[发明专利]三维点云数据配准方法、装置、设备及可读存储介质

说明书

本发明实施例公开了一种三维点云数据配准方法、装置、设备及计算机可读存储介质。其中，方法包括利用RGB‑D相机从多个角度采集同时包含待测物体和人工标识图的多张图像和各自对应的点云数据，多帧点云数据可拼接为待测物体全貌；根据RGB‑D相机的内参矩阵和畸变系数，及各图像中人工标识图的预设特征点的像素坐标值，计算得到每张图像对应相机的旋转矩阵和平移矩阵；对各点云数据与相应旋转矩阵和平移矩阵进行运算，得到同一坐标系下的点云数据，完成点云数据的配准。本申请不仅对不同图像帧之间的点云数据集无要求，还提升了三维点云数据的配准效率，降低了三维点云数据的配准误差。

技术领域

本发明实施例涉及数字化设计与制造技术领域，特别是涉及一种三维点云数据配准方法、装置、设备及计算机可读存储介质。

背景技术

三维点云数据被广泛应用于各个领域中，如工业零部件的生产、产品质量控制、生物医学、文物、建筑保护等。在三维重建数据的获取过程中，由于数据采集装置一次采集的范围有限，需要分别从多个角度采集数据或者多个设备同时从不同角度进行数据采集才能取得三维物体表面的完整信息。由于这些数据不是同一设备在同一时间采集的数据，在后续处理时需要通过3D点云数据配准技术，来将多个点云配准到同一个坐标系下，以此获得物体表面完整的信息，形成能完整描述物体的三维点云模型。

传统的数据采集设备为三维激光扫描仪，获取三维激光扫描仪采集的点云数据后，使用最近邻点迭代算法(ICP)进行点云配准。ICP算法本质为基于最小二乘的最优匹配算法，重复寻找对应点和最优刚体变换，直到满足某个收敛准则，迭代终止。

但是，ICP算法要求一个数据点集必须是另一个点集的子集，然而在实际数据扫描过程中，点云数据彼此之间只是部分重叠，一个点集完全覆盖另一个点集是很难做到的；此外，ICP算法迭代第一步要求确定初始位姿，初始位姿对最后的配准精度有很大的影响，如果初始位姿与真实情况相差大，ICP算法的解很可能陷入局部最优，因此对初始位姿的误差有一定要求；最后，ICP算法中使用一个点集的所有点进行点对搜索，寻找同名点对耗时长、效率低，甚至还会引进错误的点对。

鉴于此，如何解决相关技术中存在的各种弊端，是本领域技术人员亟待解决的问题。

发明内容

本公开实施例提供了一种三维点云数据配准方法、装置、设备及计算机可读存储介质，不仅对不同图像帧之间的点云数据集无要求，还提升了三维点云数据的配准效率，降低了三维点云数据的配准误差。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种三维点云数据配准方法，包括：

获取RGB-D相机采集的同时包含待测物体和人工标识图的多张图像和各自相对应的点云数据，所述待测物体的全貌由多帧点云数据拼接而成；所述人工标识图设置在所述待测物体周边；

根据所述RGB-D相机的内参矩阵和畸变系数，及各图像中人工标识图的预设特征点的像素坐标值，计算得到所述RGB-D相机的位姿矩阵；所述位姿矩阵由每张图像对应相机的旋转矩阵和平移矩阵构成；

对各点云数据与所述位姿矩阵进行运算，得到同一坐标系下的点云数据，以完成点云数据的配准。

可选的，所述根据所述RGB-D相机的内参矩阵和畸变系数，及各图像中人工标识图的预设特征点的像素坐标值，计算得到所述RGB-D相机的位姿矩阵包括：

调用Opencv开源程序库中的cvSetMouseCallback方法动态显示各图像特征点的像素坐标值；

输入所述内参矩阵和所述畸变系数，根据各图像中所述人工标识图的预设特征点的像素坐标值，利用PNP算法解算各图像的旋转矩阵和平移矩阵。

可选的，所述根据各图像中所述人工标识图的预设特征点的像素坐标值，利用PNP算法解算各图像的旋转矩阵和平移矩阵为：