[发明专利]点云数据的拟合方法和系统

说明书

本发明提供一种点云数据的拟合方法和系统，其中方法包括：根据上一次迭代获得的旋转矩阵和平移矩阵，对上一次迭代的基准模型中的所有三角面片进行刚体变换，获得本次迭代的基准模型；从目标模型中一一匹配与所述本次迭代的基准模型中每个三角面片符合拟合条件的三角面片，将匹配成功的两个三角面片构成一组面片对；获得本次迭代的旋转矩阵和平移矩阵；根据判断本次迭代的最小二乗和与上一次迭代的最小二乘和的差值的绝对值小于阈值，两组点云数据完成拟合。本发明将面片进行匹配，大幅节约了处理时间，同时减少了相似点匹配造成的误匹配，增强了抗噪声干扰的能力，克服了原始ICP算法在转角过大之后不准确的问题，提供了配准精度。

技术领域

本发明涉及点云扫描测绘技术领域，更具体地，涉及点云数据的拟合方法和系统。

背景技术

点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合。点云的属性包括空间分辨率，点位精度，表面法向量等。在获取物体表面每个采样点的空间坐标后，得到的是一个点的集合，称之为“点云”(Point Cloud)。

迭代最近点算法(英文全称：Iterative Closest Point，英文简称：ICP)是目前应用比较广泛的点云拟合算法。ICP算法本质上是基于最小二乘法的最优配准方法，该算法根据点之间的距离选择对应关系点对，以此来计算最优刚体变换，直到满足配准的收敛要求。

通过扫描方法获得的点云数据存在一些扫描过程中产生的噪点，由于ICP算法是根据对应点对来计算变换矩阵，因此很容易受到噪点的影响，并且由于对应点对的个数非常大，处理起来非常耗时。

发明内容

本发明提供一种克服上述问题或者至少部分地解决上述问题的点云数据的拟合方法和系统。

根据本发明的一个方面，提供一种点云数据的拟合方法，其特征在于，包括：

S1、根据上一次迭代获得的旋转矩阵和平移矩阵，对上一次迭代的基准模型中的所有三角面片进行刚体变换，获得本次迭代的基准模型；

S2、从目标模型中一一匹配与所述本次迭代的基准模型中每个三角面片符合拟合条件的三角面片，将匹配成功的两个三角面片构成一组面片对；

S3、以本次迭代的所有面片对中的基准面片与相应的目标面片间拟合参数的最小二乘和为依据，获得本次迭代的旋转矩阵和平移矩阵；

S4、根据判断本次迭代的最小二乗和与上一次迭代的最小二乘和的差值的绝对值小于阈值，获知停止迭代过程，两组点云数据完成拟合；

其中，所述目标模型和基准模型分别为待测物体的两组三角网表面模型，所述符合拟合条件通过两个三角面片间拟合参数最小且拟合参数差值符合阈值判断。

优选地，所述步骤S2具体包括：

S2.1、将本次迭代的基准模型中的三角面片作为基准面片，从所述目标模型中选取一个与该基准面片拟合参数最小的三角面片，作为预选面片；

S2.2、根据所述预选面片与该基准面片的拟合参数符合阈值，获知该预选面片为该基准面片的目标面片，将该基准面片与目标面片构成一个面片对。

优选地，所述拟合参数为面片间距或面片夹角中的一种。

优选地，所述步骤S3具体包括：

当拟合参数为面片间距时，根据本次迭代的基准模型的重心坐标，对各基准面片的重心坐标进行平移，获得平移后的各基准面片的重心坐标；根据所述目标模型的重心坐标，对各目标面片的重心坐标进行平移，获得平移后的各目标面片的重心坐标；

根据所述平移后的各基准面片的重心坐标、平移后的各目标面片的重心坐标、面片对的个数以及旋转矩阵，构建以所有面片对中的基准面片与相应的目标面片间距离的最小二乘和函数；