散乱点云谷脊特征提取

利用微分"化曲为直"的本质特性和离散计算方法,提出了一种基于局部重建的散乱点云谷脊特征提取算法。首先,利用离散Laplacian算子对点进行增强,通过阈值过滤标记潜在谷脊点。然后,在每个潜在谷脊点的局部邻域内构建紧附于潜在曲面、能反映该点局部几何特征信息的三角网格。最后,根据Weingarten映射的性质,估算潜在谷脊点的主曲率和主方向;将邻域大小作为尺度参数,利用简单直观的离散计算方法及线性插值方法,多尺度地判定一点是否为主方向上的曲率极值点,从而提取谷脊特征。实验结果表明:当点云规模为10 375个,谷脊点规模为1 129个时,执行时间仅为97.39ms;当点云规模达327 853个,谷脊点规模达到105 482个时,执行时间为3 956.12ms。该方法简单、稳定,避免了传统的利用拟合曲面再逼近微分量方法中由于曲面拟合带来的高时间代价,能快速有效地提取散乱点的云谷脊特征。     

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。     

基于散乱点云模型的自适应分层方法研究

针对在分层过程中,如何调节分层效率与成型精度之间矛盾的问题,通过对现有分层算法,分层过程中初始分层厚度确定、数据精简及轮廓线拟合等方法的研究,提出了一种基于点云距离变化的自适应分层算法。基于散乱点云模型,通过计算每层切片中各线段与最近点的距离,筛选出了距离的最大值;计算了相邻两层之间最大距离的变化率,然后与设定的阈值进行了比较,自动地调整了分层厚度;经过对斗齿点云模型的分层实验,验证了算法的有效性。实验结果表明:该算法能够在一定程度上平衡分层效率和成型精度之间的关系,并且适应于高精度、型面较复杂模型的分层。     

散乱噪声点云的数据分割

提出基于边界曲线微分几何特征的新方法分割散乱噪声点云.改进TAUBIN方法以精确恢复散乱噪声数据的主曲率和主方向.通过分析散乱点在主方向的曲率变化,达到识别G1、G2连续边界点的目的.获得的边界点形成边界带,将点云分割为多块子区域.最后采用区域增长的方法提取各子区域.试验结果表明所提出的方法能够克服噪声影响,有效提取散乱噪声点云的G1、G2边界.对复杂曲面模型,该方法也能够直接获得较好的G2连续边界.     

散乱数据点云型面特征提取算法研究

提出一种新的散乱数据点云型面特征提取算法,该算法基于散乱数据点云的动态空间存取模型,应用WINDOWS APl和OpenGL技术拾取点云局部型面的曲率信息,根据点云型面特征的曲率性质,改进区域生长法实现产品点云型面特征的提取.实验证明该算法型面特征提取准确,可有效提高建模效率及重建模型精度.     

散乱点云数据精简技术研究

逆向工程中,数据精简技术是进行曲面重构前的重要内容,文中在分析包围盒法和角度-弦差法的这两种精简方法特点的基础上,提出了基于这两种方法的改进型数据精简方法.最后对该算法的优缺点作了小结.     

人体散乱点云数据的区域分割算法

正确的人体点云数据分析不仅是人体3D测量的必要手段,更是未来服装数字化设计的基础,也是服装定制化智能生产的数据来源。人体散乱点云数据相比规整数据拥有更多的噪声及不规则性,这使得提取轮廓以及提取分割特征点更加困难。为了解决人体散乱点云数据分割难题,提出了基于移动最小二乘的切割算法。首先使用主成分分析法进行点云数据的调整,并使用夹角分析法提取投影到特定平面的二维轮廓。在此基础上,采用移动最小二乘法对部分二维数据点进行局部拟合并根据导数信息提取分割特征点。最后,利用VT K作为点云显示平台,对不同人体点云数据进行算法验证。实验结果表明,该分割方法实用可靠。     

特征提取的点云自适应精简

作为一种反映物体形貌的三维信息,点云数据的原始数据量十分庞大,直接对过多的数据进行操作会影响后续重建等工作。本文提出了一种新的点云特征提取自适应精简算法。首先对原始点云进行空间划分,构建点的k邻域,设置特征参数,进行特征分析,识别不同区域的信息和数据。然后针对平面数据预先进行边界的检测和提取,对剩余部分进行精简。最后,针对非平面区域,先提取特征,再根据曲率的不同进行不同程度的精简。办公室数据扫描实验结果表明,处理大小为百万以内点的点云模型可以在几秒之内完成,精简比能够达到90%以上,与原始数据间的误差较小:平面部分在精简前后平均偏差均在0.02mm以内,波动很小,为0.005 7mm;非平面区域精简前后的平均偏差均在0.08mm左右,差值仅为0.000 3mm,精简精度得以保证。因此,利用提出的算法处理后的数据能更好地展示物体的形貌。     

平面散乱点云凸包快速求解算法

提出一种平面散乱点云凸包快速求解算法,该算法建立点云的最小外包围盒,分别求解距该外包围盒的四个顶点最近的点,依据该最近点集建立最大内包围盒,可证明该最大内包围盒内的点不是凸包,将其排除,实现点云精简,通过对精简后的点集求解凸包,近而实现对整个点云的凸包求解,实例表明该算法实现简单,且可显著提高凸包的求解效率.     

微型复杂曲面零件散乱点云特征点提取

基于特征线约束的曲面不仅比自由曲面表达的模型有更高的精度,而且能够捕捉到模型其他的几何关系。微型复杂曲面零件多由曲面构成,曲面曲率变化大,曲率估算难度大,是逆向工程的难点。以皮带头复杂曲面为例,对微型复杂曲面微分几何量的估算,特征点的提取进行了研究。通过改进的空间分块策略建立散乱点云的拓扑关系,采用多种曲面模型分别拟合采样点邻域的方法估算曲率,构造协方差矩阵计算特征值和点云法矢,对曲率和协方差矩阵的特征值设置交叉阈值提取特征点。将利用交叉阈值提取到的特征点与利用单一阈值提取的特征点进行对比,结果显示:交叉阈值提取特征点的方法能够较为准确、完整的提取特征点。     

三维散乱点云凸包快速求解算法

提出一种三维散乱点云凸包快速求解算法,该算法建立点集内外包围盒,依据包围盒对点云数据进行精简,排除大量不可能构成凸包的数据点,减小求解凸包时的数据处理量,通过对精简后的点集求解凸包实现对整个点云的凸包求解,实例表明该算法实现简单,可显著提高凸包的求解效率。     

散乱点云的三角网格曲面重建算法

在采用计算机视觉法获取物体三维重建数据的过程中,为了得到较完整的模型信息,所测得的曲面点通常带有大量冗余,而这些冗余数据的存在大大增加了曲面重建的难度.在此背景下,我们针对散乱无序、无任何几何拓扑信息的密集数据,提出了一种空间三角网格直接剖分算法.该算法能够节省存储空间,提高曲面重建效率,保证输出的曲面网格优质.算法首先对原始数据进行预处理,然后采用空间栅格法及Delaunay空球等准则,扩展动态三角网,最后统一法向量输出完整的三角网格模型.通过实例证明,算法重建速度快,曲面网格质量高.     

利用GSOM网络实现散乱点云的区域分割

提出了一种改进的动态自组织特征映射(GSOM)神经网络算法,实现逆向工程中点云的区域分割,以数据点的坐标、估算出的法矢量和曲率构成的8维向量作为神经网络的输入,在训练中动态生成网络结构,克服了现有SOFM网络需要预先给出分区数目的限制,网络生成的结点数少、聚类速度快.最后通过实例实现了数据点云的区域分割,验证了该方法的正确性.     

保持特征的散乱点云数据去噪

为保证在去除点云数据噪声的同时不损失模型的细节特征,提出了一种基于特征信息的加权模糊C均值聚类去噪算法。首先,构建点云K-D树拓扑结构,根据点的r半径球邻域点统计特性去除大尺度离群噪声点。然后,利用主元分析法估算点云的曲率和法向量,根据曲率特征标识点云数据的特征区域,并采用特征加权模糊C均值聚类算法对特征区域去噪,采用加权模糊C均值聚类算法对非特征区域去噪。最后,使用双边滤波器对点云模型进行平滑。对提出的算法进行了验证实验,结果显示:去噪后点云模型的最大偏差保持在模型尺寸的0.15%以内;标准偏差保持在模型尺寸的0.03%以内。本文算法能够在有效去除不同尺度和强度的噪声的同时不损失点云模型的细节特征,去噪精度高,且对不同的噪声模型具有较强的鲁棒性。     

海量散乱点云out-of-core快速均匀精简算法

海量散乱点云的精简对其显示及交互性操作具有重要的意义。为快速有效地精简海量散乱点云,改进CR树结点分裂算法,将上溢结点子结点包围盒集转化为包围盒的中心点集,利用CR树与数据库SQLite构建主存-辅存分级存储机制,从而实现海量散乱点云的out-of-core管理,计算CR树目标结点层中每个结点所包含点集的均值点,将距离均值点最近的点作为该点集的精简结果,根据目标结点层的不同实现海量散乱点云不同程度的精简。实验证明,基于分级存储机制的快速均匀精简算法能够快速有效地精简海量散乱点云。     

散乱点云的拓扑结构重建算法的研究

基于由测量点云直接生成数控加工路径的这种思想,在散乱点云拓扑结构重构过程中,将散乱点云进行等间隔区域分割,将点云进行压缩并投影至切平面,得到切平面的散乱点集,同时建立新的链表结构分区存储点云数据.由平面上点的二维坐标定位,运用基于正交投影理论双映射算法对切平面上的散乱点进行排序,分析平面点自然次序邻接排序的局限性,通过计算当前点与其邻近点的矢量分布趋势,进一步改进双映射排序算法,完成各切片上数据的拓扑重构.     

反求工程中散乱点云的曲线构造

对反求工程中的点云数据处理,给出一种基于特征的区域分割法来划分点云,为后续曲面拟合提供有利条件。     

基于改进Hough变换的激光雷达点云特征提取方法研究

针对激光雷达点云数据,提出了一种改进的Hough变换算法,用于激光雷达点云数据中几何特征的提取。首先对激光雷达采集到的三维点云数据进行精简与修正;其次对精简、修正后的点云数据进行聚类处理,去除地面、顶面点云数据;其次,将聚类后的点云数据投影至地面所在的水平面,并将点云投影分布区域按照给定的大小进行分块,统计每个区块内落下的点云个数,生成点云分布矩阵;最后将点云分布矩阵转换成二值图像,并采用大范围粗粒度和焦点区域细粒度相结合的改进Hough变换方法,从二值图像中提取出线段,进而恢复出三维空间中的墙面等几何特征,用于室内移动机器人的导航。     

三维散乱点云的分割与几何形体重构

研究了由三维点云重构几何形体模型的方法与步骤。提出了点云分割的2种交互方法——基于特征识剐的分割和投影裁剪分割。给出了表面数据点群的边界搜索算法和表面求交算法，实现了一种从三维点云到几何形体的分割与重构方法。     

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。