局部中轴约束的散乱点云特征提取方法

逆向工程领域内,为提升散乱点云特征提取结果的准确性,提出一种基于局部中轴判断采样曲面形态的方法。通过三维Voronoi剖分处理初始点云数据,基于任一给定样点邻近区域内的Voronoi极点模拟局部中轴面,随后求解极点坐标的协方差矩阵,通过主元分析、特征值平面拟合等方法求解局部中轴的形位分布特性,进而判断采样曲面在给定样点处的形貌特点,实现对棱边、尖角区域样点的识别与提取。试验结果表明,该方法适用于不同采样密度的点云,可显著提升棱边、尖角区域特征提取结果的准确性。     

散乱点云局部形貌标架量化及特征识别方法

针对散乱点云特征识别结果存在噪声及特征遗漏的问题，提出一种基于曲面局部形貌标架的点云特征识别方法。基于点云局部中轴对样点的隔离作用，剔除样点欧氏邻域内的非测地邻域点，为曲面构造优化的局部样本模型。析取局部离散样本中的准共法截线点对集合，构造散乱点云的局部形貌标架。基于标架夹角的差异性，对曲面样本形貌进行量化分析，区分平滑、边界、棱边及尖角等特征区域，实现对中心样点属性的稳健判别。实验结果表明，该方法适用于不同采样密度的点云，可显著降低点云特征识别结果中的噪声点规模，且能有效减少特征遗漏现象。     

样点邻域同构曲面约束的散乱点云法向估计

针对现有点云法向估计算法难以兼顾估计结果的精度与稳健性问题,以局部采样区域同构曲面作为样点邻域点集所反映曲面形状约束,提出一种散乱点云法向估计方法。该方法将目标样点的邻域点集作为局部样本进行曲面重建,获取插值于采样点集并与采样表面拓扑同构的局部网格曲面;对曲面局部区域高斯映射结果进行聚类分析,获取目标样点的各向同性邻域面;基于面片的正则度以及面片至目标样点的测地距离,确定目标样点各向同性邻域面片法向的加权均值,并将所得结果作为目标样点的法向估计结果。试验结果表明,该方法在点云数据信噪比为40 dB的情况下可保证98%以上样点法向估计偏差在以内,可稳健处理含有噪声以及采样不均匀等缺陷的散乱点云法向估计问题,对于含尖锐特征的点云亦能准确估计样点法向,且具有较高的计算效率。     

有界泊松曲面约束的曲面样点法向稳健估计

对存在噪声、非均匀采样等缺陷的曲面样本,基于样点及其邻近样点构成的局部样本通常无法稳健逼近曲面局部区域,导致样点法向难以准确估计。为抑制样本缺陷对样点法向估计的影响,提出一种以有界泊松曲面逼近局部样本作为约束的样点法向加权估计算法。对待估计法向的样点,该算法对其所属曲面局部样本作增益优化处理,使得曲面局部样本具备边界保护区域;在样点的Frenet标架中以泊松曲面逼近该样本,基于样本的边界保护区域将泊松曲面的离散网格转化为有界形式,从而建立样点邻域的曲面约束,以有界泊松曲面离散网格中距样点最近的网格面片作为样点的参考面片,基于顶点邻域面的正则度及邻域面到该顶点的测地距离估计参考面片顶点法向,将参考面片各顶点法向的加权求和结果作为样点法向的估计结果。实验结果表明:曲面样本噪声水平不高于20%时,可将法向计算误差控制在π/18以内,且所得法向过渡较为光滑。证明了该算法适用于复杂曲面样本,可稳健处理存在噪声以及采样不均匀等缺陷的曲面样本的样点法向估计问题,实现曲面样点法向的光滑过渡。     

基于局部样本增益优化的α-shape曲面拓扑重建

在曲面重建中,提高棱边特征重建精度是逆向工程和计算机辅助设计制造等领域的难点问题。采用样点的近似拓扑近邻点集作为曲面局部样本,对α-shape算法进行优化,使α-shape尺度阈值能更为准确地反映样点分布密度,从而提高α-shape曲面拓扑重建结果的正确性。样点的近似拓扑近邻点集的获取本质上是欧氏近邻点集的增益优化,使后者向邻近的稀疏区域适度延伸,从而弥补因数据分布不均匀而导致的拓扑邻域信息缺失。基于增益优化后的样点近邻点集并结合曲面重建先验知识可确定α-shape尺度阈值,使α-shape曲面拓扑重建过程中尺度阈值可自适应调整。试验表明:该算法使所得网格曲面基本不含孔洞和棱边凹痕,能更好保持棱边特征的形位精度,可减少初次过滤结果中的非流形面片,同时具有与主流Delaunay网格过滤算法相近的重建效率。     

自由曲面测量的三维散乱点云无约束配准

结合局部曲面拟合和广义二分优化搜索,提出了用于大尺寸自由曲面形貌测量中多视三维散乱点云自动配准的算法.首先,对点云微小局部区域进行标准最小二乘曲面拟合,根据拟合残差提取给定点云的全部非平坦区;借助图论中“邻接”与“可达”的概念以及非平坦区的空间分布统计特征,进行相邻点云非平坦区的区域聚类计算以及区域匹配,进而自动获得配准位姿初值.然后,计算源点云在目标点云中最靠近点的k邻近,并向k邻近点的局部移动最小二乘拟合曲面做正交投影,以提取对应点.最后,采用广义二分优化搜索进行位姿变换的优化求解.试验结果表明:该方法稳定、可靠,无需人工交互,适用于采样错移情形.在重叠区域内选取150个对应点进行位姿优化时,平均配准缝隙约为0.02mm,可以满足大尺寸自由曲面形貌测量的多视三维散乱点云配准的要求.     

特征保持点云数据精简

由于三维扫描设备采集的点云数据庞大,本文提出了一种特征保持的点云精简方法以在减少冗余数据的同时更好地保持原始曲面的几何特征。首先,利用K均值聚类法在空间域对点云全局聚类,对点云构建K-d树并以K-d树的部分节点作为初始化聚类中心。然后,用主成分分析法估计点云法矢和候选特征点,遍历每个聚类,若类中包含特征点则将该类细分为多个子类,细分时将聚类映射到高斯球。最后,基于自适应均值漂移法对高斯球上的数据进行分类,高斯球上的聚类结果对应为空间聚类细分结果,各聚类中心的集合为精简结果。以多个实物模型为例验证了算法的有效性。结果表明,本文方法精简的点云在平坦区域保留少数点,在高曲率区域保留更多的点。相比于非均匀网格、层次聚类、K均值点云精简法,该方法对包含尖锐特征的曲面精简误差最小,更好地保留了原始曲面的几何特征。     

尖锐特征曲面散乱点云法向估计

针对现有算法对尖锐特征曲面点云法矢估计不准确,点云处理时容易丢失曲面细节特征等问题,提出一种尖锐特征曲面散乱点云法向估计法。该方法用主成分分析法粗估计点云法向;然后,根据各邻域点的空间欧氏距离和法向距离对各邻域法向加权,用加权邻域法向之和来更新当前点的法向;最后,测试估计法向与标准法向的误差,评价估计法矢的准确性,并且将估计的法向应用到点云数据处理中来比较特征保留效果。实验结果表明:本文方法能够准确地估计尖锐特征曲面的法向,最小误差接近0。另外,该方法对噪声有较好的鲁棒性,点云处理时能保留曲面的尖锐特征。相比于其他特征曲面法向估计法,所提出的方法估计的法向误差更小、速度更快、耗时更少。     

面向曲面重构的切平面法矢方向调整算法

提出一种基于法向距离的法矢方向调整算法。主要思想是根据法向距离阈值,把散乱点划分为平坦点和非平坦点两种类型;根据其邻近点是否有不平坦点来采用不同的法矢传播方式而无需建立散乱点法矢的Riemannian图;并提出了两次最近距离和一次k近邻遍历法加快了法矢的传播速度。应用实验球、切牙、磨牙、怪兽和全口牙模5个不同点云数据进行了算法验证,对怪兽和全口牙模法矢传播过程中遇到的死锁问题,使用三次最近距离法给予了解决。     

改进的重采样算法研究

针对逆向工程中点云数据过多导致拟合曲面光顺性、精度等方面难以达到要求的问题,通过分析对比多种重采样算法的特点,提出一种改进的重采样算法--在区域划分基础上的混合采样法。该算法首先利用曲率估算算法计算各点曲率,然后根据曲率特征将点云数据划分为特征区域和平坦区域,接着对特征区域进行曲率采样,对平坦区域进行均匀采样。通过实验表明,该算法能够有效地减少点云数据,保留细节特征防止出现空白区域,最终获得较高曲面拟合精度。