[发明专利]一种CAD模型与三角网格全自动配准方法和装置

说明书

本发明公开了CAD模型与三角网格全自动配准方法和装置，包括：S1、读取标称CAD模型和初始扫描三角网格；提取初始扫描三角网格顶点作为源点云，标称CAD模型细分后的CAD三角网格的顶点作为目标点云；S2、对源点云和目标点云采样，计算采样点法向量；S3、将采样点作为特征点并用FPFH描述特征点；S4、对目标点云特征点，在FPFH空间构建kd‑tree；从源点云特征点中选四个特征点并在目标点云中查找四个最近邻点构成四个对应点对；S5、快速剔除错误点对；S6、用四个对应点对估计基本矩阵作为迭代初值重复步骤S4和S5进行RANSAC迭代，得到有效点对集；S7、对有效点对集进行奇异值分解得到旋转平移矩阵；S8、利用旋转平移矩阵对源点云进行旋转平移完成配准。

技术领域

本发明涉及工业数字化检测技术领域，具体涉及一种CAD模型与三角网格全自动配准方法和装置。

背景技术

近年来，随着三坐标测量机、三维扫描系统、CT测量仪等数字化检测设备在工业领域的广泛应用，数字化检测技术在大型、复杂零件的尺寸测量和保证制造精度方面发挥着至关重要的作用。

在实际检测过程中，数字化检测设备获得的三角网格，其本身的测量精度一般都能够满足实际测量要求，然而由于扫描得到的三角网格与CAD模型在空间坐标系中的原点不同，所以这对后续的尺寸偏差分析会造成影响，甚至可能导致零件合格性的误判，使得数字化测量设备的测量精度失去意义。因此，为提高零件制造精度和合格率，实现网格模型与CAD模型的配准就成为数字化检测技术应用的一个关键。

目前关于网格模型与CAD模型的配准主要有基于点集迭代的配准方法和基于几何特征的配准方法。其中，基于点集迭代的配准方法不考虑被测零件的几何特征，直接利用点云集合查找CAD模型上的对应点并通过对应点对的反复迭代实现点云模型与CAD模型的配准，其中最具代表性的是迭代最近点算法(Iterative Closest Point，简称ICP算法)。此类算法的时间复杂度随点云数目和迭代次数的增加而显著增大，因此配准效率较低。同时，这类算法的配准控制点集为点云模型的子集，配准准确性严重依赖于点云模型，当初始的源点云和目标点云相对位置偏差较大时，容易出现误匹配，从而导致算法失效，无法实现配准。

基于几何特征的配准方法通过对点云数据中可以反映局部几何特征的点集进行采样分析，再将所采样的点集作为配准控制点，从而减少配准点集的数量，因而计算速度快。但由于复杂的点云模型的几何特征识别难度极大，而且不同零件的点云模型一致性差，因此这种配准方法会丢失反映零件制造质量的关键特征，造成配准结果的准确性不高、不稳定，实用性不强。

发明内容

鉴于上述分析，现有的配准方法未能对CAD模型做有效处理，并且受限于实际测量获得的模型通常含有极大的点云数据量，现有的配准方法在配准精度和配准速度方面存在明显不足。

本发明的主要目的在于提出一种面向工业检测的CAD模型与三角网格全自动配准方法和装置，以克服现有的配准方法所存在的上述问题。

为达上述目的，本发明采用以下技术方案：

一种CAD模型与三角网格全自动配准方法，包括如下步骤：

S1、读取标称CAD模型和用三维扫描系统扫描得到初始扫描三角网格模型；提取初始扫描三角网格模型的顶点作为待配准的源点云；利用CAD三角剖分算法对所述标称CAD模型进行三角剖分，得到CAD三角网格，再对该CAD三角网格进行细分以提高点云均匀度和稠密度，并提取细分后的CAD三角网格的顶点作为目标点云；

S2、分别对所述源点云和所述目标点云进行采样，采样比例根据所述源点云和所述目标点云的平均点距r₀自适应确定；计算采样后的源点云和目标点云中的每一采样点的法向量；

S3、将源点云和目标点云中的每一采样点作为特征点，根据各采样点的法向量分别计算各采样点的点快速特征直方图，利用所述点快速特征直方图描述对应的所述特征点；