基于局部特征匹配的对称面提取算法

在反求工程中,对称面提取对于点云的几何模型重建具有重要意义,根据对称性原理,给出了点云模型中双侧对称性的数学定义,在此基础上,构造了一种基于迭代最近点(ICP)数据匹配的对称面提取算法,该算法已经在反求工程CAD系统RE-SOFT中实现,并应用于汽车引擎罩、卫生洁具零件的模型重构。     

反求工程中点云数据的二次曲面特征提取技术

基于点的连通性及同一特征面测量点几何特征相似性，在特征曲面拟合误差控制下，实现了散乱数据二次曲面的区域分割．工程应用实例表明：文中方法稳定可靠，可显著提高反求CAD建模效率与重建模型精度。     

激光扫描点云数据的快速读取新方法

在反求工程中,随着测量技术的发展,点云数据文件越来越大.为了提高点云数据文件的读取效率,本文分析了虚拟内存及内存映射文件的工作原理,并在此基础上提出用内存映射文件来实现点云文件的快速读取.通过实验对比,内存映射文件相对传统I/O在文件读取效率上有着明显的提高.     

基于形状特征的点云简化技术研究

为了提高实体反求的效率,提出一种点云简化方法。该方法通过建立点云的栅格化拓扑关系,有效地收集每个测量点的邻域点,并在邻域内建立局部坐标系。同时,拟合局部抛物面估算各个测量点的曲率值,并根据曲率变化收集形状特征点。最后,依据邻域内形状特征点的分布状况,对点云实施简化。该简化方法充分地保留了原始点云的形状特征,同时删除了大量的冗余点,具有一定的先进性,为反求工程的曲面重构提供了良好的基础。     

基于特征生长的点云拟合技术

在反求工程的点拟合中,由被分割后具有某种特征的点云去构造样件的CAD模型,不仅在人机交互分割中浪费大量时间,而且重构的效率不高。如果采用自由生长的特征主动去配匹点云,则能显著地提高重构的效率和精度,为此本文提出了基于特征自动生长的点云似合技术。     

基于单目CCD摄像机的三维点云数据重建研究

提出一种基于单目CCD摄像机反求系统的三维数据的获取方法熏首先对单目CCD摄像机拍摄的单幅图像进行滤波、细化等手段处理得到单像素宽度的激光条纹熏通过摄像机标定和激光投影平面标定建立激光条纹上的像素点与空间上的三维点之间一一对应的函数映射,获取物体的外轮廓信息。通过试验分析证明其可行性。     

基于曲率特征的点云快速简化算法

为了提高实体反求的效率,提出一种点云快速简化算法.该算法依据特征点群曲率变化的特点在点云邻域拟合曲面上搜寻特征点并进行储存,依据搜寻结果对点云进行特征点分布评估,并根据评估结果设定相应的简化距离对点云进行简化.算法充分保留了特征区域点云,使得简化后的点云能够较好地表达形状,整个搜寻过程只针对高斯曲率极值点的附近点,相对于需要在全局上进行曲率计算的传统简化算法,该算法在运行速度上具有明显优势.     

反求工程中扫描曲面特征的提取

根据扫描曲面的定义,本文提出了一种基于点云切片数据的扫描曲面特征的提取方法。首先,由平行且过扫描面特征的切片点云数据获取扫描轨迹曲线;接着,由垂直于扫描轨迹线的切片点云数据获得截面轮廓线;最后,由扫描轨迹曲线和截面轮廓线即可确定扫描面特征。本文算法已在UG／OPEN上实现,并用实例证明了该方法的正确性和可行性
性。     

基于点云法矢变化的点云简化方法研究

为了提高实体反求的效率,提出一种点云快速简化方法。该方法基于空间六面体栅格分割点云,依据栅格的拓扑结构搜寻测量点的邻域点,并采用一种三角面片的加权算法估算出每个测量点的法矢,并由此计算出每一个测量点到微切平面的距离,通过设置相应的法矢角度及距离阈值来对点云进行简化。实验表明该方法能够明显提高数据简化的效率。     

反求工程中的点云切片算法研究

提出了一种快速有效的点云切片算法．该算法基于空间栅格划分建立离散点之间的拓扑关联信息,通过高效的平面点云求交算法构造平面散乱点列;并基于多项式时间复杂度的混合式曲线重建算法实现了任意非均匀分布平面点列的多义线重组．应用实例表明：文中算法快速准确,稳定可靠．     

逆向工程中约束驱动数据点云曲面特征优化

为了获得产品原始设计意图,提高重构模型的整体质量,提出一种实用的逆向工程中约束驱动数据点云曲面特征优化方法,其中包括约束分解和有效的数值求解.在约束分解部分,通过设计结构矩阵分割算法消除几何约束系统中曲面特征间的耦合约束,提出了基于多尺度特征的凝聚算法来实现几何约束系统的简化和分解;在数值求解部分,基于罚函数法建立了约束优化的数学模型,采用BFGS法进行了数值求解.对优化后的逼近误差与约束满足误差进行分析的结果表明,采用文中方法可以低数量级的逼近误差的放大,实现约束满足误差的减小,获得一种全局优化的结果.     

在逆向工程中用神经网络实现点云数据分区

点云的数据分区问题是逆向工程中的一个瓶颈问题。论文在传统的自组织特征映射(SOFM)神经网络的基础上,用多层自组织特征映射(MLSOFM)神经网络实现逆向工程中点云的数据分区,克服了SOFM用于数据分区的局限性,不需预先指定分区的数目,实例运行结果验证了此方法的可行性。     

逆向工程中的三维测量数据点云的分割

以线激光一机器视觉测量方式得到的曲面数据云为基础，探讨了曲面密集三维散乱点群数据的分割技术．根据线激光测量方式和三维点群分布的特点，建立了恰当的数据结构在计算机中表示散乱点群．并通过树形的空间结构完成对密集散乱点群空间分割，由此实现对散乱点群数据的几何分割。     

点云数据中空洞区域的自动补测算法

通过引入平均误差及平均曲率影响因子,自动计算出补测空洞的影响区域,进而利用影响区域内的数据构造连续曲面并计算出空洞内的数据点．文中算法是一个具有自适应特性的数据补测算法．     

基于逆向工程的飞机曲面重建方法研究磁

介绍了逆向工程的基本知识,飞机曲面数据采集的一般流程;提出了点云数据预处理算法实现,包括点云滤波算法、点云数据精简算法和基于奇异值分解法的多视点云拼接算法,通过对数据的预处理,大部分数据噪声得以消除,数据量进一步简化,多视点云数据实现空间配准;研究了飞机曲面重建的数据处理流程,对飞机机体进行若干分区,按照点、线、面的建模处理流程对每个区进行独立建模;最后以Catia逆向建模模块对某型样机点云数据处理流程为例,详细探讨了飞机曲面重建的流程,精度验证等方法实现,实践证明,论文介绍的算法和处理方法切实有效,建模数据准确可靠。     

A Modified SOFM Method for Point Cloud Segmentation in Reverse Engineering

The purpose of reverse engineering is to convert a large point cloud into a CAD model. In reverse engineering, the key issue is segmentation, i.e. studying how to subdivide the point cloud into smaller regions, where each of them can be approximated by a single surface. Segmentation is relatively simple, if regions are bounded by sharp edges and small blends; problems arise when smoothly connected regions need to be separated. In this paper, a modified self-organizing feature map neural network (SOFM) is used to solve segmentation problem. Eight dimensional feature vectors (3-dimensional coordinates, 3-dimensional normal vectors, Gaussian curvature and mean curvature) are taken as input for SOFM. The weighted Euclidean distance measure is used to improve segmentation result. The method not only can deal with regions bounded by sharp edges, but also is very efficient to separating smoothly connected regions. The segmentation method using SOFM is robust to noise, and it operates directly on the point cloud. An examples is given to show the effect of SOFM algorithm.     

逼近散乱点云数据的三角形网格精确剖分

基于自组织特征映射神经网络构建的三角形网格模型可以实现测量点云 压缩后的Delaunay 三角逼近剖分,但该模型存在逼近误差和边缘误差。为减小三角形网格 的逼近误差和边缘误差,构建了精确逼近的三角形网格模型。首先采用整个测量点云,对三 角形网格模型中的所有神经元进行整体训练;然后对三角形网格中的网格神经元的位置权 重,沿网格顶点法矢方向进行修正;最后采用测量点云中的边界点集,对三角形网格模型中 的网格边界神经元进行训练。算例表明,应用该模型,可以有效减小三角形网格的边缘误差, 三角形网格逼近散乱点云的逼近精度得到大幅提高并覆盖散乱点云整体分布范围。