3.4.1基于统计分析技术的点云数据去噪

喷涂机器人通过数据采集得到的原始数据都会存在着大量的冗余和噪声点，因此数据处理技术中第一步要进行的就是滤波去噪。点云数据的去噪主要是利用点云数据中的一种独特的数据结构一一八叉树来搜索每一点附近的近邻点，通过统计分析，判断其平均距离是否满足预定条件来去除异常点和离群点。如图3-8和图3-9分别是对同一点云数据去噪前后的对比以及点的领域平均距离方法分析。 图3-8中左边的图是原始数据，右边的图是去噪后的结果，对比去噪前后的变化，可以发现通过统计分析技术对原始点云数据的去噪效果是比较明显的。图3-9是去噪前后点的领域范围内的K近邻领域平均距离的对比，可以看到，去噪处理后点云数据的K近邻领域平均距离的方差较小，因此，点的K近邻领域内平均距离变化比较均匀。 3.4.2基于最小二乘法的点云数据平滑 点云数据经过去噪处理后，只是去除了点云分布中异常离群的点，由于测量仪器和工件在生产加工中存在的误差，点云数据之间的跳动还是有的，这样就会导致在曲面重建时产生许多的凹陷或凸起，因此为了在对点云模型进行曲面重建时能够得到较光滑的曲面，本文采用最小二乘法对点云数据进行插值得到更加平滑的点云，如图3-10和图3-11分别是对同一点云数据平滑处理前后的特显特征对比和曲率特征对比分析。 在图3-10左侧的图中，由于测量误差，使得即使在同一平面上的点集，其法线方向也不严格一致，右侧则是同一点云数据经过平滑处理后再进行法线估计的结果，明显比左图准确了很多。此外，通过图3-11对平滑处理前后的曲率特征方差图进行了对比，可以看到平滑处理前的点云数据的曲率特征方差很大，而平滑后的方差较小，说明点云数据变得更加光滑。 3.4.3基于聚类分析法的点云数据精简 通常，通过扫描方式得到的点云数据分布密度很大，数据量一般在百万级的数量级及以上，对于这么庞大的数据量，一般的处理器和硬件设备由于性能较差根本处理不过来，因此对海量的点云数据进行精简是很有必要的工作，这直接影响了曲面重建以及后续路径规划的计算效率。根据前面对点云精简技术的概述，本文利用点云库里独特的数据结构体素采用聚类分析的方法实现了对于大量点云数据的精简，如图3-12的示例。 喷涂机器人基于聚类分析法的点云精简主要有两个过程:聚类初始化和聚类细分。首先选择分布均匀的K个点作为初始中心点，由于可能存在更微细的特征，如果仅用聚类初始化保留下的聚类中心点描述整个聚类会使这些微细的特征变得模糊，因此还要对聚类进行细分。为了获得微细的特征，把初始聚类递归细分成更小的子聚类，直到聚类成员之间在空间域和特征域上相似为止。在图3-12中，基于聚类分析法对球面上的部分点云模型进行了精简，原始点云数据一共有12498个点，聚类精简后得到3267个点，对比精简前后点云模型的变化，原始点云数据的几何特征和拓扑结构基本保持不变，并且点云数量大大减少，这对于提高后续的曲面重建和路径规划的速度有着重要的意义。

• 上一篇：基于点云切片技术的喷涂机器人自编程技术研究中红外深度摄像机标定
• 下一篇：喷涂机器人研究基于快速贪婪三角化算法的点云曲面重建