0 引 言

自动化在线三维尺寸检测是保证制造质量的必要手段，面结构光三维测量技术因其分辨率高和速度快的优势，已经在工业制造中进行应用推广 [1-3]。该技术可以快速获取被测物体的密集三维点云数据，然后将测量数据与CAD模型数据进行坐标系对齐并比对，评估产品的制造误差。其中，测量数据与模型数据对齐是实现三维尺寸误差分析的关键环节，现有方法主要在迭代最近点(Iterative closest point，ICP)算法[4]的基础上完成，然而在实际测量中，测量数据不仅包含被测物体，还可能包含其他背景数据与噪声，导致ICP算法拼合结果不稳定。在自动化三维测量过程中，计算机很难将无关背景数据与被测物体数据进行区分，阻碍了面结构光三维测量技术在工业制造中的应用推广。

为了解决测量点云中存在的噪声、体外孤点以及无关背景数据对配准结果正确性和精度影响的问题，学者们根据Rusinkiewicz等[5]的研究，主要在优化控制点选取、错误匹配剔除以及距离误差度量优化这三个方面进行了改进。在优化控制点选取方面，程旭等[6]采用3D Shape Index度量方法结合Non-Maxima Suppression策略，从测量点云中筛选出具有高曲率特征的点作为参与配准的控制点，一定程度上避免了噪声和体外孤点对配准结果的影响。程云勇等[7]通过配准基准点集映射获取测量点云上对应的配准控制点集，但需要预先在CAD模型上规划出配准基准点集。在优化错误匹配剔除方面，Chetverikov等[8]提出了Trimmed-ICP方法，该方法利用截断最小二乘(Least trimmed squares)方法，对匹配点对之间的欧氏距离进行排序，选取一定百分比的匹配点对参与目标方程的优化求解，该方法已被广泛证实可以有效降低无关点对配准结果的影响，提高配准算法的鲁棒性[9]。在优化距离误差度量方面，Chen等[10]提出了基于点到面距离误差度量优化的配准方法，相比于Besl等提出的点到点距离误差度量优化方法，该方法迭代速度更快，且收敛域更大，受点云噪声和体外孤点的干扰更小。除了这些改进ICP算法外，Jian等[11]还提出利用高斯混合模型对配准问题进行求解，解决了无关点对配准结果的影响，但该方法存在计算量大、求解时间长的问题。

其实，猪的“聪明才智”一点儿也不逊色于狗，很多狗能够做的事情，猪同样可以做到。科学家曾对猪进行过一连串的“才能”测试：挑水、拉车、开门等，猪只要看一次人类的示范动作就能学会，而狗则要重复多次才能学会。

根据上述分析，现有的方法能够在一定程度上降低点云噪声和体外孤点数据对配准结果的影响，但并不能很好地解决工业自动化检测数据中存在的大量无关背景数据对配准结果的影响。为此，笔者提出了一种针对工业自动化检测背景下的点云精确配准算法，以匹配点对之间的欧式距离作为判断依据，通过稳健地剔除无关背景数据保证精确配准的正确性，以及提高其配准计算的效率。

1 配准算法

1.1 配准过程

ICP算法通过计算测量点云与CAD模型上的模型点云之间的匹配点对集，使用最小二乘方法求解最小化误差度量目标函数，获得旋转矩阵和平移矩阵应用至测量点云，然后不断迭代上述过程直至满足收敛条件完成测量点云与模型点云的配准。由于面结构光三维测量方法的形面测量特点，测量数据中不仅包含被测目标体，也可能包含部分无关背景数据，这些数据分布散乱随机，必然导致现有ICP算法配准结果不稳定。图1为实际测量的某型号汽车转向节零件。

  

图1 转向节点到面ICP配准Fig. 1 Registration of knuckle with point-to-plane ICP

Nq——Pm中点的数目；

自动化三维检测过程中，需要使用夹具、支具等测量辅具，测量数据中难免包含测量辅具等背景数据，根据预先标定，测量获取的工件点云与模型点云的距离相对较近，而背景数据与模型点云的距离相对较远。文中利用这一特点，提出在计算出匹配点对集后，根据匹配点对之间的欧氏距离，自适应计算阈值距离剔除部分背景数据，以降低背景数据对配准结果的影响，然后取一定百分比的匹配点对求解旋转矩阵和平移矩阵，以降低距离工件点云较近的噪声、杂点对配准结果的影响。

在土建施工中，施工管理人员是施工管理，对施工过程中进行严格管控，并且遵守每一道施工工序的施工指令，并且施工人员要按照设计要求和标准规范进行施工，确保施工质量。同时对施工过程中的各项细节进行有效的监控，发现有工程质量问题存在，及时进行返修，并重视细节质量事项，使工程的质量监控随施工流程进行，施工质量得以保证，细节细部质量得到加强。

1.2 算法实现

文中算法是在传统ICP算法的基础上改进的。在匹配点对计算过程中，使用KD-Tree进行加速计算。同时，采用对点云噪声和体外孤点抗干扰性能更好的点到面误差度量优化方法，相应旋转矩阵R、平移矩阵T的求解目标函数为：

4.2.4 利伐沙班。利伐沙班是一种Xa因子抑制剂，生物利用度为80%，为恶唑烷酮的衍生物。1/3经肾脏排泄，2/3通过肝脏代谢。利伐沙班预防房颤患者卒中效果与华法林类似，不过颅内出血和致死性出血发生率低于华法林[21]。

 

(1)

式中:pi——测量点云Pd中的点；

qi——模型点云Pm中的点；

Ci——pi与qi共同构成匹配点对；

桑树播种中通常使用的常规播种方式需要将对土地进行开沟，开沟的行距应保持在三十厘米，深度应保持在0.5到1厘米左右，播幅需要保证在10到15厘米，种子和细砂的比例为1∶5，覆土厚度应达到1.3到1.5厘米。桑椹直播方式需要以桑葚和草木灰以2∶3的比例进行揉烂，在使用细砂土或者土搅拌均匀，使种子颗粒保持疏散后进行播种。草绳播发技术是通过将草绳使用清水或者尿液进行预先浸泡，然后经揉烂的桑椹均匀的涂抹在草绳之上，然后将草绳埋置到土沟当中，并使用土壤加以镇压。在使用地膜或者小拱棚进行播种时，需要将地膜拱起，避免对幼苗造成伤害，如果拱棚内的温度达到三十五度以上，需要及时进行通风，并且在五月需要进行撤膜。

NC——匹配点对集{Ci}中匹配点对的数目；

ni——qi的法向量。

算法流程图如图2所示。具体实现步骤如下：

步骤1 输入测量点云Pd与模型点云Pm。

没多久，市里要建一个新电厂，公开招工人。李红怂恿齐海峰和她一起考：“这可是个千载难逢的好机会，难道你要在菜站当一辈子临时工？万一哪天菜站解散了怎么办？”

步骤2 对Pm建立KD-Tree用于最近邻点搜索，计算Pm的点云分辨率r(用于设置收敛条件，1.3节中有详细定义)。

采用Low[12]提出的线性求解方法，假设α、β、γ都接近于0，利用sin θ≈θ，cos θ≈1，令T=(tx,ty,tz)T经过推导可将式(1)近似转换为：

根据不同算法对测量点云与模型点云配准的结果对比可知：点到面ICP对包含有大量无关点的测量点云无法有效地进行配准，工件和转向节都配准失败。Trimmed-ICP算法虽然通过设置百分比阈值，剔除了一定比例的误匹配，但当无关点比例超过阈值范围时同样会影响其配准结果，故只成功完成了转向节的配准，工件的配准失败了。文中提出的算法在迭代过程中不断对无关点进行剔除，有效地排除了无关点造成的误匹配，最终工件和转向节两组测量数据都完成了精确配准。图5展示了工件在文中算法配准过程中测量点云的变化。

采用旋转收敛条件和平移收敛条件，当算法同时满足两个条件时判断为配准收敛，并限制算法最大迭代次数为30次。旋转收敛条件定义为该次迭代的旋转角度的余弦值cos θ是否大于阈值e(cos θ>e)，是则旋转收敛，否则未收敛。文中e取值为0.999 99，即判断θ是否小于0.256°。其中，根据旋转矩阵R的角-轴表示法有

 

(2)

  

图2 文中算法流程Fig. 2 Flow chart of our algorithm

步骤5 根据dCi由小到大对{Ci′}中匹配点对排序，取一定百分比的匹配点对构成{Ci′′}用作求解R、T，文中取前70%的匹配点对。

步骤6 按照外部旋转x—y—z顺序，设旋转角度分别为α、β、γ，则有

 

(3)

式中：r11=cos γcos β；

r12=-sin γcos α+cos γsin βsin α；

“踩爆它！”有学生立马回答。我笑着说：“可以，不过要找一个安全的地方，不要伤害到自己，也不要吓到同学。想怎么处理你们装满压力的气球，是你们的权利，也是你们的智慧！”

r13=sin γsin α+cos γsin βcos α；

（2）增加了企业成本。由于企业应收账款不是当期收回，企业需要对应收账款进行管理，这就增加了企业运营的成本。当企业涉及的应收账款的数量较多金额较大时，企业不仅需要聘请财务人员管理应收账款，还需要聘请人员去催收应收账款。这些人员的工资、差旅费及各种补贴加大了企业的经营费用。

r21=sin γcos β；

r22=cos γcos α+sin γsin βsin α；

r23=-cos γsin α+sin γsin βcos α；

r31=-sin β；

r32=cos βsin α；

r33=cos βcos α。

老婆早已先入为主认为我太倔，此时又是在气头上，哪还肯理会我？早就堵气地跑去小屋安寝了。老婆这一夜睡得安不安稳我不知道，但这一宿可把我给折腾苦了。自从一进家门，我就总感觉想方便，一夜跑了七、八趟卫生间，硬是没排泄出丝毫。这也罢了，我还不停咳，每咳一回便吐一回痰，全是粘乎乎的白痰。咳得胸腔生疼。并且还气短，甚至连躺在床上休息都感到气息不够。

常规西医治疗；口服5 m g泼尼松（国药准字H44020682，广东华南药业集团有限公司生产，药品特性：化学药品，5 mg）联合普瑞巴林（商品名：乐瑞卡，德国Pfizer Limited生产，国药准字J20100102，分装企业：辉瑞制药有限公司药品特性：化学药品，75 mg），初始计量75 mg/d，1周后剂量增加至150～160 mg/d，3次/d。

F(R,T)=F(α,β,γ,tx,ty,tz)≈

(4)

通过对式(4)奇异值分解的方法求解出α、β、γ、tx、ty、tz，进而得到R、T，并对进行刚性变换得到P。

步骤7 判断是否满足收敛条件，满足则算法结束；否则，转步骤3，进行下一次迭代。

1) 由于气动执行机构工作压力范围在400～600 kPa，根据力与压强F=pS的关系，想要获取较大推力，则必须增加执行机构上活塞的受力面积，势必导致气缸体积巨大和笨重，给管道布置带来麻烦，不利于阀门的安装、调试、维护及下线维修。

由于文中算法所处理的数据对象是带有无关点的点云数据，并在迭代过程中对无关点进行判断、剔除，若使用传统ICP算法所采用的RMS(Root-mean-square distance)收敛条件进行判断，存在配准实际已经收敛，但由于无关点未完全剔除导致RMS值变大判断为未收敛继续进行迭代的情况。因此，文中在收敛条件设置上相较于传统ICP算法有所不同。

1.3 收敛条件的设置

步骤4 计算{Ci}中匹配点对的两点之间的平均距离与标准偏差σ，若匹配点对中两点之间的距离dCi满足式(2)，则保留该点对；否则，剔除Ci及Pd中的对应点，最后更新得到{Ci′}、Pd′(其中，s是误差尺度因子，文中取值为1.5)。

 

(5)

平移收敛条件定义为该次迭代的平移距离D是否小于阈值t(D<t)，是则平移收敛，否则未收敛。文中t的取值根据Pm的点云分辨率r自适应获得式(6)，点云分辨率的定义为点云中各点与其最近点距离的均值，反映了点云的稠密程度。

 

(6)

式中：τ——比例因子，可根据精度需求进行调节，文中取值为0.6；

由图1可见，零件的测量数据与模型数据的初始位置如图1a所示，其中蓝色数据为三维测量点云，灰色数据为测量得到的无关数据，绿色数据为模型三维点云；采用点到面ICP算法进行配准，从图1b的结果可以看出，配准结果存在明显的误差；假设去掉灰色背景数据后，同样采用点到面ICP算法进行配准，则得到图1c所示的正确配准结果。由以上例子可以看出，背景数据对现有ICP算法具有较大影响。

qi-c——qi在Pm中的最近点。

2 配准实验与结果分析

实验部分以某型号工件和某型号汽车转向节为例，使用文中算法与Trimmed-ICP算法进行比较。通过分析包含不同比例无关背景数据的测量点云的配准结果，验证文中算法的正确性和有效性。同时，分析转向节的配准用时情况，验证文中算法和Trimmed-ICP算法均能成功配准时，文中算法的配准效率。

文中实验数据，测量点云通过使用华中科技大学快速制造中心研发的PowerScan面结构光三维测量设备在工厂实际环境下测量得到，使用PCL库(Point cloud library)中的栅格采样算法以及统计去孤立点算法进行预处理,模型点云通过对CAD模型表面进行均匀采样获得。

2.1 配准结果

工件的测量点云经过预处理后，在靠近工件附件仍有少量噪声保留，同时还有大量的转台数据和测量工位台面数据，测量点云数目为140 329，无关点所占百分比为57.5%，初始位置如图3a所示，相应算法的配准结果分别如图3b、3c所示。其中，Trimmed-ICP经过30次迭代未满足收敛条件输出结果，文中算法经过9次迭代满足收敛条件后输出结果。

  

图3 工件配准结果Fig. 3 Registration results of workpiece

针对工业自动化检测中测量点云包含有大量无关背景数据的情况，文中在研究各种精确配准算法后，提出了一种基于匹配点对之间的欧氏距离对无关背景数据进行判断并剔除的精确配准算法。该算法在计算过程中逐步去除了测量数据中存在的无关背景数据，最终实现了测量点云与设计CAD模型的精确匹配。同时，由于迭代过程去除了无关背景数

  

图4 转向节配准结果Fig. 4 Registration results of knuckle

2.2 结果分析

步骤3 遍历Pd中各点pi，根据KD-Tree搜索Pm中距离最近的点qi作为匹配点，获得匹配点对集{Ci}。

在配准效率方面，以转向节的配准结果为例：Trimmed-ICP算法在迭代过程中每次迭代都需要计算包含无关点在内所有测量点云的匹配点对，其单次迭代时间t受逐渐收敛的结果影响只有小幅度的下降。文中提出的算法则因为在迭代过程中无关点逐渐剔除，每次迭代所需计算的匹配点对减少，单次迭代时间也逐渐下降，从而降低了配准总时间tz，提高了配准的效率。以转向节为例，表1展示了Trimmed-ICP算法和文中算法的用时情况。

  

图5 工件文中算法配准过程Fig. 5 Registration process of workpiece with our algorithm

 

表1 转向节配准用时情况

 

Table 1 Time consume of knuckle registration

  

算法t/s12345tz/sTrimmed-ICP0．5050．5020．4710．4590．4552．392文中算法 0．5230．3790．1740．0980．0691．243

3 结束语

转向节的测量点云经过预处理后，除包含有少量的体外孤点，还有大量的工装夹具数据，测量点云数目为47 396，无关点所占百分比为32.1%，初始位置如图4a所示。相应算法的配准结果分别如图4b、4c所示。其中，Trimmed-ICP算法经过5次迭代满足收敛条件后输出结果，文中算法经过5次迭代满足收敛条件后输出结果。

在中职教育以及旅游业快速发展的过程中，中职旅游专业教育也进一步扩张。当前，中职旅游管理专业已经慢慢发展成为较为成熟的发展体系，不过在教学过程中并没有彻底摆脱传统的灌输式教学模式，这样就导致培养的人才不能满足社会发展需要。因此，旅游业重点关注的问题是各院校如何培养适应社会需要的旅游管理专业人才。通过实践调查研究发现，我国当前在旅游管理专业人才培养以及教育改革方面的研究比较少，特别是在“互联网+”时代，更应该加强此方面的探索。

据，测量点云数据量不断减少，使匹配计算的效率也不断提高，减少了配准所需时间；配准完成后的测量数据中不包含无关背景数据，也方便了进一步的尺寸分析与拟合计算。实际应用表明，文中算法具有较强的稳定性。

参考文献:

[1] 李中伟, 史玉升, 钟 凯, 等. 结构光测量技术中的投影仪标定算法[J]. 光学学报, 2009 (11): 3061-3065.

[2] Li Z, Shi Y, Wang C, et al. Accurate calibration method for a structured light system[J]. Optical Engineering, 2008, 47(5): 053604-053604.

[3] Zhong K, Li Z, Zhou X, et al. Hybrid parallel computing architecture for multiview phase shifting[J]. Optical Engineering, 2014, 53(11): 112214-112214.

[4] Besl P J, McKay N D. A method for registration of 3-D shapes[J]. IEEE Transactions on pattern analysis and machine intelligence, 1992, 14(2): 239-256.

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

鬼子的轰炸机带着一股股旋风，从头顶上飞过。紧接着，阵地上响起一阵接一阵地动山摇的爆炸声。十几架飞机在阵地上盘旋飞舞，不停地往下丢炸弹。两个机枪手看到鬼子的飞机耀武扬威的样子，忍不住爬出防空洞，抱起机枪朝天上的飞机一顿狂射。

[6] Cheng X, Li Z, Zhong K, et al. An automatic and robust point cloud registration framework based on view-invariant local feature descriptors and transformation consistency verification[J]. Optics and Lasers in Engineering, 2017, 98: 37-45.

[7] 程云勇, 张定华, 卜 昆, 等. 涡轮叶片形状检测中的模型配准控制点集选取[J]. 机械工程学报, 2009(11)： 796-801.

[8] Chetverikov D, Svirko D, Stepanov D, et al. The trimmed iterative closest point algorithm[C]//Pattern Recognition, 16th International Conference on， IEEE, 2002: 545-548.

[9] Pomerleau F, Colas F, Siegwart R, et al. Comparing ICP variants on real-world data sets[J]. Autonomous Robots, 2013, 34(3): 133-148.

[10] Chen Y, Medioni G. Object modelling by registration of multiple range images[J]. Image and vision computing, 1992, 10(3): 145-155.

配额设计是指根据预期的施工成本进行控制设计，是控制项目成本的主要控制手段之一，EPC建造模式更易让配额设计发挥作用。乡村建设项目相对于城市项目资金来源相对有限，为了节省成本，配额设计可以迫使总承包商提高责任感，提高项目成本意识，主动地谋求改变寻找开源节流的措施。譬如合理利用当地资源作为园建草木、建筑材料、包装材料，不仅可以有效地降低建造价，并且可提高建筑文化底蕴弘扬当地特色民俗风情文化。

[11] Jian B, Vemuri B C. Robust point set registration using gaussian mixture models[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(8): 1633-1645.

[12] Low K L. Linear least-squares optimization for point-to-plane icp surface registration[D]. Chapel Hill: University of North Carolina, 2004(4)： 378-382.