基于層級(jí)優(yōu)化點(diǎn)云配準(zhǔn)的飛機(jī)整機(jī)測(cè)量技術(shù)研究

李紅衛(wèi)，王 巖

（1.中航西安飛機(jī)工業(yè)集團(tuán)股份有限公司，西安710089；2.南京航空航天大學(xué)機(jī)電學(xué)院，南京210016）

在飛機(jī)制造業(yè)中，飛機(jī)外形檢測(cè)是總裝生產(chǎn)線上的重要組成部分，如飛機(jī)對(duì)稱性檢測(cè)、蒙皮表面波紋度檢測(cè)以及飛機(jī)裝配精度檢測(cè)等。隨著測(cè)量技術(shù)的發(fā)展，技術(shù)人員開始使用三維激光掃描儀對(duì)飛機(jī)的整個(gè)表面進(jìn)行掃描。對(duì)于像飛機(jī)這樣的大型檢測(cè)目標(biāo)，一般采用多站掃描得到整個(gè)表面的信息。對(duì)多站掃描得到的飛機(jī)點(diǎn)云數(shù)據(jù)進(jìn)行配準(zhǔn)是一個(gè)基本而又關(guān)鍵的步驟。本文提出一套基于層級(jí)優(yōu)化的多視角飛機(jī)點(diǎn)云配準(zhǔn)方法，提高了飛機(jī)點(diǎn)云數(shù)據(jù)多視角配準(zhǔn)精度。

點(diǎn)云配準(zhǔn)是一個(gè)非?；钴S的研究課題，國內(nèi)外相關(guān)研究人員做了非常多的研究工作。例如，趙夫群[1]提出一種全新的顱骨點(diǎn)云配準(zhǔn)方法，添加尺度因子和模擬退火系數(shù)，從而改進(jìn)迭代最近鄰（Itera?tive closest point，ICP）算法，進(jìn)而實(shí)現(xiàn)顱骨點(diǎn)云精細(xì)配準(zhǔn)，大幅度提高配準(zhǔn)精度與速度。王森等[2]將三維激光掃描儀應(yīng)用到露天礦山中，得到其點(diǎn)云數(shù)據(jù)。之后，將尺度不變特征變換（Scale?invariant feature transform，SIFT）算子與ICP算法結(jié)合起來，改善初始點(diǎn)云輸入，進(jìn)而實(shí)現(xiàn)快速精確配準(zhǔn)，顯著提高露天礦山的測(cè)量驗(yàn)收效率。胡章芳等[3]針對(duì)移動(dòng)機(jī)器人視覺同時(shí)定位與地圖構(gòu)建（Visual si?multaneous location and mapping,V?SLAM）中存在配準(zhǔn)精度較低的問題，提出一種改進(jìn)的三階段點(diǎn)云配準(zhǔn)ICP算法，首先通過隨機(jī)采樣一致性（Ran?dom sample consensus，RANSAC）對(duì)點(diǎn)對(duì)進(jìn)行篩選完成預(yù)處理，然后引入一種動(dòng)態(tài)迭代角度因子的迭代最近鄰精配準(zhǔn)方法，明顯改善配準(zhǔn)精度。趙夫群等[4]針對(duì)帶噪聲的文物三維點(diǎn)云模型，使用一種由粗到細(xì)的斷面精確配準(zhǔn)方法。配準(zhǔn)測(cè)度函數(shù)的尺度參數(shù)由小到大變化，避免算法求解時(shí)陷入局部最優(yōu)解，最終在兵馬俑碎塊上的驗(yàn)證實(shí)驗(yàn)說明了該配準(zhǔn)算法的有效性和可行性。張旭東等[5]使用針對(duì)基于飛行時(shí)間（Time?of?flight，TOF）原理的相機(jī)對(duì)物體表面建模時(shí)點(diǎn)云配準(zhǔn)速度慢的問題，提出一種快速散亂點(diǎn)云配準(zhǔn)方法。首先通過提取特征點(diǎn)的方法實(shí)現(xiàn)點(diǎn)云初始位置配準(zhǔn)。之后，利用TOF相機(jī)圖像梯度值尋找點(diǎn)云之間的最鄰近點(diǎn)作為匹配點(diǎn)對(duì)，進(jìn)行迭代運(yùn)算獲得最佳變換參數(shù)，并結(jié)合錯(cuò)誤匹配點(diǎn)對(duì)去除法，實(shí)現(xiàn)點(diǎn)云的精配準(zhǔn)。李坪等[6]首先在軌腰上提取圓孔邊界作為特征，使用一種基于異構(gòu)計(jì)算語言的邊界提取并行算法進(jìn)行初始匹配,最后以軌腰作為基準(zhǔn)精確匹配，解決了尖軌檢測(cè)中點(diǎn)云配準(zhǔn)定位難的問題。郭王等[7]提出一種基于激光強(qiáng)度的點(diǎn)云配準(zhǔn)方法，首先對(duì)采集到的LiDAR點(diǎn)云的激光強(qiáng)度信息進(jìn)行分類，然后基于該分類結(jié)果提取特征平面，將拓?fù)潢P(guān)系與分類結(jié)果一起作為約束條件，從而得到同名特征平面，該算法在機(jī)載與地面LiDAR同名特征幾何形狀不完全一致的情況下仍然可得到較好的配準(zhǔn)效果。王天澤[8]提出了一種針對(duì)飛機(jī)零部件點(diǎn)云數(shù)據(jù)的融合相似特征匹配法與基于加權(quán)歐氏距離閾值法的新型ICP配準(zhǔn)算法，該方法對(duì)于小尺寸零件有較好的配準(zhǔn)效果，但由于大尺寸飛機(jī)表面相對(duì)較平滑，無明顯特征結(jié)構(gòu)且點(diǎn)云尺寸較大，該方法不能提取出準(zhǔn)確的相似特征用于配準(zhǔn)算法，因此配準(zhǔn)效果并不理想。聞戰(zhàn)勝[9]針對(duì)飛機(jī)鈑金件點(diǎn)云配準(zhǔn)提出了一種綜合最小二乘配準(zhǔn)法和三基準(zhǔn)配準(zhǔn)法的模型配準(zhǔn)方法。該方法通過對(duì)配準(zhǔn)模型在給定范圍內(nèi)限定其自由度從而加速配準(zhǔn)算法收斂，其關(guān)鍵在于將檢測(cè)過程中飛機(jī)零件裝配定位特征轉(zhuǎn)化為配準(zhǔn)約束條件進(jìn)行優(yōu)化，而對(duì)于整機(jī)外形檢測(cè)而言，已不存在裝配特征，因此無法在此基礎(chǔ)上實(shí)現(xiàn)飛機(jī)點(diǎn)云數(shù)據(jù)的配準(zhǔn)優(yōu)化。

本文將三維激光掃描技術(shù)引入到飛機(jī)質(zhì)量檢測(cè)中，提出一套基于層級(jí)優(yōu)化的多視角飛機(jī)點(diǎn)云配準(zhǔn)方法，從而提高飛機(jī)點(diǎn)云數(shù)據(jù)配準(zhǔn)精度，最終提高飛機(jī)裝配精度。

1 算法流程

本文提出的飛機(jī)點(diǎn)云配準(zhǔn)方案算法流程如圖1所示。其總體思路是通過層級(jí)優(yōu)化的方法提高多視角點(diǎn)云的配準(zhǔn)精度。首先，使用三維激光掃描儀對(duì)飛機(jī)進(jìn)行全局掃描，得到多視角點(diǎn)云數(shù)據(jù)。將得到的數(shù)據(jù)作為本算法的輸入，之后通過將每站點(diǎn)云和點(diǎn)云之間的重疊面積轉(zhuǎn)化為圖結(jié)構(gòu)中的節(jié)點(diǎn)和邊的權(quán)值，建立用于優(yōu)化的無向圖模型，特別地，提出一種改進(jìn)后的點(diǎn)云面積度量方法，從而更加精確地估計(jì)各點(diǎn)云之間的重疊面積并且為圖中邊的權(quán)值賦值。最后通過迭代尋找和閉合新生成的回環(huán)完成整個(gè)點(diǎn)云數(shù)據(jù)的優(yōu)化配準(zhǔn)，并輸出矩陣參數(shù)。算法的關(guān)鍵在于全局地選擇一個(gè)多站點(diǎn)云合適的配準(zhǔn)順序，從而消除誤差積累并且提高點(diǎn)云配準(zhǔn)的精度。

圖1 飛機(jī)點(diǎn)云配準(zhǔn)方案Fig.1 Point cloud registration of aircraft

2 基于圖的層級(jí)優(yōu)化配準(zhǔn)方法

使用三維激光掃描儀獲得飛機(jī)多視角點(diǎn)云數(shù)據(jù)，如圖2所示。多視角點(diǎn)云配準(zhǔn)最主要的問題存在于配準(zhǔn)誤差的積累，每一對(duì)點(diǎn)云的配準(zhǔn)較之理想結(jié)果都有一定微小偏差。對(duì)于多視角點(diǎn)云配準(zhǔn)情況，定義集合{Vn|n=1∶N}為包含有N個(gè)視角點(diǎn)云的集合，轉(zhuǎn)換矩陣{θi}:Vi?θi→Vi+1為兩點(diǎn)云之間的配準(zhǔn)結(jié)果，如果線性的將點(diǎn)云從V1依次配準(zhǔn)到Vn,二者之間很有可能產(chǎn)生很大的配準(zhǔn)誤差，從而導(dǎo)致整個(gè)配準(zhǔn)結(jié)果的不一致性，這就是飛機(jī)多視角點(diǎn)云配準(zhǔn)中需要解決的閉環(huán)問題。

圖2 多視角飛機(jī)點(diǎn)云數(shù)據(jù)的采集Fig.2 Acquisition of multiview point cloud data of aircraft

受到Tang等[10]的啟發(fā)，本文采用圖優(yōu)化的方法選擇合適的配準(zhǔn)次序從而消除誤差累積。以每個(gè)視角的點(diǎn)云作為圖中的一個(gè)節(jié)點(diǎn)，有重疊關(guān)系的相鄰節(jié)點(diǎn)之間以邊相連從而構(gòu)成一個(gè)多視角點(diǎn)云的無向圖。通過圖論的優(yōu)化方法，迭代選定包含若干個(gè)首尾相接的節(jié)點(diǎn)作為一個(gè)回環(huán)并進(jìn)行閉合,從而形成一個(gè)新的節(jié)點(diǎn)直至圖中沒有剩余節(jié)點(diǎn)為止，完成飛機(jī)點(diǎn)云的全局優(yōu)化配準(zhǔn)工作。

2.1 自適應(yīng)密度面積估算

在圖的建立過程中，每個(gè)邊權(quán)值的計(jì)算是整個(gè)優(yōu)化過程中很重要的一環(huán)，因?yàn)檫@決定了接下來圖中回環(huán)閉合的順序，而這會(huì)影響最后點(diǎn)云的配準(zhǔn)精度。本文提出了一個(gè)穩(wěn)健的定義重疊面積大小的度量方法，該方法對(duì)點(diǎn)云密度在計(jì)算重疊面積過程中的影響是魯棒的。

對(duì)于圖中邊的權(quán)重，Tang等[10]采用計(jì)算點(diǎn)對(duì)數(shù)量來表示重疊區(qū)域的面積，其中點(diǎn)對(duì)產(chǎn)生于ICP配準(zhǔn)時(shí)的匹配點(diǎn)。這種方法對(duì)于較小物體可以快速計(jì)算出重疊面積的大小，然而對(duì)于全機(jī)掃描而言，需要考慮飛機(jī)尺寸對(duì)掃描結(jié)果的影響。由掃描儀的工作原理可知，掃描儀沿水平和豎直方向以固定頻率發(fā)射激光，通過激光反射來計(jì)算從物體反射表面到掃描儀的距離，因此點(diǎn)云密度會(huì)隨著距離呈平方級(jí)數(shù)衰減，所以在某些情況下，比如離掃描儀較近且激光入射角度較小的平面的點(diǎn)對(duì)數(shù)量會(huì)遠(yuǎn)遠(yuǎn)大于離掃描儀距離較遠(yuǎn)且激光入射角度很大的相同尺寸的平面，顯然這種方法不適用于飛機(jī)點(diǎn)云的重疊面積估計(jì)。

由于點(diǎn)云的密度與掃描儀的距離高度相關(guān)，為解決所得飛機(jī)點(diǎn)云數(shù)據(jù)密度不均勻的問題，本文采用可以高效判斷點(diǎn)云重疊區(qū)域面積的度量方法，給定重疊區(qū)域點(diǎn)集P={p1,p2,…,pn},在ICP配準(zhǔn)環(huán)節(jié)，可以得到重疊區(qū)域點(diǎn)云的配準(zhǔn)殘差r(θ)={r1,r2,…,rn}。根據(jù)文獻(xiàn)[11]可以得到可變帶寬核密度為

式中：h(θ)表示帶寬，K(·)表示內(nèi)核。在此基礎(chǔ)上，Wang等[12]通過式（2）來估算區(qū)域密度

為了使點(diǎn)云面積的表達(dá)式域所在區(qū)域點(diǎn)云的密度不相關(guān)，對(duì)其表達(dá)式進(jìn)行改進(jìn)，有

式中：|N|為重疊區(qū)域點(diǎn)的數(shù)量，dˉ為點(diǎn)云質(zhì)心與原點(diǎn)間的距離，E為所有聚類生成邊的集合，|ei|為第i個(gè)邊的邊長。由此本文可以對(duì)每個(gè)重疊區(qū)域的面積進(jìn)行評(píng)估，從而根據(jù)比較結(jié)果得出圖中優(yōu)先級(jí)最高的回環(huán)進(jìn)行閉合。其中，邊長之和的計(jì)算步驟如下：

（1）對(duì)于關(guān)聯(lián)點(diǎn)集合A，取集合中的一點(diǎn)放入集合C，應(yīng)用KNN方法計(jì)算其與周圍k個(gè)點(diǎn)之間線段的距離之和，并將這k個(gè)點(diǎn)放入集合B中。

（2）取B中每個(gè)點(diǎn)E，計(jì)算其在A中的k個(gè)相鄰點(diǎn)及其k個(gè)邊長之和Si，并將E放入集合C中，其他k個(gè)點(diǎn)則放入B中。

（3）返回步驟（2），如果集合A非空，且迭代m次集合后A為空，跳出循環(huán)至步驟（4）。

通過以上步驟，可以計(jì)算出每個(gè)有鄰接關(guān)系點(diǎn)云之間的重疊面積的表達(dá)并為圖中每個(gè)邊的權(quán)值賦值。通常，所計(jì)算得到的邊長之和越大，代表所在重疊區(qū)域點(diǎn)云的面積越大，從而配準(zhǔn)次序的優(yōu)先級(jí)就更高，配準(zhǔn)誤差就不容易在較大重疊面積的區(qū)域上產(chǎn)生累積。

高職學(xué)生的英語基礎(chǔ)相對(duì)較弱，跨文化知識(shí)欠缺，習(xí)慣性用中文的思維和模式交際，文化“休克”現(xiàn)象時(shí)有發(fā)生；在傳播本土文化時(shí)，失語現(xiàn)象嚴(yán)重；對(duì)合作辦學(xué)的中小國家的文化缺乏了解。

2.2 環(huán)形閉合

單個(gè)回環(huán)閉合是層級(jí)優(yōu)化配準(zhǔn)的基礎(chǔ)。因此，運(yùn)用帶閉環(huán)約束的目標(biāo)函數(shù)解決閉環(huán)一致性問題：首先對(duì)每對(duì)點(diǎn)云進(jìn)行配準(zhǔn)，得到兩點(diǎn)云相對(duì)的變換矩陣，之后求取每個(gè)點(diǎn)云之間的重疊面積表達(dá)，以此作為圖中各邊的權(quán)值。最后運(yùn)用圖優(yōu)化的方法每次閉合圖中一個(gè)優(yōu)先級(jí)最高的回環(huán)，直到所有點(diǎn)云都配準(zhǔn)完畢。

用ICP方法計(jì)算兩點(diǎn)云之間的變換矩陣θ，而環(huán)閉合所要解決的就是對(duì)于一個(gè)包含N個(gè)視角的點(diǎn)云數(shù)據(jù){Vn|n=1∶N}，如何調(diào)整ICP配準(zhǔn)的轉(zhuǎn)換矩陣{θi}:Vi?θi→Vi+1滿足Vn+1=V1，并且滿足θ1?θ2?…?θn=I，其中I為單位矩陣。值得注意的是，用ICP方法得到的初始配準(zhǔn)矩陣θi并不會(huì)作用于現(xiàn)有的點(diǎn)云上，而是為下一步優(yōu)化做準(zhǔn)備。為使環(huán)閉合滿足一致性要求，引入了以下約束條件

2.3 算法流程

在得到帶有權(quán)值的多視角點(diǎn)云圖之后，通過逐個(gè)選擇和閉合環(huán)配準(zhǔn)整個(gè)點(diǎn)云數(shù)據(jù)，得到全局最優(yōu)配準(zhǔn)結(jié)果。整個(gè)層級(jí)優(yōu)化配準(zhǔn)的具體步驟如圖3所示。

圖3 飛機(jī)點(diǎn)云數(shù)據(jù)層級(jí)精配準(zhǔn)方法Fig.3 Hierarchical registration method of aircraft point clound data

（1）用Kruskal算法從圖中提取最大生成樹；

（2）取不在最大生成樹中的邊的集合中邊長最大的一條加入到最大生成樹中；

（4）合并之后得到新的圖，計(jì)算所有與N相鄰的節(jié)點(diǎn)權(quán)重；

（5）重復(fù)步驟（2）直到?jīng)]有邊可以加入到目前的圖中，結(jié)束配準(zhǔn)。

通過以上步驟，在每次閉環(huán)時(shí)可以得到優(yōu)化后的轉(zhuǎn)換矩陣，在次過程中，整體配準(zhǔn)誤差都得到了最大程度的減小。而且局部閉環(huán)之后的點(diǎn)云與相鄰點(diǎn)云的重疊面積變得更大，增加了參與ICP計(jì)算中關(guān)聯(lián)點(diǎn)的數(shù)目，從而使含有噪聲以及初始位姿不佳的點(diǎn)云配準(zhǔn)結(jié)果更為精確。

3 實(shí)驗(yàn)結(jié)果與分析

本節(jié)進(jìn)行一系列實(shí)驗(yàn)證明所提出算法對(duì)大尺寸飛機(jī)點(diǎn)云數(shù)據(jù)處理的可行性和魯棒性。圖4給出了對(duì)兩種不同機(jī)型的點(diǎn)云數(shù)據(jù)進(jìn)行處理時(shí)所得到的圖以及最終配準(zhǔn)的結(jié)果。從中可以看出，不同機(jī)型對(duì)應(yīng)著不同的圖，這些圖大部分是由三角形（Strip）為單位構(gòu)建起來的，掃描的站數(shù)以及相鄰站位點(diǎn)云之間的重疊關(guān)系決定了圖之間的拓?fù)潢P(guān)系。從配準(zhǔn)結(jié)果可以看到，對(duì)于不同機(jī)型及其相應(yīng)的圖來說，本文方法都可以通過迭代更新圖中的定點(diǎn)和邊的權(quán)值，以此閉合高優(yōu)先級(jí)的回環(huán)從而成功完成高精度的多視角配準(zhǔn)。

圖4 兩種不同類型的飛機(jī)點(diǎn)云配準(zhǔn)結(jié)果Fig.4 Registration results from two different types of air?craft

為了檢驗(yàn)該配準(zhǔn)算法對(duì)于飛機(jī)點(diǎn)云數(shù)據(jù)處理的表現(xiàn)，對(duì)現(xiàn)實(shí)中的飛機(jī)進(jìn)行掃描得到數(shù)據(jù)。算法的輸入是在12個(gè)不同的站位獲取的飛機(jī)局部點(diǎn)云數(shù)據(jù)，單站點(diǎn)云數(shù)據(jù)平均包含1 900萬個(gè)點(diǎn)。為了表明算法對(duì)飛機(jī)點(diǎn)云數(shù)據(jù)處理的優(yōu)勢(shì)，截取飛機(jī)前機(jī)身機(jī)頭的區(qū)域進(jìn)行結(jié)果比對(duì)，因?yàn)轱w機(jī)大部分區(qū)域?yàn)榍瘦^小的自由曲面組成，在配準(zhǔn)過程中容易沿曲面切平面方向滑移，使得配準(zhǔn)誤差容易在飛機(jī)頭部累積，所以這個(gè)區(qū)域的配準(zhǔn)質(zhì)量能夠明顯地反應(yīng)整機(jī)的配準(zhǔn)效果。如圖5所示，圖5（a）是飛機(jī)點(diǎn)云輸入數(shù)據(jù)，圖5（b）是未經(jīng)過層級(jí)優(yōu)化配準(zhǔn)步驟的配準(zhǔn)結(jié)果，圖5（c）是使用層次多視圖剛性配準(zhǔn)（Hierarchical multiview rigid registration,HMRR）方法得到的配準(zhǔn)結(jié)果，圖5（d）是未針對(duì)不同點(diǎn)云密度進(jìn)行面積估算來調(diào)整配準(zhǔn)策略的配準(zhǔn)結(jié)果。從圖5（b）中看出，由于沒有經(jīng)過優(yōu)化配準(zhǔn)的過程，配準(zhǔn)結(jié)果顯示出了較大的誤差，而在沒有考慮點(diǎn)云密度變化對(duì)配準(zhǔn)結(jié)果帶來影響的情況下，圖5（c）經(jīng)過優(yōu)化配準(zhǔn)的步驟，結(jié)果還是存在一些微小的配準(zhǔn)誤差，而從圖5（d）中可以看出本文所提出的方法成功地解決了以上問題。

圖5 飛機(jī)點(diǎn)云配準(zhǔn)結(jié)果Fig.5 Registration results from scans of aircraft

在定性的對(duì)比算法中每個(gè)步驟對(duì)配準(zhǔn)結(jié)果的貢獻(xiàn)之后，本文與其他3個(gè)具有代表性的配準(zhǔn)算法進(jìn)行了定量的對(duì)比。特別地，本文用飛機(jī)理論模型人工生成了一些實(shí)驗(yàn)數(shù)據(jù)用于對(duì)比實(shí)驗(yàn)。Pulli[13]提出的多視角配準(zhǔn)算法（Multiview registration,MLR）在應(yīng)用虛擬配準(zhǔn)對(duì)的基礎(chǔ)上采用增量式的配準(zhǔn)方法實(shí)現(xiàn)多視角點(diǎn)云的配準(zhǔn)。Liu等[14]提出的全局一致剛性配準(zhǔn)（Globally consistent rigid regis?tration,GCRR）將多視角配準(zhǔn)問題轉(zhuǎn)化成基于圖理論的優(yōu)化問題求解，使得全局配準(zhǔn)結(jié)果有更好的一致性。Tang等[10]提出的HMRR采用層級(jí)優(yōu)化的方法來解決多視角配準(zhǔn)問題。本文在Tang[10]的方法基礎(chǔ)上進(jìn)行了改進(jìn)，針對(duì)大尺度飛機(jī)點(diǎn)云密度不均問題，重新設(shè)計(jì)了多視角點(diǎn)云重疊面積的估算方法。圖6為4種方法的配準(zhǔn)迭代次數(shù)和均方根誤差(Root mean square error,RMSE)的實(shí)驗(yàn)結(jié)果。從結(jié)果中可以看到本文所采用的方法配準(zhǔn)誤差最低。其中，Pulli[13]由于沒有解決誤差累積的原因，表現(xiàn)出了較大的誤差。而Liu等[14]的方法受限于飛機(jī)尺寸的影響，無法將誤差較好地分配到每個(gè)視角。此外Tang[10]的方法沒有考慮點(diǎn)云密度分布對(duì)配準(zhǔn)結(jié)果的影響，無法得到準(zhǔn)確的判斷點(diǎn)對(duì)重疊信息，使得算法容易陷入局部最優(yōu)，配準(zhǔn)精度也低于本文的方法。在算法運(yùn)行時(shí)間方面，從圖6中可以看出表現(xiàn)較好的算法為HMRR算法和本文的方法，由于本文算法和HMRR都是基于層級(jí)配準(zhǔn)，需要更多的時(shí)間優(yōu)化配準(zhǔn)過程，此外圖的權(quán)值計(jì)算也會(huì)增加時(shí)間消耗。本文算法時(shí)間比HMRR多15%，但從表1可以看出，絕對(duì)算法時(shí)間只增加了1.33 s，這對(duì)于大尺寸飛機(jī)數(shù)據(jù)的處理來說在可接受范圍內(nèi)（傳統(tǒng)方法在無法保障精度的情況下需要30 s以上的配準(zhǔn)時(shí)間）。從表1還可以看出本文算法最后配準(zhǔn)精度收斂于0.001 8 mm，因此本文算法擁有更高的精度和穩(wěn)定性。該實(shí)驗(yàn)表明，在增加少量時(shí)間的代價(jià)下，本文算法配準(zhǔn)精度高于其他多視角配準(zhǔn)算法，對(duì)于飛機(jī)點(diǎn)云數(shù)據(jù)配準(zhǔn)是合適的。

圖6 不同配準(zhǔn)方法RMSE對(duì)比Fig.6 Comparision of RMSE of four registration methods

表1 不同配準(zhǔn)方法精度與效率對(duì)比Table 1 Comparison of accuracy and time consuming of different registration methods

4 結(jié) 論

針對(duì)飛機(jī)點(diǎn)云配準(zhǔn)精度低的問題，本文設(shè)計(jì)并實(shí)現(xiàn)了一種精準(zhǔn)的多視角點(diǎn)云配準(zhǔn)方案。通過消除大規(guī)模點(diǎn)云中密度變化的影響改善傳統(tǒng)的層次配準(zhǔn)方法，使得點(diǎn)云位置精確對(duì)齊，顯著提高配準(zhǔn)精度。實(shí)驗(yàn)結(jié)果證明，即使在存在大量自由曲面的情況下，本文方法準(zhǔn)確性和一致性方面明顯優(yōu)于現(xiàn)有方法，因此是飛機(jī)檢測(cè)的可靠方法。