散乱点云特征面拟合与求交算法

逆向建模的主要目标就是通过曲面重构,向CAD输入NURBS等曲面模型。曲率是曲面的基本信息,采用二次曲面法估算点云曲率,结合曲率法和统计法对点云进行特征型面分割,有效识别了平面、圆柱面和球面等规则曲面。采用最小二乘拟合法求解曲面参数,拟合NURBS曲面,并采用Newton-Raphson迭代法求解面与面的相交线。实验中规则模型的特征面识别率达到100%,复杂规则几何模型的主要特征面能正确识别。实验结果表明该方法在以规则型面为主要特征的零件模型重构应用中的有效性。     

逆向工程中自由曲面的自适应采样与建模

介绍了将逆向工程与正向设计结合实现自由曲面模型重构的新方法 .由激光线扫描法测量曲面获取截面轮廓数据 ,采用准均匀 B样条逼近算法对离散数据进行拟合 ,然后进行 B样条曲线基于曲率特征的自适应采样以实现数据压缩 ,再生成三维造型软件 Pro/ E的接口文件 *.ibl,最后在 Pro/ E中重构曲面模型 .     

基于SIFT特征检测和三次插值样条的快速曲面重构算法

针对传统的曲面重构算法一直存在重构精度低、效率差的问题,提出新的快速曲面重构算法;基于三次插值样条和改进SIFT特征检测和匹配方法,先对二维图像预处理后,检测其边界点并且拟合,然后将区域按四个象限进行分区,用三次插值样条边界进行曲面重构,同时结合改进的SIFT特征检测和匹配方法,检测各个区域曲面边界的特征点,然后再进行匹配拼接;实验结果表明,该算法得到曲面模型的时间效率有很大的提高,并且曲面效果好,光滑、平顺。     

不规则形状图像曲率的自适应计算方法

提出一种针对不规则多形变红血球图像的自适应曲面拟合并计算曲率的方法,通过阴影恢复技术重构细胞表面的高度场形状,利用三维数据点根据最小二乘法进行曲面拟合,选定深度均方误差阈值来决定参与拟合的邻域点.计算得到的高斯曲率、平均曲率可用采表征某一点的表面类型,主曲率则用来观察曲面变化较大的区域.实验结果表明,该方法具有很强的可行性与实用性.     

空间分割与曲率相融合的点云精简算法研究

非接触式扫描方法获得点云数据存在大量的冗余数据。为便于模型重构,针对点云数据精简是必不可少的数据预处理手段,提出了一种基于空间分割和曲率特征信息的点云数据精简算法。通过K-邻域计算、二次曲面拟合、曲率估算和曲率阈值可调的数据分区等关键精简技术,实现了对同一数据不同区域应用不同精简算法,进行不同比例的数据精简。实例验证表明,该算法能适应各种类型曲面数据的精简要求,保证精简效率的同时,很好地保留点云的特征信息。     

基于局部曲面拟合的散乱点云简化方法

随着数据获取手段的进步,散乱点云数据在三维重建中获得越来越广泛的应用,然而庞大的数据量往往影响重建的效率。现有简化算法中采用的曲率计算方法精度不高,导致模型特征模糊。本文在分析曲面特征的基础上给出了一种曲面特征的定量描述方法。该方法采用局部曲面拟合得到曲面在一点处的近似曲面,然后用法曲率在360度范围内的平均值代替平均曲率来描述曲面在一点处的特征。简化时采用K-D树剖分点云数据,根据子节点所包含的采样点数、空间区域大小和曲面特征大小控制简化过程。实验结果表明,该方法能够更好地保持曲面的几何特征,从而证明了算法的有效性。     

基于闭环理论的自由曲面测量与实时重构

寻求更优的测量方法和更精确的重构模式一直是逆向工程中的研究重点。基此,对具有自由曲面特征的产品逆向,提出一种自适应测量、实时重构和在线评价的方法。依据几何特性,测量实物外形并用高次Bézier曲线拟合,微分推演探测点及矢量,指导三坐标测量机CMM（Coordinate Measuring Machining）自适应探测完整实物点云;借助非均匀B-spline架构曲面模型,基于扫描网格和实物特征从以上重构的曲面上抽取关键检测点,在线引导CMM确定上述检测点在实物上的准确位置并评价已构曲面误差,若误差高于阀值就将检测点加入更新曲面,逐步提高直至满足几何精度,集成测→构→评→添的全闭环逆向过程,建立精确的实物数字化模型。实例验证表明,该方法可利用曲面的几何特性,让测点分布随曲面曲率变化而呈疏密变化,以获得高质量的原始数据点云,实时模型重构、在线评价并及时添加检测点修正模型,可完整表述曲面的几何信息,可使重构模型精度达微米级。     

基于B样条的平面轮廓重构闭合曲面算法

由一组平行轮廓线重构三维闭合表面是三维可视化研究的主要内容之一。文中通过对B样条插值算法的研究,提出了一种新的公共节点矢量确定方法,利用该方法首先对经过预处理的CT牙齿图片提取轮廓线获得三维数据点,之后对轮廓线数据点进行B样条曲线的拟合,在每条拟合曲线上根据所确定的节点矢量值重新采样,由重新采样的三维数据点利用B样条曲面插值算法构造闭合曲面．所构造的闭合曲面是对原始轮廓数据的拟合。通过实例验证可看出该方法可获得较好的拟合曲面,经过误差分析检测,满足拟合条件,因此该方法可以保证几何重建的准确性。     

器官反求CAD建模中的虚拟测量

针对基于断层轮廓数据反求CAD建模中曲面品质较差的问题，提出一种基于复合三角Bezier曲面的局部虚拟测量方法。首先分离品质较差的局部曲面，然后拟合局部曲面的散乱点得到光顺的中间曲面模型，最后将中间曲面离散得到修正的曲面模型。算例表明，利用局部虚拟测量方法可以明显提高器官重构曲面模型的品质。该方法也可以用于改善零件反求CAD中曲面局部特征的品质。     

基于B样条的平面轮廓重构闭合曲面算法

由一组平行轮廓线重构三维闭合表面是三维可视化研究的主要内容之一.文中通过对B样条插值算法的研究,提出了一种新的公共节点矢量确定方法,利用该方法首先对经过预处理的CT牙齿图片提取轮廓线获得三维数据点,之后对轮廓线数据点进行B样条曲线的拟合,在每条拟合曲线上根据所确定的节点矢量值重新采样,由重新采样的三维数据点利用B样条曲面插值算法构造闭合曲面,所构造的闭合曲面是对原始轮廓数据的拟合.通过实例验证可看出该方法可获得较好的拟合曲面,经过误差分析检测,满足拟合条件,因此该方法可以保证几何重建的准确性.     

向量相似度可复原三维点云压缩算法

针对三维点云数据压缩中细节特征不易保留,模型平缓部位存在过度压缩以及压缩后的点云模型不易复原等问题,提出一种基于向量相似度的三维点云压缩算法和复原算法CVS。向量相似性度量采用提出的L3A进行度量。CVS把每个三维坐标点看作是连接其坐标和原点的三维向量,按照三维坐标点的读入顺序选取参考向量,生成覆盖整个点云区域的采样区域,进行分区压缩。在采样区域中使用最小二乘曲面拟合算法对包含其中的点云进行曲面拟合,设置曲率阈值剔除坐标点,并存储曲面方程参数用于复原。通过控制L3A向量相似度中的长度和角度的变化阈值,使得密集点云区域的压缩率高于非密集区域的压缩率,通过控制曲率阈值,使得低曲率区域的压缩率高于高曲率区域的压缩率,最大程度保留模型细节特征。CVS使用压缩阶段产生的复原信息生成点云来恢复模型的细节特征,使得模型特征更加明显。     

一种改进的点云数据精简方法

针对Kim的算法在简化散乱点云时经常丢失过多几何特征的不足,提出一种改进的精简方法。首先对点云进行最小二乘抛物面拟合求出所有点的主曲率;然后以数据点主曲率的Hausdorff距离为依据,提取并保留点云中的特征点;最后对具有不同特征的测量数据进行了精简分析。仿真实验结果表明,改进方法既能较大程度地简化数据点云,简化结果比较均匀,又具有不破坏细小特征的特点,能够充分保留原始点云中的几何特征;而且在保证简化质量的前提下提高了算法的效率。该方法能够为后续的三维重建提供有效的数据信息,节约后续工作的处理时间和硬件资源。     

面向RGBD深度数据的快速点云配准方法

目的 真实物体的3维重建一直是计算机图形学、机器视觉等领域的研究热点。针对基于RGBD数据的非匀速非固定角度旋转物体的3维重建问题,提出一种利用旋转平台重建物体3维模型的配准方法。方法 首先通过Kinect采集位于旋转平台上目标物的深度数据和颜色数据,对齐融合并使用包围盒算法去除背景噪声和不需要的外部点云,获得带有颜色信息的点云数据。并使用基于标定物不同角度上的点云数据标定出旋转平台中心轴的位置,从而获得Kinect与旋转平台之间的相对关系;然后通过曲率特征对目标点云进行特征点提取并寻找与相邻点云的对应点;其中对于特征点的选取,首先针对点云中的任意一点利用kd-tree搜寻其k个邻近点,对这些点进行曲面拟合,进而计算其高斯曲率,将高斯曲率绝对值较大的n个点作为点云的特征点。n的取值由点云的点个数、点密度和复杂度决定,具体表现为能反映物体的大致轮廓或表面特征信息即可。对于对应点的选取,考虑到欧氏距离并不能较好反映点云中的点对在旋转过程中的对应关系,在实际配准中,往往会因为点云重叠或距离过远等原因找到大量错误的对应点。由于目标物在扫描过程中仅绕旋转轴进行旋转,因此采用圆弧最小距离寻找对应点可有效减少错误点对。随后,使用二分迭代寻找绕中心轴的最优旋转角度以满足点云间的匹配误差最小;最后,将任意角度获取的点云数据配准到统一的坐标系下并重建模型。结果 使用斯坦福大学点云数据库和自采集数据库分别对该方法和已有方法在算法效率和配准结果上进行对比实验,实验结果显示在拥有平均75 000个采样点的斯坦福大学点云数据库上与传统ICP算法和改进ICP算法相比,迭代次数分别平均减少86.5%、57.5%,算法运行时间分别平均减少87%、60.75%,欧氏距离误差平方和分别平均减少70%、22%;在具有平均57000个采样点的自采集点云数据库上与传统ICP算法和改进ICP算法相比,迭代次数分别平均减少94%、75%,算法运行时间分别平均减少92%、69%,欧氏距离误差平方和分别平均减少61.5%、30.6%;实验结果显示使用该方法进行点云配准效率较高且配准误差更小;和KinectFusion算法相比在纹理细节保留上也表现出较好的效果。结论 本文提出的基于旋转平台标定的点云配准算法,利用二分迭代算法能够有效降低算法复杂度。与典型ICP和改进的ICP算法的对比实验也表明了本文算法的有效性。另外,与其他方法在具有纹理的点云配准对比实验中也验证了本文配准方法的优越性。该方法仅采用单个Kinect即可实现对非匀速非固定角度旋转物体的3维建模,方便实用,适用于简单快速的3维重建应用场合。     

牙颌点云数据的显著性特征提取

随着激光扫描测量技术的发展,其数据测量精度的逐渐增高使得获取的几何模型表面点云数据的细节信息越丰富,能更准确的反应物体几何表面特征,但如此海量的点云数据同时也带来对应的技术挑战,海量的点云数据在计算机文件存储、数据后期进一步处理以及软件可视化方面都不方便且效率低下.本文中的算法首先采用栅格法对点云进行空间划分及领域关系的建立,其次利用局部表面拟合的方法估算点云法向量,然后利用点云K领域法的向量求解坐标点的显著性值,最后根据显著性的值构建点云八叉树.该算法实现了对点云显著性特征的提取和对点云数据量的进一步简化,它不仅保留了对点云细节特征保持方面的优势,而且在时间效率上得到了提高.     

自适应K-means聚类的散乱点云精简

目的 点云精简是曲面重建等点云处理的一个重要前提,针对以往散乱点云精简算法的精简结果存在失真较大、空洞及不适用于片状点云的问题,提出一种自适应K-means聚类的点云精简算法。方法 首先,根据k邻域计算每个数据点的曲率、点法向与邻域点法向夹角的平均值、点到邻域重心的距离、点到邻域点的平均距离,据此运用多判别参数混合的特征提取方法识别并保留特征点,包括曲面尖锐点和边界点;然后,对点云数据建立自适应八叉树,为K-means聚类提供与点云密度分布相关的初始化聚类中心以及K值;最后,遍历整个聚类,如果聚类结果中含有特征点则剔除其中的特征点并更新聚类中心,计算更新后聚类中数据点的最大曲率差,将最大曲率差大于设定阈值的聚类进行细分,保留最终聚类中距聚类中心最近的数据点。结果 在聚类方面,将传统的K-means聚类和自适应K-means聚类算法应用于bunny点云,后者在聚类的迭代次数、评价函数值和时间上均优于前者;在精简方面,将提出的精简算法应用于封闭及片状两种不同类型的点云,在精简比例为1/5时fandisk及saddle模型的精简误差分别为0.29×10^-3、-0.41×10^-3和0.037、-0.094,对于片状的saddle点云模型,其边界收缩误差为0.030 805,均小于栅格法和曲率法。结论 本文提出的散乱点云精简算法可应用于封闭及片状点云,精简后的数据点分布均匀无空洞,对片状点云进行精简时能够保护模型的边界数据点。     

智能配镜三维特征参数提取方法研究

摘 要：针对智能配镜中三维面部特征点提取算法复杂度较高的问题,提出一种将三维点 云转换为映射图像定位特征点的方法。采用 Voronoi 方法计算面部三角网格各顶点处的高斯曲 率、平均曲率。选取鼻尖、眼角等曲率特征明显的区域估计面部点云姿态。根据曲率旋转不变 性,使用初选的点云方向向量简化旋转矩阵的计算,使面部点云正面朝向视点。将点云映射转 换为图像,三维网格模型中三角面片一对一映射到图像中的三角形。搭建卷积神经网络,使用 Texas 3DFRD 数据集进行模型训练。进行人脸对齐,预测所得各面部特征点分别限制在图像某 三角形中。根据图像中三角形映射查找三维网格模型中对应三角面片,通过三角面片顶点坐标 计算配镜所需的面部特征点位置坐标,实现配镜特征参数的提取。     

Out-of-core selection and editing of huge point clouds

In this paper we present an out-of-core editing system for point clouds, which allows selecting and modifying arbitrary parts of a huge point cloud interactively. We can use the selections to segment the point cloud, to delete points, or to render a preview of the model without the points in the selections. Furthermore, we allow for inserting points into an already existing point cloud. All operations are conducted on a rendering optimized data structure that uses the raw point cloud from a laser scanner, and no additionally created points are needed for an efficient level-of-detail (LOD) representation using this data structure. We also propose an algorithm to alleviate the artifacts when rendering a point cloud with large discrepancies in density in different areas by estimating point sizes heuristically. These estimated point sizes can be used to mimic a closed surface on the raw point cloud, also when the point cloud is composed of several raw laser scans.     

应用遗传模糊聚类实现点云数据区域分割

为了准确地实现点云数据的区域分割,将基于遗传算法的模糊聚类算法应用于逆向工程中的点云数据区域分割中。首先估算出法矢量、高斯曲率和平均曲率,并与坐标一起组成八维特征向量,用加权距离代替欧氏距离,然后通过遗传算法获得全局最优解的近似解;最后将近似解作为模糊聚类的初始解进行迭代,实现点云数据的区域分割,从而避免传统FCM算法的局部性和对初始解的敏感性,减少了迭代次数。以汽车钣金件为例,证明了应用遗传模糊聚类实现点云数据区域分割的有效性,并验证了该方法能快速、准确地实现点云数据的区域分割。     

基于散乱点云的飞机蒙皮缝隙识别算法

针对数字化测量技术,研究基于散乱点云的飞机蒙皮对缝特征识别方法,力求快速定位对缝点并提取其空间特征;建立基于张量投票的点云特征模型,对缝隙点的识别方法进行研究,以多模型拟合技术获取多条拟合直线,进一步通过最小二乘法得到最终拟合直线。分析点云数据的几何信息,利用强化策略加强缝隙特征。实验结果表明,该方法能够有效提取飞机蒙皮对缝的缝隙点,并将其转换为直线模型,高效地进行对缝点的识别。