验证本文所提特征描述算子Cκ特征点在点云粗配准方面的优越性,将其与经典的基于FPFH-SAC-IA配准算法的配准结果进行对比,统计结果如
在
表 1. 初始配准结果比较
Table 1. Comparison of initial registration results
|
5 飞机蒙皮数据配准实验
为验证本文算法对飞机蒙皮类数据配准的有效性,选用光学大视场高精度组合式测量[20-22]所得的蒙皮样件三维点云数据并进行去噪处理,使用处理后的点云数据来说明本文算法的配准过程。该点云数据包围盒大小约为12 m3。将蒙皮的CAD数据离散为三维点云,作为参考点云,真实数据作为待配准点云,可视化结果如
图 7. 蒙皮点云与CAD点云。(a)点云的三维显示;(b)点云在软件中的三维显示
Fig. 7. Aircraft skin point cloud and CAD point cloud. (a) Three-dimensional display of point cloud; (b) three-dimensional display of point cloud in software
用文献[
23]的方法提取蒙皮轮廓线,结果如
图 8. 蒙皮轮廓线。(a)蒙皮轮廓线的三维显示;(b)蒙皮轮廓线在软件中的三维显示
Fig. 8. Contour of aircraft skin. (a) Three-dimensional display of skin contour; (b) three-dimensional display of skin contour in software
5.1 Cκ特征点提取验证
首先,使用点云轮廓数据说明Cκ特征点的阈值设置准则。本文算法将提取κ值较大的点作为特征点,但提取特征点的个数,直接关系到轮廓配准的精度。设置不同的特征点提取个数,并将其进行聚类,得到其与特征区域个数f的变化曲线如
图 9. 特征点选择。(a)阈值与特征区域个数曲线;(b)特征点提取效果
Fig. 9. Selection of feature point. (a) Curve between threshold and characteristic area number; (b) extraction effect of feature point
5.2 基于Cκ特征点的蒙皮配准
将本文算法应用于实测的飞机蒙皮样件数据配准,初始轮廓配准结果如
图 10. 蒙皮轮廓配准结果。(a)初始配准结果;(b)精确配准结果
Fig. 10. Registration results of aircraft skin. (a) Initial registration result; (b) accurate registration result
从
将轮廓匹配变换矩阵应用于蒙皮点云数据,作为蒙皮精确配准的输入数据,进行进一步匹配。配准结果如
5.3 算法有效性验证
为了进一步验证本文算法在蒙皮类零件配准方面的优越性,利用FPFH-SAC-IA、直接ICP算法、本文算法对同一蒙皮点云进行配准实验。对应的轮廓配准结果如
同样,对于蒙皮点云数据进行实验,FPFH-SCA-IA、直接ICP算法同样产生局部收敛情况,即配准结果保证了局部点云距离最小,而没有达到全局点云配准误差最小值,如
图 12. 各方法配准结果对比。(a) FPFH-SAC-IA配准轮廓效果;(b) FPFH-SAC-IA配准整体效果;(c) ICP配准轮廓效果;(d) ICP配准整体效果;(e)本文算法配准轮廓效果;(f)本文算法配准整体效果
Fig. 12. Comparison of registration results of each method. (a) Registration contour effect of FPFH-SAC-IA algorithm; (b) overall effect of FPFH-SAC-IA algorithm;(c) registration contour effect of ICP algorithm;(d) overall effect of ICP algorithm;(e) registration contour effect of proposed algorithm; (f) overall effect of proposed algorithm
以上实验结果表明,针对蒙皮表面平滑、特征少的点云配准问题,传统的基于点云局部特征如法向量、拓扑结构等信息无法得到正确的全局配准结果,点云配准易发生错位和交叉,导致配准失败。本文提出的Cκ特征描述算子,融合了法向量、轮廓曲率等信息,能够有效解决由于迭代最近点造成的局部最小值情况,有效实现飞机蒙皮等薄壁类零件与其数模的配准。但仍存在一定的局限性:噪声对本算法有一定的影响,在存在大量噪声的情况下配准结果可能出现偏差,对原始点云进行去噪处理后,配准效果良好。
6 结论
为了解决飞机蒙皮外形测量检测问题过程中的配准错位情况,本文提出了一种以Cκ特征点提取为基础,先对蒙皮轮廓进行匹配,再将蒙皮三维轮廓作为配准约束的配准方法。蒙皮表面平滑、特征少,此方法不仅解决了点云配准时出现的局部收敛问题,还保证了配准精度和配准速度。作为一种通用的配准算法,该方法既可以用于一般点云配准,也可以用于其他特征少的航空零件检测,对于飞机装配和精密制造有很高的应用价值。
[1] 鲍岩. 面向飞机蒙皮制造的薄板镜像铣削工艺基础[D]. 大连:大连理工大学, 2018: 1- 2.
BaoY. Foundation of mirror milling technology of sheet for aircraft skin manufacturing[D]. Dalian: Dalian University of Technology of China, 2018: 1- 2.
[2] 胡愈刚, 孙安全, 王晓平, 等. 飞机蒙皮数字化制造技术应用研究[J]. 新技术新工艺, 2014( 8): 19- 22.
Hu YG, Sun AQ, Wang XP, et al. Research on application of aircraft skin digital manufacturing technology[J]. New Technology & New Process, 2014( 8): 19- 22.
[3] 谭高山. 航空零部件加工及检测中的配准问题研究[D]. 南京:南京航空航天大学, 2017: 2- 3.
Tan GS. Research on registration in aviation parts processing and inspection[D]. Nanjing: Nanjing University of Aeronautics and Astronautics of China, 2017: 2- 3.
[4] Besl P J. McKay N D. A method for registration of 3D shapes[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1992, 14(2): 239-256.
[5] Zhang Z Y. Iterative point matching for registration of free-form curves and surfaces[J]. International Journal of Computer Vision, 1994, 13(2): 119-152.
[6] Dorai C, Wang G, Jain A K, et al. Registration and integration of multiple object views for 3D model construction[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, 20(1): 83-89.
[7] 韦盛斌, 王少卿, 周常河, 等. 用于三维重建的点云单应性迭代最近点配准算法[J]. 光学学报, 2015, 35(5): 0515003.
[8] Cheng L, Tong L H, Li M C, et al. Semi-automatic registration of airborne and terrestrial laser scanning data using building corner matching with boundaries as reliability check[J]. Remote Sensing, 2013, 5(12): 6260-6283.
[9] Aiger D, Mitra N J, Cohen-Or D. 4-points congruent sets for robust pairwise surface registration[J]. ACM Transactions on Graphics, 2008, 27(3): 1-10.
[14] 刘剑, 白迪. 基于特征匹配的三维点云配准算法[J]. 光学学报, 2018, 38(12): 1215005.
[15] 张哲, 许宏丽, 尹辉. 一种基于关键点选择的快速点云配准算法[J]. 激光与光电子学进展, 2017, 54(12): 121002.
[16] StederB, Rusu RB, KonoligeK, et al.Point feature extraction on 3D range scans taking into account object boundaries[C]∥2011 IEEE International Conference on Robotics and Automation, May 9-13, 2011, Shanghai, China.New York: IEEE Press, 2011: 2601- 2608.
[17] TombariF, SaltiS, StefanoL. Unique signatures of histograms for local surface description[C]∥Computer Vision - ECCV2010, 2010: 356- 369.
[18] Rusu RB, BlodowN, BeetzM. Fast point feature histograms (FPFH) for 3D registration[C]∥2009 IEEE International Conference on Robotics and Automation, May 12-17, 2009, Kobe, Japan.New York: IEEE Press, 2009: 3212- 3217.
[19] 石庆兰. 数字化测量下的钣金件贴模度分析与校形设计[D]. 南京: 南京航空航天大学, 2014: 25- 27.
Shi QL. Part-mould contact gap analysis and reforming design in digital inspection for aircraft sheet metal parts[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2014: 25- 27.
[20] Jiang T, Cheng X, Cui H, et al. Combined shape measurement based on locating and tracking of an optical scanner[J]. Journal of Instrumentation, 2019, 14(01): P01006.
[22] 姜涛, 程筱胜, 崔海华, 等. 面向机器人位姿测量的大视场变焦测量方法[J]. 光学学报, 2018, 38(8): 0815012.
[23] 余飞祥, 黄翔, 李泷杲, 等. 基于扫描线点云的飞机蒙皮边界特征提取[J]. 计算机集成制造系统, 2017, 23(4): 701-707.
Article Outline
靳宇婷, 张益华, 崔海华, 翟鹏, 胡广露. 一种基于轮廓特征约束的飞机蒙皮配准方法[J]. 光学学报, 2021, 41(3): 0312001. Yuting Jin, Yihua Zhang, Haihua Cui, Peng Zhai, Guanglu Hu. An Aircraft Skin Registration Method Based on Contour Feature Constraint[J]. Acta Optica Sinica, 2021, 41(3): 0312001.