孫 威 黃 惠

（中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院 深圳 518055）

機(jī)器人輔助的三維點(diǎn)云自動(dòng)配準(zhǔn)

孫 威 黃 惠

（中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院 深圳 518055）

針對(duì)三維掃描時(shí)不同掃描儀坐標(biāo)系下三維點(diǎn)云配準(zhǔn)困難且耗時(shí)過(guò)多的難題，提出一種利用機(jī)器人轉(zhuǎn)換掃描儀坐標(biāo)來(lái)進(jìn)行點(diǎn)云配準(zhǔn)的算法。該算法主要有兩步：第一步為粗配準(zhǔn)，將三維掃描儀固定在服務(wù)機(jī)器人的機(jī)械臂末端，在三維掃描過(guò)程中實(shí)時(shí)記錄掃描儀的姿勢(shì)，并利用此信息將不同掃描儀坐標(biāo)系的點(diǎn)云轉(zhuǎn)換到機(jī)器人基底坐標(biāo)系；第二步為精細(xì)配準(zhǔn)，以第一步的結(jié)果作為改進(jìn)的迭代最近點(diǎn)算法的初始值，再利用加權(quán)的稀疏迭代最近點(diǎn)算法對(duì)機(jī)器人基底坐標(biāo)系下不同幀的點(diǎn)云進(jìn)行精細(xì)配準(zhǔn)。實(shí)驗(yàn)證明，相比其他基于儀器的配準(zhǔn)方法和直接利用迭代最近點(diǎn)算法進(jìn)行配準(zhǔn)的方法，該方法能有效提高配準(zhǔn)成功率、減少配準(zhǔn)時(shí)間、提高配準(zhǔn)精度。

點(diǎn)云配準(zhǔn)；迭代最近點(diǎn)算法；坐標(biāo)變換；三維掃描；機(jī)器人

1 引 言

近年來(lái)，三維激光掃描儀的快速發(fā)展使得獲取真實(shí)場(chǎng)景的高精度三維點(diǎn)云越來(lái)越便利，對(duì)真實(shí)場(chǎng)景進(jìn)行三維掃描和重建得到了越來(lái)越多的關(guān)注。通常進(jìn)行三維掃描時(shí)，掃描一次只能得到被掃描物體在掃描儀視野范圍內(nèi)的點(diǎn)云數(shù)據(jù)。要想得到整個(gè)物體完整的幾何形狀信息，需要從多個(gè)視角進(jìn)行掃描。由于在不同視角下進(jìn)行掃描時(shí)的參考坐標(biāo)系不同，為了得到物體整個(gè)表面的完整點(diǎn)云數(shù)據(jù)，必須將多個(gè)視角下得到的點(diǎn)云配準(zhǔn)到同一個(gè)坐標(biāo)系。

目前，三維點(diǎn)云配準(zhǔn)主要有手動(dòng)配準(zhǔn)、基于儀器的配準(zhǔn)和自動(dòng)配準(zhǔn)［1］三種方法。其中，后兩種方法較為常用?；趦x器的配準(zhǔn)方法通過(guò)計(jì)算掃描系統(tǒng)硬件的坐標(biāo)關(guān)系將多幀點(diǎn)云轉(zhuǎn)換到同一坐標(biāo)系下，該方法不依賴(lài)于點(diǎn)云的特征，配準(zhǔn)速度快，但對(duì)系統(tǒng)硬件的設(shè)計(jì)搭建具有較高要求。自動(dòng)配準(zhǔn)也就是直接利用諸如迭代最近點(diǎn)［2］及其各種改進(jìn)算法［3，4］進(jìn)行配準(zhǔn)，要求要配準(zhǔn)的兩幀點(diǎn)云數(shù)據(jù)有足夠的重疊區(qū)域（共同特征）來(lái)確定初始對(duì)應(yīng)點(diǎn)集。而在實(shí)際應(yīng)用中，這樣的要求往往以犧牲掃描效率為代價(jià)，甚至可能無(wú)法完成對(duì)物體的完整掃描。例如，在基于最佳下一視角［6-9］的自動(dòng)掃描中，往往需要配準(zhǔn)的兩幀點(diǎn)云數(shù)據(jù)之間很可能只有較小的重疊區(qū)域甚至沒(méi)有重疊的區(qū)域。在這種情況下，就需要一個(gè)粗配準(zhǔn)的方法將不同坐標(biāo)系下的點(diǎn)云轉(zhuǎn)換到同一坐標(biāo)系下?，F(xiàn)有的粗配準(zhǔn)方法主要有基于旋轉(zhuǎn)平臺(tái)的方法［10-12］，基于標(biāo)志點(diǎn)的方法，基于掃描物體曲面特征的方法［13］等。但這些傳統(tǒng)的方法往往很難滿(mǎn)足精度要求，不能為隨后的精細(xì)配準(zhǔn)算法提供良好的初始值。大部分基于旋轉(zhuǎn)平臺(tái)的方法，主要利用計(jì)算機(jī)視覺(jué)中的輪廓線(xiàn)重構(gòu)方法或序列影像重構(gòu)方法，而這些方法中對(duì)旋轉(zhuǎn)平臺(tái)進(jìn)行標(biāo)定的方法一般都是從圖像中提取標(biāo)定物的特征平面，再根據(jù)平面相交于旋轉(zhuǎn)軸的約束條件進(jìn)行參數(shù)的求解。這些方向需要特征提取的步驟并且還需要標(biāo)定相機(jī)的步驟。此外，利用轉(zhuǎn)臺(tái)掃描模型對(duì)復(fù)雜模型的頂部和底部的掃描和配準(zhǔn)比較困難。而基于標(biāo)志點(diǎn)的方法，需要往掃描物體上貼大量標(biāo)簽，當(dāng)進(jìn)行大規(guī)模物體掃描或被掃描物體表面幾何特征比較復(fù)雜時(shí)，該方法效率低下且配準(zhǔn)精度較低。

針對(duì)上述問(wèn)題，本文提出一種利用機(jī)器人輔助快速進(jìn)行點(diǎn)云數(shù)據(jù)配準(zhǔn)的自動(dòng)化方法：利用機(jī)器人記錄掃描儀位姿信息（包含旋轉(zhuǎn)矩陣 R 和平移矢量 t）并將其用于粗配準(zhǔn)，將粗配準(zhǔn)所獲得的結(jié)果作為加權(quán)的稀疏迭代最近點(diǎn)算法［5］的初始值，完成點(diǎn)云數(shù)據(jù)間的精確配準(zhǔn)［14］。

2 機(jī)器人輔助的點(diǎn)云粗配準(zhǔn)

本文所用的機(jī)器人為 PR2 機(jī)器人（圖1）。PR2 來(lái)自專(zhuān)業(yè)的機(jī)器人研發(fā)公司 Willow Garage，被稱(chēng)為全球首個(gè)可完成綜合性操作的智能機(jī)器人。PR2 是下一代家庭服務(wù)機(jī)器人的雛形，在其頭部、頸部、肘部、鉗子上分別安裝有深度攝像頭、激光測(cè)距儀、高分辨率攝像頭、觸覺(jué)傳感器等豐富的傳感設(shè)備。PR2 的底部有兩臺(tái)8 核電腦作為機(jī)器人各硬件的控制和通訊中樞，并安裝有Ubuntu 和 Robot Operating System。PR2 依靠底部的四個(gè)輪子移動(dòng)；其有兩條手臂，每條手臂七個(gè)關(guān)節(jié)，手臂末端是一個(gè)可以張合的鉗子。

圖1 本文提出的三維掃描系統(tǒng)Fig. 1 The proposed 3D scanning system

在本文的三維掃描系統(tǒng)中，三維掃描儀固定在機(jī)器人手臂的末端，并將其固定的位置添加到機(jī)器人的描述文件當(dāng)中，固定之后掃描儀成為整個(gè)機(jī)器人系統(tǒng)的一部分。我們?cè)跈C(jī)器人底部中心位置建立如圖2 的基底坐標(biāo)系，根據(jù)機(jī)器人描述文件中定義的機(jī)器人各關(guān)節(jié)相對(duì)位置，就可以獲得機(jī)器人各關(guān)節(jié)的坐標(biāo)系之間的關(guān)系，也即可以實(shí)時(shí)獲取不同視角下掃描儀坐標(biāo)系與機(jī)器人基底坐標(biāo)系之間的轉(zhuǎn)換關(guān)系。

圖2 機(jī)器人坐標(biāo)系Fig. 2 The robot coordinate system

在掃描儀坐標(biāo)系 S 下，記點(diǎn)云數(shù)據(jù) PS，根據(jù)機(jī)器人掃描儀坐標(biāo)系 S 與機(jī)器人基底坐標(biāo)系 B 之間的轉(zhuǎn)換關(guān)系 ，可得在機(jī)器人基底坐標(biāo)系 B下的點(diǎn)云數(shù)據(jù)為：

對(duì)不同視角 i（i = 0， … ， n）下掃描得到的所有點(diǎn)云數(shù)據(jù)均做如上的變換即能將點(diǎn)云 PSi統(tǒng)一到機(jī)器人基底坐標(biāo)系 B 下：

由于機(jī)器人定位精度、運(yùn)動(dòng)抖動(dòng)等因素的影響，利用機(jī)器人轉(zhuǎn)化坐標(biāo)的配準(zhǔn)方法無(wú)法確保較高的精度。這一粗配準(zhǔn)得到的結(jié)果在兩組點(diǎn)云的重疊部分容易出現(xiàn)匹配不準(zhǔn)的現(xiàn)象。為解決這一精細(xì)配準(zhǔn)的問(wèn)題，本文采用了改進(jìn)的稀疏迭代最近點(diǎn)算法來(lái)進(jìn)行優(yōu)化。

3 精細(xì)配準(zhǔn)算法

3.1 經(jīng)典的迭代最近點(diǎn)算法

用集合 P 和 X 分別表示點(diǎn)云 pi和 xi的集合。其中，集合 P 中點(diǎn)的個(gè)數(shù)為 NP；X 中點(diǎn)的個(gè)數(shù)為NX。迭代最近點(diǎn)算法（Iterative Closest Point，ICP）本質(zhì)上是基于二乘法的最優(yōu)匹配方法，是一個(gè)不斷進(jìn)行原始數(shù)據(jù)與旋轉(zhuǎn)平移數(shù)據(jù)反復(fù)迭代替換的過(guò)程，最終要達(dá)到一個(gè)匹配正確的收斂狀態(tài)。該算法的根本目的是得到點(diǎn)云間的剛體變換，并用矢量表示，使得誤差函數(shù)

最小。其中，qR為用四元數(shù)表示的旋轉(zhuǎn)變換；qT表示剛體變換的平移變換；R（qR）表示將四元數(shù)qR轉(zhuǎn)換為旋轉(zhuǎn)矩陣。

經(jīng)典 ICP 算法描述如下：

初始迭代時(shí)，設(shè)點(diǎn)云初始位置為 ，當(dāng)前迭代次數(shù) 時(shí)，迭代執(zhí)行如下步驟，直到目標(biāo)函數(shù)收斂于給定的閾值 ：

①由當(dāng)時(shí)點(diǎn)云初始位置，利用公式（ 3 ）計(jì)算最近點(diǎn)點(diǎn)集 Yk；

②在 Yk基礎(chǔ)上，計(jì)算配準(zhǔn)向量（qk，dk），其中，qk代表平移分量，dk代表旋轉(zhuǎn)分量；

④如果滿(mǎn)足給定的誤差閾值，即 ，則終止迭代，否則 ，并執(zhí)行①。

3.2 改進(jìn)的稀疏迭代最近點(diǎn)算法

Li 等［13］提出了稀疏 ICP 算法，用稀疏范數(shù)p-norms 來(lái)替換原來(lái)的 2-范數(shù)，獲得了比傳統(tǒng)ICP 算法更好的配準(zhǔn)效果。該法將經(jīng)典 ICP 問(wèn)題轉(zhuǎn)化為：

其中，p∈［0， 1］；R 為旋轉(zhuǎn)矩陣；t 為平移向量；x 為源點(diǎn)云數(shù)據(jù)中的點(diǎn)；y 為目標(biāo)點(diǎn)云數(shù)據(jù)中的點(diǎn)。兩幀點(diǎn)云數(shù)據(jù)之間轉(zhuǎn)換的剛性通過(guò)將旋轉(zhuǎn)矩陣 R 約束到特殊正交群 SO（k）來(lái)確保，這一約束利用指示函數(shù) IA（b）實(shí)現(xiàn)。當(dāng) b∈A 時(shí)，指示函數(shù)IA（b）=0；其他情況下，IA（b）接近于正無(wú)窮。

但其改進(jìn)后的 ICP 仍然是一種局部?jī)?yōu)化算法，不能保證收斂到全局最優(yōu)解，只有當(dāng)點(diǎn)云的初始相對(duì)位置接近真實(shí)的位置時(shí)，ICP 算法才能得到真實(shí)的全局配準(zhǔn)。因?yàn)榇峙錅?zhǔn)方法已經(jīng)能保證兩幀點(diǎn)云的初始相對(duì)位姿接近真實(shí)位置了，所以稀疏 ICP 算法比較適合本文所述的精細(xì)配準(zhǔn)過(guò)程。與此同時(shí)，為了提高算法的運(yùn)算效果，本文對(duì)該算法提出一些改進(jìn)措施。

通過(guò)給對(duì)應(yīng)點(diǎn)賦予權(quán)值的方法來(lái)剔除無(wú)效點(diǎn)對(duì)，即剔除權(quán)值大于給定閾值的點(diǎn)對(duì)。傳統(tǒng)的ICP 算法中，在搜索最近點(diǎn)時(shí)須計(jì)算每個(gè)點(diǎn)，因?yàn)辄c(diǎn)云中的每個(gè)點(diǎn)都有相同的權(quán)重，這一設(shè)定降低了 ICP 算法的效率。本文對(duì)點(diǎn)云中的對(duì)應(yīng)點(diǎn)采用權(quán)重策略采樣［15］，點(diǎn)對(duì)的距離越遠(yuǎn)，賦給它的權(quán)值 w 越小。

其中，表示對(duì)應(yīng)點(diǎn)間的歐式距離； 表示對(duì)應(yīng)點(diǎn)距離的最大值。由公式（6）可對(duì)每個(gè)對(duì)應(yīng)點(diǎn)賦予不同的權(quán)值。

4 算法流程圖

如圖3 所示，整個(gè)算法的流程如下：每次掃描儀完成掃描后，實(shí)驗(yàn)平臺(tái)與機(jī)器人利用 socket進(jìn)行通信，將得到的點(diǎn)云數(shù)據(jù)轉(zhuǎn)換到機(jī)器人基底坐標(biāo)系下，再采用改進(jìn)的稀疏 ICP 算法對(duì)點(diǎn)云進(jìn)行精細(xì)配準(zhǔn)。由于掃描通常得到是含有稀疏噪聲的點(diǎn)云數(shù)據(jù)，有可能?chē)?yán)重干擾配準(zhǔn)結(jié)果使之陷入局部極值。此外，每幀點(diǎn)云的數(shù)據(jù)量通常都很大，為后續(xù)配準(zhǔn)計(jì)算所需空間以及時(shí)間帶來(lái)了巨大的負(fù)擔(dān)。因此，為了能夠加快配準(zhǔn)算法的精度和計(jì)算速度，在進(jìn)行粗配準(zhǔn)之前，對(duì)點(diǎn)云進(jìn)行降采樣和去噪預(yù)處理工作。

采用距離統(tǒng)計(jì)去噪音法，是通過(guò)對(duì)點(diǎn)云中每個(gè)點(diǎn)的鄰近點(diǎn)進(jìn)行歐式距離統(tǒng)計(jì)，利用統(tǒng)計(jì)得到的距離信息去除那些局外的噪聲點(diǎn)［16］。該方法的主要思路是使用 k 近鄰搜索鄰點(diǎn)，k為設(shè)定值。對(duì)每一個(gè)點(diǎn)，計(jì)算該點(diǎn)到它的所有鄰點(diǎn)的平均距離和標(biāo)準(zhǔn)差。假設(shè)點(diǎn)云符合一個(gè)給定平均值 α 和標(biāo)準(zhǔn)差 σ 的高斯分布，該平均值 α 和標(biāo)準(zhǔn)差 σ 由點(diǎn)的全局平均距離決定。如果一個(gè)點(diǎn)到所有相鄰點(diǎn)的平均距離和標(biāo)準(zhǔn)差分別超過(guò)了 α 和 σ，則被視為噪聲點(diǎn)，即被移除。

圖3 算法的流程圖Fig. 3 The flow chart of the proposed method

本文采用均勻降采樣算法［17］來(lái)保證輸入數(shù)據(jù)的相對(duì)密度和形狀不變。對(duì)輸入原始點(diǎn)云中的每個(gè)點(diǎn)，在其鄰域內(nèi)搜索 k 近鄰點(diǎn)，去除這些鄰近點(diǎn)以實(shí)現(xiàn)均勻降采樣。該方法的關(guān)鍵在于如何確定查找 k 近鄰時(shí)的搜索范圍以及盡可能最小化該搜索范圍以節(jié)約時(shí)間，提高效率。本文將 k-d 樹(shù)［18，19］用于對(duì)點(diǎn)云中的點(diǎn)進(jìn)行最近鄰搜索。k-d 樹(shù)是一種對(duì) k 維空間中的實(shí)例點(diǎn)進(jìn)行存儲(chǔ)以便對(duì)其進(jìn)行快速檢索的二叉樹(shù)結(jié)構(gòu)。k-d 樹(shù)沿著垂直于相應(yīng)軸線(xiàn)的超平面把空間劃分為不同的子空間，并將所有非葉子節(jié)點(diǎn)分割到特定維。在 k-d 樹(shù)中為每個(gè)點(diǎn)進(jìn)行 k 近鄰搜索，找到 k 個(gè)最近的點(diǎn)并去除。即每 k 個(gè)點(diǎn)中只保留一個(gè)點(diǎn)，數(shù)據(jù)量縮小為原始數(shù)據(jù)的 1/k 倍。

5 實(shí)驗(yàn)結(jié)果及分析

5.1 結(jié)果

根據(jù)本文提出的方法，進(jìn)行了多個(gè)實(shí)驗(yàn)以證明該方法的有效性和魯棒性。

圖4、5 和 6 顯示了本算法處理一些數(shù)據(jù)集的中間結(jié)果。圖4 顯示了去噪前后的數(shù)據(jù)，噪聲（4（a）中間的紅色區(qū)域）被移除。圖5 顯示了本算法點(diǎn)云降采樣前后的數(shù)據(jù)?？梢钥吹?，降采樣后的點(diǎn)云數(shù)據(jù)密度更均勻。圖6 顯示了機(jī)器人輔助的點(diǎn)云粗配準(zhǔn)的結(jié)果，可以看到，變換坐標(biāo)系后，兩幀點(diǎn)云數(shù)據(jù)的位置已經(jīng)比較接近，為后續(xù)的改進(jìn)稀疏 ICP 算法提供了良好的初始值。

圖4 點(diǎn)云去噪前后對(duì)比Fig.4The comparison between the raw point clouds and the data processed by outliers removal algorithm

圖5 點(diǎn)云降采樣前后對(duì)比Fig. 5 The comparison between the raw point clouds and the downsample by outliers removal algorithm

圖6 機(jī)器人輔助轉(zhuǎn)換前后的兩幀點(diǎn)云數(shù)據(jù)Fig. 6 The comparison between the point clouds data before and after transformation with robot-assisted

圖7、8 和 9 對(duì)比了本文提出的算法與以往算法對(duì)兩幀或多幀點(diǎn)云進(jìn)行配準(zhǔn)的結(jié)果。7（a）、8（a）和 9（a）顯示了對(duì)模型進(jìn)行三維掃描得到的數(shù)據(jù)。首先將機(jī)器人輔助的粗配準(zhǔn)結(jié)果與目前常用的基于主成分分析［20］的初始配準(zhǔn)方法進(jìn)行了比較，如圖7（b）（c）、8（b）（c）、9（b）（c）所示?？梢?jiàn)主成分分析法無(wú)法達(dá)到令人滿(mǎn)意的配準(zhǔn)精度。隨后，對(duì)比了使用經(jīng)典 ICP 算法［2］進(jìn)行精細(xì)配準(zhǔn)和利用改進(jìn)的稀疏 ICP 進(jìn)行精細(xì)配準(zhǔn)，結(jié)果如圖7（d）（e）、8（d）（e）、9（d）（e）所示?？梢杂^(guān)察到獅子的尾部、小提琴琴弓處、賽亞人模型的臉部均出現(xiàn)了分叉的現(xiàn)象，從對(duì)比中可以看出本文的方法能得到更為準(zhǔn)確的結(jié)果。

圖7 獅子模型的配準(zhǔn)結(jié)果及對(duì)比Fig. 7 The registration result and comparison with other methods of the lion model

圖8 拉小提琴的女人模型的配準(zhǔn)結(jié)果及對(duì)比Fig.8 The registration result and comparison with other methods of the violin woman model

此外，如圖10 所示，對(duì)于特征較少的點(diǎn)云數(shù)據(jù)（圖10（a）），無(wú)論是經(jīng)典 ICP 算法還是各種改進(jìn)的 ICP 算法（圖10（b））都很容易陷入局部極值而無(wú)法獲得較好的配準(zhǔn)結(jié)果，但利用本文提出的方法可以得到較高精度的配準(zhǔn)結(jié)果（圖10（c））。由此可見(jiàn)，即使兩幀點(diǎn)云數(shù)據(jù)之間的重疊區(qū)域很小，本文提出的方法也能較為精確地對(duì)兩幀點(diǎn)云進(jìn)行配準(zhǔn)。

5.2 分 析

為了比較不同算法的配準(zhǔn)精度，引入配準(zhǔn)精度度量 ε：

其中，表示配準(zhǔn)后兩幀點(diǎn)云中對(duì)應(yīng)點(diǎn)對(duì)的距離； 表示給定的精度；表示該點(diǎn)對(duì)未達(dá)到給定的精度要求，NP為點(diǎn)云數(shù)量；ε 表示整個(gè)點(diǎn)云中未達(dá)到精度要求的點(diǎn)所占比例。

為了比較不同算法的速度，我們記錄了不同算法的配準(zhǔn)時(shí)間。所有時(shí)間數(shù)據(jù)均在 Microsoft Windows 7 操作系統(tǒng)，Intel Xeon CPU E5-2637@ 3.50 GHz，32 G 內(nèi)存的圖形工作站作為運(yùn)行平臺(tái)測(cè)試得到。

表1 記錄了包括傳統(tǒng) ICP 算法、稀疏 ICP 算法以及本文算法在配準(zhǔn)精度和耗時(shí)的統(tǒng)計(jì)數(shù)據(jù)。由表可知，與直接使用 ICP 算法相比，本文所提出方法進(jìn)行配準(zhǔn)的計(jì)算時(shí)間更短，配準(zhǔn)精度更高。

6 總 結(jié)

圖9 賽亞人模型的 17 幀點(diǎn)云數(shù)據(jù)配準(zhǔn)結(jié)果及對(duì)比Fig. 9 The registration result and comparison with other methods of the Saiya model （included 17 frames point clouds）

圖10 盒子模型的配準(zhǔn)結(jié)果及對(duì)比Fig. 10 The registration result and comparison with other methods of the box model

本文提出了一種機(jī)器人輔助的三維點(diǎn)云自動(dòng)配準(zhǔn)算法。首先，結(jié)合機(jī)器人自動(dòng)記錄掃描儀姿態(tài)信息的特性解決了初始配準(zhǔn)的問(wèn)題，然后在稀疏 ICP 算法基礎(chǔ)上，通過(guò)施加對(duì)應(yīng)點(diǎn)對(duì)的權(quán)重值以降低算法的執(zhí)行時(shí)間。本文提出的方法能解決點(diǎn)云具有較少共同特征時(shí)的配準(zhǔn)問(wèn)題，且比直接使用 ICP 算法進(jìn)行配準(zhǔn)的計(jì)算時(shí)間要短，配準(zhǔn)精度更高。由多個(gè)實(shí)驗(yàn)結(jié)果可以證明，該算法在配準(zhǔn)精度和收斂性能上比直接使用 ICP 的配準(zhǔn)方法有較大的提高且具有良好的實(shí)時(shí)性。由于只需進(jìn)行一次坐標(biāo)轉(zhuǎn)換，本文的方法耗時(shí)更短，可以達(dá)到實(shí)時(shí)粗配準(zhǔn)的效果。

表1 本文配準(zhǔn)算法和其他粗配準(zhǔn)方法及原始 ICP 算法性能比較Table 1 The comparison between the registration algorithm proposed in this paper and other coarse registration and classical ICP algorithm

本文提出的方法還存在一定的局限性。例如，需要比較精確地標(biāo)定掃描儀與機(jī)器人手臂末端的位置關(guān)系。但是，本系統(tǒng)一旦準(zhǔn)確標(biāo)定完成后，就不需要其他人工干預(yù)完成，可以自動(dòng)進(jìn)行掃描—粗配準(zhǔn)—精細(xì)配準(zhǔn)的整個(gè)三維掃描過(guò)程。該方法十分便捷，非常適合工具零件、玩具公仔、模型手辦和館藏文物等物品的自動(dòng)精細(xì)快速三維建模，具有較強(qiáng)的實(shí)用價(jià)值。

［1］ Makadia A，Patterson A，Daniilidis K.Fully automatic registration of 3D point clouds ［C］ // The 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2006：1297-1304.

［2］ Besl PJ，McKay HD.A method for registration of 3-D shapes ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1992，14（2）：239-256.

［3］ Rusinkiewicz S，Levoy M.Efficient variants of the ICP algorithm ［C］ // Proceedings of the 3rd International Conference on 3-D Digital Imaging and Modeling，2001：145-152.

［4］ 戴靜蘭， 陳志楊， 葉修梓. ICP 算法在點(diǎn)云配準(zhǔn)中的應(yīng)用 ［J］. 中國(guó)圖象圖形學(xué)報(bào)， 2007，12（3）：517-521.

［5］ Bouaziz S，Tagliasacchi A，Pauly M.Sparse iterative closest point ［J］. Computer Graphics Forum，2013，32（5）：113-123.

［6］ Wu S，Sun W，Long P，et al.Quality-driven poissonguided autoscanning ［J］ // ACM Transactions on Graphics，2014，33（6）：1-12.

［7］ Banta JE，Levine JA， Dumont C， et al. A nextbest-view system for autonomous 3D object reconstruction ［J］. IEEE Transactions on Systems，Man and Cybernetics，Part A：System and Humans，2000，30（5）： 589-598.

［8］ Blaer PS，Allen PK. Data acquisition and view planning for 3-D modeling tasks ［C］ // IEEE/RSJ International Conference on Intelligent Robots and Systems，2007：417-422.

［9］ Connolly C.The determination of next best views［C］ // Proceedings of 1985 IEEE International Conference on Robotics and Automation， 1985：432-435.

［10］ Sadlo F，Weyrich T，Peikert R，et al.A practical structured light acquisition systemfor point-based geometry and texture ［C］ // Proceedings of the Second Eurographics/IEEE VGTL Conference on Point-Based Graphics，2005：89-98.

［11］ Zhang L，Alemzadeh K.A dental vision system for accurate 3D tooth modeling ［C］ //Proceedings of the 28th IEEE-EMBS Annual International Conference on Engineering in Medicine and Biology Society，2006：4799-4802.

［12］ Park SY，Subbarao M.A multiview 3-D modeling system based on stereo vision techniques ［J］. Mach Vision and Application， 2005， 16（3）： 148-156.

［13］ Li X，Guskov I.Multi-scale features for approximate alignment of point-based surfaces ［C］ // Proceedings of the 3rd Eurographics Symposium on Geometry Processing，2005：217-226.

［14］ Gelfand N，Mitra NJ，Guibas LJ，et al. Robust global registration ［C］ // Proceedings of the Third Eurographics Symposium on Geometry Processing，2005： 5.

［15］ Godin G，Rioux M，Baribeau R.Three-dimensional registration using range and intensity information［C］ // Photonics for Industrial Applications，1994：279-290.

［16］ Sotoodeh S.Outlier detection in laser scanner point clouds ［J］. International Archives of Photogrammetry，Remote Sensing and Spatial Information Sciences， 2006，36（5）：297-302.

［17］ Gelfand N，Ikemoto L，Rusinkiewicz S，et al. Geometrically stable sampling for the ICP algorithm［C］ // Proceedings of the Fourth International Conference on 3-D Digital Imaging and Modeling，2003： 260-267.

［18］ O'Leary G. KdTree search ［EB/OL］.［2015-6-21］.http：//pointclouds.org/documentation/tutorials/.

［19］ Nüchter A，Lingemann K，Hertzberg J.Cached k-d tree search for ICP algorithms ［C］ // Proceedings of the Sixth International Conference on 3-D Digital Imaging and Modeling，2007：419-426.

［20］ 鐘瑩， 劉豐華. 復(fù)雜模型三維點(diǎn)云自動(dòng)配準(zhǔn)技術(shù)的研究 ［J］. 世界科技研究與發(fā)展， 2014，36（2）：120-123.

Robot-Assisted Automatic Registration of Three Dimensional Point Clouds

SUN Wei HUANG Hui

（ Shenzhen Institutes of Advanced Technology， Chinese Academy of Sciences， Shenzhen 518055， China ）

Automatic registration of point clouds is a challenging task especially when the overlap between them is too small to initialize the traditional iterative closest point algorithm directly. A method for registering 3D point clouds in different coordinates was proposed by using the scanner's pose information， recorded by a robot. This method consisted of two steps： firstly， 3D scanner was set on the end effector of the robot，which recorded the 6D pose of the scanner when an object was scanned in real time. Using this recorded pose information， the captured point clouds from different scanner coordinates were transformed to robot base coordinate. Secondly， the weighted sparse iterative closest point was used to align the point clouds in robot base coordinate which refines the result of the first step. This method was tested on various data and situations. The experiment results show that the proposed method could align point clouds with lower overlapping ratio，and is more accurate， faster and more robust to outliers than existing methods.

point cloud registration； iterative closest point algorithm； coordinate transformation； 3D scanning； robot

TP 301

A

2015-06-13

2015-06-23

國(guó)家自然科學(xué)基金（61379091）；科技部863 項(xiàng)目（2015AA016401）；深圳市可視計(jì)算與可視分析重點(diǎn)實(shí)驗(yàn)室（CXB201104220029A）；深圳市基礎(chǔ)研究項(xiàng)目（JCYJ20140901003939034， JCYJ20140901003938994）

孫威，碩士研究生，研究方向?yàn)橛?jì)算機(jī)圖形學(xué)；黃惠（通訊作者），研究員，博士生導(dǎo)師，研究方向?yàn)橛?jì)算機(jī)圖形、圖像處理和科學(xué)計(jì)算，E-mail：hui.huang@siat.ac.cn。