本发明涉及计算机成像领域，特别涉及一种3d点云成像及定位的方法。
背景技术：
通过激光进行3d点云成像就是通过摄像头捕捉激光扫描过的每一个点，然后基于激光三角形几何理论，把摄像头捕捉的二维信息转化成三维信息。再捕捉完成所有的激光点，即可生成反映了物体表面形态的3d点云。运动坐标定位不但要得到物体的表面形态，还要确认物体坐标系相对于世界坐标系的位姿。3d点云成像和定位技术在逆工程研究和运用中有着重要的地位。
现有技术采用了激光与单镜头/传感器的三角形方法，这样的方法对激光的定位精度要求高，光路复杂，且在使用的过程中精度会不断降低。在面对非常复杂的表面时，会出现激光的扫描盲区，在3d点云成像中会有缺失。
技术实现要素：
本发明的目的在于克服现有技术的不足，提供一种3d点云成像及定位的方法，该点云成像方法采用双目成像系统对激光点数据进行采集，增加了采集精度，而且能够对形成的3d点云信息进行检测判断是否存在漏扫部分，对漏扫部分进行重新扫描，同时能够得到物体的运动坐标系来确定被扫描的物体的位姿，为物体扫描后的识别、机器自动化控制提供数据基础。
为了实现上述目的，本发明采用的技术方案为：一种3d点云成像方法，包括双目成像系统、激光器，激光器发出扫描光束值被测物体表面，双目成像系统采集激光点的信息，通过两个相机标定过的参数对每个激光点进行平面到空间的转换，得到激光点的空间坐标信息，将所有扫描点的信息整合在一起得到3d点云模型。
对得到的3d点云模型进行封闭性检测，判断是否有未封闭的曲面，若存在，则扫描存在遗漏点，确定遗漏点所在的区域，对该区域重新扫描，更新3d点云模型。
判断是否有未封闭的曲面包括如下步骤：
步骤1：以3d点云模型中各点为中心划定多个与各点相对应检测区域；
步骤2：分别计算各检测区域的点云密度；
步骤3：根据各区域的点云密度判断检测区域内是否异常，若点云密度异常，则存在未扫描的区域即为3d点云存在未封闭的曲面。
若步骤3中检测区域为点云密度异常区域，则检测区域对应的中心点为边界点，相邻的边界点连接形成的轮廓线包围的区域即为存在漏扫点区域，对该区域进行重新扫描，更新3d点云信息。
在得到边界点后，对边界点进行过滤操作，滤除噪音点。这里边界点即为可疑点，其具体包括在每个可疑点的周围划分一个三维的正方体卷积区域，对该正方体进行工件的网格化，并且为每个网格定义该网格的权重，距离可疑点较近的网格拥有较高的权重，距离可疑点较远的网格拥有较高的权重。所有权重的数字组成了滤波器，也可以成为卷积核，用这个卷积核对每个可疑点进行卷积计算，本质上为加权平均数的计算。在该网格内如果存在一定数量的可疑点，就用可疑点的数量乘以该网格的权重，如果不存在可疑点，可疑点的数量为零。对所有网格内的可疑点数量进行加权平均数的计算后，可以得到一个分数值，该分数如果小于了临界的阈值，则该点为噪音点，会被滤去。滤除噪音点后再对过滤后的相邻的边界点连接形成轮廓线。
提取更新后的3d点云表征物体形状的特征点、特征点的三维坐标以及特征点对应的平面法向量，通过icp算法得到被扫描物体的运动坐标系。
求取特征点及平面法向量方法为：通过icp算法对3d点云通过不同程度的高斯滤波器进行模糊处理，得到了突出了三维点云不同特征的新的点云。再把得到的新点云和原有点云进行对比，得到了在一定的定义域内相干系数的极值点。这些极值点即为反映了扫描物体的形状特征的特征点。在原有的点云中，根据坐标信息找到这些特征点以及相邻的点，拟合相切于点云且通过了该点的平面，求取该平面的法向量。
定义这个法向量为该特征点的特征向量。把得到的所有特征点，特征向量，以及特征点的三维坐标，运用icp算法在数据库中进行检索。数据库中存有用户相关领域的三维点云模板，每个模板均有自定义的运动坐标系，该运动坐标系的确定是结合了该模板的形状特征来设定的，可以清晰的表明该物体的位置和姿态。icp算法再检索到了模板之后，会返回该模板的属性定义，也会返回描述每个特征点和模板中的该特征点之间的空间矢量关系。通过这些矢量关系，可以依照模板中定义运动坐标系的规则，自定义三维点云的运动坐标系。并且通过空间坐标系转化算法，带入每个特征点的空间矢量关系，求取自定义过的三维点云坐标系和模板中的模板坐标系之间的映射。
本发明的优点在于：在激光扫描的过程中，采用了两个摄像头实时定位光束点，使用双目立体视觉获取激光点的三维信息，从而避免了对激光扫描的精度依赖，也避免了机械结构和光路结构因为使用造成的性能下降；针对获取的3d点云信息可以分析判断是否存在漏扫区域，并对漏扫区域重新扫描得到新的3d点云信息，减少漏扫带来的图像丢失问题。
附图说明
下面对本发明说明书各幅附图表达的内容及图中的标记作简要说明：
图1为本发明3d点云成像及定位的方法流程示意图。
具体实施方式
下面对照附图，通过对最优实施例的描述，对本发明的具体实施方式作进一步详细的说明。
如图1所示，一种3d点云成像及定位的方法，双目成像系统用于采集激光点的信息，通过对两个相机组成的双目成像系统标定过的参数对每个激光点进行平面到空间的转换，得到激光点的空间坐标信息，将所有扫描点的信息整合在一起得到3d点云模型。双目成像系统包括由两个相机、以及相机的计算机控制组成，双目成像系统的标定包括内参、外参，然后成果双目成像算法进行转换得到空间坐标，算法、参数标定均可采用现有技术双目成像系统实现。
扫描后得到的3d点云信息可能存在漏扫描点，因此需要对漏扫瞄点进行判断检测，对得到的3d点云模型进行封闭性检测，判断是否有未封闭的曲面，若存在，则扫描存在遗漏点，确定遗漏点所在的区域，对该区域重新扫描，更新3d点云模型。若3d点云的曲面连续，则说明扫描未出现遗漏点，若不连续说明在不连续处由一个或多个不连续点。
在判断得到有漏扫描点后，需要确定漏扫描点所在的区域，然后对该区域进行扫描，从而更新点云信息，使得点云信息更为准确，减少图像的丢失。判断是否有未封闭的曲面包括如下步骤：
步骤1：以3d点云模型中各点为中心划定多个与各点相对应检测区域；
步骤2：分别计算各检测区域的点云密度；
步骤3：根据各区域的点云密度判断检测区域内是否异常，若点云密度异常，则存在未扫描的区域即为3d点云存在未封闭的曲面。点云密度是否异常是根据计算得到的点云密度与标准阀值密度比较来判断，因为在正常没有出现漏扫的情况下，点云密度是一定的，当出现未扫描的点或区域，那么在检测区域内的点云密度会显著下降，低于标准密度值，此时则认为点云密度异常，可能出现了漏扫区域。
若步骤3中检测区域为点云密度异常区域，则检测区域对应的中心点为边界点，相邻的边界点连接形成的轮廓线包围的区域即为存在漏扫点区域，对该区域进行重新扫描，更新3d点云信息。在得到界点后，对边界点进行过滤操作，滤除噪音点后的边界点之间通过数字轮廓线算法将相邻的边界点连接形成轮廓线，然后对包围的区域进行重新扫描。这里边界点即为可疑点，其具体包括在每个可疑点的周围划分一个三维的正方体卷积区域，对该正方体进行工件的网格化，并且为每个网格定义该网格的权重，距离可疑点较近的网格拥有较高的权重，距离可疑点较远的网格拥有较高的权重。所有权重的数字组成了滤波器，也可以成为卷积核，用这个卷积核对每个可疑点进行卷积计算，本质上为加权平均数的计算。在该网格内如果存在一定数量的可疑点，就用可疑点的数量乘以该网格的权重，如果不存在可疑点，可疑点的数量为零。对所有网格内的可疑点数量进行加权平均数的计算后，可以得到一个分数值，该分数如果小于了临界的阈值，则该点为噪音点，会被滤去。
在对轮廓线包围的区域进行重新扫描时，可以通过对该部分区域进行激光扫描的光路仿真或者读取在初次扫描时该区域的相机的位姿和物体的位姿。这些信号用于控制双目成像系统和激光控制、物体位置控制，从而实现对该区域进行重新扫描，得到完整的3d点云信息。
完整的点云信息是整个3d成像基础，也是利用3d点云信息进行控制的基础，提取更新后的3d点云表征物体形状的特征点、特征点的三维坐标以及特征点对应的平面法向量，通过icp算法得到被扫描物体的运动坐标系。得到运动坐标系后即扫描系统即可得到物体的类别、位置、姿态，提高扫描的自动化水平，为扫描后的执行提供数据基础。
在得到完整3d点云模型后，提取特征点的平面法线向量和位置信息，这些位置信息基于icp算法在数据库内进行模板匹配，精确定位运动坐标系，为后续的基于3d点云成像扫面后的智能抓取、自动化机器人视觉等提供了数据基础。
icp算法是三维激光扫描技术常用的算法，icp算法英文全称为iterativeclosestpoint，也就是迭代就近点算法，对3d点云通过不同程度的高斯滤波器进行模糊处理，得到了突出了三维点云不同特征的新的点云。再把得到的新点云和原有点云进行对比，得到了在一定的定义域内相干系数的极值点。这些点即为反映了扫描物体的形状特征的特征点。在原有的点云中，找到这些特征点以及相邻的点，拟合相切于点云且通过了该点的平面，求取该平面的法向量。定义这个法向量为该特征点的特征向量。把得到的所有特征点，特征向量，以及特征点的三维坐标，运用icp算法在数据库中进行检索。数据库中预先存有用户相关领域的三维点云模板如扫描的是汽车零件，那么数据库中预先存有多种汽车常用零件的点云模板，每个模板均有自定义的运动坐标系，该运动坐标系的确定是结合了该模板的形状特征来设定的，可以清晰的表明该物体的位置和姿态。icp算法再检索到了模板之后，会返回该模板的属性定义，属性定义为模板的类型，返回物体的种类，如扫描的是汽车轮胎，通过特征向量、特征点得到的模板为轮胎模板，则会反馈被扫描物体为“轮胎”的属性定义，同时也会返回描述每个特征点和模板中的该特征点之间的空间矢量关系。通过这些矢量关系，可以依照模板中定义运动坐标系的规则，自定义三维点云的运动坐标系。并且通过空间坐标系转化算法，带入每个特征点的空间矢量关系，求取自定义过的三维点云坐标系和模板中的模板坐标系之间的映射。有了自定义的运动坐标系，匹配到的模板的属性，以及自定义运动坐标系和模板坐标系之间的空间映射，扫描系统即可自动识别该扫描物体的类别，放置位置和放置的姿势，提高了扫描系统的自动化水平。当然，通过3d点云信息可以做其他的处理为该扫描工作之后的智能抓取，智能流水线生产，或者自动化检测系统提供了数据基础。
显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，均在本发明的保护范围之内。