基于广义多项式神经网络的点云数据隐式曲面重构方法

针对点云数据的三维重建问题,提出了一种隐曲面重构的广义多项式神经网络新方法.该广义多项式神经网络隐层各神经元激励函数互不相同且线性无关,能够对应地学习点云数据样本中不同的模式,因此,具有较好的学习能力.基于梯度下降法原理,推导了其学习算法.仿真实验尝试将该方法应用于一些简单封闭物体的带噪点云数据隐式曲面重建,取得了较理想的重建质量和去噪效果.     

一种散乱点云空间直接剖分算法

散乱点云的三角剖分在曲面重建中发挥着重要作用。在对三角剖分基本方法深入分析的基础上对此类点云提出了一种高效的重构算法。本算法将基于动态球策略的搜索算法引入到曲面重建中,源于增量式计算的思想,结合约束准则和设计的顶点度量函数,从基础三角面片开始扩展到覆盖整个物体表面。分析及实验结果表明,该算法能有效地对点云数据进行三角网格化,同时剖分后的三角网格曲面最大限度地保持了原有曲面的特性,证明了提出的基于动态球的曲面重构算法应用于散乱点云曲面重构问题的可行性。     

大规模孔洞点云的快速重建算法研究 *

针对实际中经常存在的含有孔洞的点云数据 ,在原多层重建算法的基础上提出了一种可以进行点云补洞的快速曲面重建算法。首先对散乱点云数据进行空间自适应八叉剖分 ,然后对点云数据进行由粗到精的多层插值 ,建立隐式曲面方程 ,最后提出了两种加快重建的方法。加速算法可以减少重建时间 ,非常有利于处理大规模点云。实验结果证明 ,本算法对点云孔洞修补效果良好 ,重建速度快 ,效率高。     

基于三维激光扫描的物体重构建模

物体拍摄环境具有测量数据量大、物体外轮廓信息复杂等特点,采用当前方法能够获得物体精确的三维点云数据,但缺乏颜色和纹理信息,导致物体重构精度不高,真实感较差;为此,提出一种基于三维激光扫描的物体重构建模方法;该方法通过三维激光扫描技术获取物体点云数据,采用显式的欧拉积分方法对物体整个三维曲面进行平滑,依据三角生长法进行物体三维空间三角划分,将物体网格顶点向球面进行映射,由此构造物体三角网格模型,通过迭代最近点算法对物体非同步点云数据初步匹配结果进行精确配准,利用最近点搜索算法将经多视图立体视觉算法优化后的物体颜色信息和三维点云数据坐标相融合;实验结果表明,所提方法可以快速精确地建立物体三维重构模型,验证了所提方法的可行性。     

散乱点云数据的高阶平滑隐式曲面重建

针对三维扫描或三维重建获取的散乱点云数据曲面重建问题, 提出基于拉普拉斯规则化的高阶平滑算法。首先, 计算点云数据的包围盒并离散化得到体素空间; 其次, 在体素空间根据隐式曲面的梯度和点云位置、法向信息建立目标函数, 并通过对目标函数的拉普拉斯规则化达到控制重建曲面光顺效果的目的; 再次, 根据最优化原理将重建问题转换为一个稀疏线性方程组求解问题; 最后, 通过步进立方体算法得到重建曲面的三角网格表示。定性和定量的实验结果表明, 该方法重建曲面绘制效果和精确度优于常用的Poisson方法。     

一种保特征的隐式曲面算法

结合径向基函数和隐式曲面构造原理,提出了一种保特征的隐式曲面重建算法。应用紧支撑单元产生稀疏的矩阵,降低了计算复杂度,可重建大规模的点云数据。通过几次简单调整支撑域内点的个数,获得保持原特征的重建效果。实验结果证明,算法可以保持原模型的特征。     

边界保持的隐式曲面三角化方法

隐式曲面三角化是隐式曲面绘制的常用算法.对于开区域上散乱点数据重建的隐式曲面,常用的隐式曲面三角化方法得到网格模型不能很好地保持散乱点数据的边界.针对该问题,提出了一种边界保持的隐式曲面三角化方法.根据散乱点数据的空间分布,控制等值面的抽取范围,实现了边界保持.实验结果表明,该算法能够产生和散乱点数据边界一致的三角网格.     

用神经网络实现NURBS曲面重构

曲面重构问题是几何逆向工程中的首要问题,为了获得物体的几何模型(某些物体可能发生部分损坏)需要从大量的测量点构造曲面。该文采用了一个神经网络模型和相应的快速学习算法应用于曲面重建。该模型可以有效地逼近曲面并剔除输入数据点中的“坏”点。     

基于拓扑不变性的GSRBF隐式曲面重建

为提高大规模点云曲面重建的精度和效率,提出一种基于拓扑不变性的全局支撑的径向基函数(GSRBF)隐式曲面重建算法。结合Hausdorff算法,根据点云的主曲率和高斯曲率引入一个临界值,防止提取特征点时产生较大误差,构造特征点点云拓扑同胚的拓扑结构;引入八叉树网格划分法进行点云拓扑关系的构造,通过构造与模型控制网格拓扑同胚的拓扑结构来重建曲面的拓扑;构造基函数确定特征点的影响范围,将其归一化得到曲面拓扑上的单位分解,复合单位分解与特征点得到隐式曲面。实验结果表明,该算法适用于任意拓扑的曲面重建,具有较高的精度和效率。     

基于参数限定的CS-RBF曲面重建算法*

针对非密度均匀的点云,提出了一种高效保持特征的曲面重建算法。首先利用八叉树进行点云空间分割,然后对每个点在小邻域内求出局部逼近曲面,建立隐式曲面方程。通过参数限定点的邻域范围,使整个算法既保证了重建效果,又不致于很大程度上增加重建时间,达到了速度和效果在一个范围内的平衡。实验结果证明,本算法重建效果良好,适用于各种散乱点云的重建。     

利用Voronoi协方差矩阵重建隐式曲面

目的 针对含少量离群点的噪声点云,提出了一种Voronoi协方差矩阵的曲面重建方法。方法 以隐函数梯度在Voronoi协方差矩阵形成的张量场内的投影最大化为目标,构建隐函数微分方程,采用离散外微分形式求解连续微分方程,从而将曲面重建问题转化为广义特征值求解问题。在点云空间离散化过程中,附加最短边约束条件,避免了局部空间过度剖分。并引入概率测度理论定义曲面窄带,提高了算法抵抗离群点能力,通过精细剖分曲面窄带,提高了曲面重建精度。结果 实验结果表明,该算法可以抵抗噪声点和离群点的影响,可以生成不同分辨率的曲面。通过调整拟合参数,可以区分曲面的不同部分。结论 提出了一种新的隐式曲面重建方法,无需点云法向、稳健性较强,生成的三角面纵横比好。     

Parallel and adaptive surface reconstruction based on implicit PHT-splines

We present a new surface reconstruction framework, which uses the implicit PHT-spline for shape representation and allows us to efficiently reconstruct surface models from very large sets of points. A PHT-spline is a piecewise tri-cubic polynomial over a 3D hierarchical T-mesh, the basis functions of which have good properties such as nonnegativity, compact support and partition of unity. Given a point cloud, an implicit PHT-spline surface is constructed by interpolating the Hermitian information at the basis vertices of the T-mesh, and the Hermitian information is obtained by estimating the geometric quantities on the underlying surface of the point cloud. We take full advantage of the natural hierarchical structure of PHT-splines to reconstruct surfaces adaptively, with simple error-guided local refinements that adapt to the regional geometric details of the target object. Examples show that our approach can produce high quality reconstruction surfaces very efficiently. We also present the multi-threaded algorithm of our approach and show its parallel scalability.     

Robust and Efficient Implicit Surface Reconstruction for Point Clouds Based on Convexified Image Segmentation

We present an implicit surface reconstruction algorithm for point clouds. We view the implicit surface reconstruction as a three dimensional binary image segmentation problem that segments the entire space $\mathbb R ^3$ or the computational domain into an interior region and an exterior region while the boundary between these two regions fits the data points properly. The key points with using an image segmentation formulation are: (1) an edge indicator function that gives a sharp indicator of the surface location, and (2) an initial image function that provides a good initial guess of the interior and exterior regions. In this work we propose novel ways to build both functions directly from the point cloud data. We then adopt recent convexified image segmentation models and fast computational algorithms to achieve efficient and robust implicit surface reconstruction for point clouds. We test our methods on various data sets that are noisy, non-uniform, and with holes or with open boundaries. Moreover, comparisons are also made to current state of the art point cloud surface reconstruction techniques.     

Reconstructing Animated Meshes from Time‐Varying Point Clouds

In this paper, we describe a novel approach for the reconstruction of animated meshes from a series of time‐deforming point clouds. Given a set of unordered point clouds that have been captured by a fast 3‐D scanner, our algorithm is able to compute coherent meshes which approximate the input data at arbitrary time instances. Our method is based on the computation of an implicit function in ?⁴ that approximates the time‐space surface of the time‐varying point cloud. We then use the four‐dimensional implicit function to reconstruct a polygonal model for the first time‐step. By sliding this template mesh along the time‐space surface in an as‐rigid‐as‐possible manner, we obtain reconstructions for further time‐steps which have the same connectivity as the previously extracted mesh while recovering rigid motion exactly. The resulting animated meshes allow accurate motion tracking of arbitrary points and are well suited for animation compression. We demonstrate the qualities of the proposed method by applying it to several data sets acquired by real‐time 3‐D scanners.     

基于深度图像的三维场景重建系统

针对计算机图形学和视觉领域研究热点--三维场景重建,首先分析了 Kinect v2 (Kinect for Windows v2 sensor)获取深度图像的原理,说明深度图像噪声的来源。然后根据获取 深度图像的原理设计一种算法对点云采样范围进行裁剪。其次对点云离群点进行去除,填补点 云孔洞,以提高重建质量。常见的三维场景重建大都采用了 KinectFusion 的一个全局立方体方 案,但只能对小范围内的场景进行重建。对此设计了一种对大场景进行点云匹配的 ICP 算法。 最后对点云进行曲面重建,实现一套低成本、精确的针对大场景的三维重建系统。     

基于医学图像的复杂曲面重建

为了更准确地重建复杂的三维医学数据模型,把二维医学图像轮廓线上的像素点转化为三维点云,引入经典的泊松点云重建技术。由于泊松重建的效果依赖于点云法向的准确性,针对轮廓线数据的特点,结合图像二维梯度方向,给出了点云法向的一致定向及基于已知定向进一步精确估计法向的方法。泊松重建方法作为一种隐式重建技术,可以很好地处理医学图像数据中经常存在的噪声、拓扑复杂等问题。鼻咽喉模型重建的结果说明,一致定向方法改进了传统的一致定向方法,得到了更为准确的医学重建模型。     

Feature Preserving Mesh Generation from 3D Point Clouds

We address the problem of generating quality surface triangle meshes from 3D point clouds sampled on piecewise smooth surfaces. Using a feature detection process based on the covariance matrices of Voronoi cells, we first extract from the point cloud a set of sharp features. Our algorithm also runs on the input point cloud a reconstruction process, such as Poisson reconstruction, providing an implicit surface. A feature preserving variant of a Delaunay refinement process is then used to generate a mesh approximating the implicit surface and containing a faithful representation of the extracted sharp edges. Such a mesh provides an enhanced trade‐off between accuracy and mesh complexity. The whole process is robust to noise and made versatile through a small set of parameters which govern the mesh sizing, approximation error and shape of the elements. We demonstrate the effectiveness of our method on a variety of models including laser scanned datasets ranging from indoor to outdoor scenes.     

基于深度扫描仪的高辨识度三维人体模型重建方法

3D 照相打印馆人像的打印质量取决于3D 扫描获得的三维人体模型的辨识度。然 而,由于现有3D 人体扫描仪价格昂贵、操作复杂等原因,使得3D 人像打印成本高、耗时长和 打印精度较低。针对这些缺点提出一种基于深度扫描仪重建高辨识度三维人体模型方法。利用 多组深度扫描仪分工协作、优势互补,分别获取高辨识度的人体面部五官点云数据,上半身与 全身表面轮廓点云数据。然后,通过引入特征点和改进的最近点迭代法将采集到的三组点云数 据进行对齐、替换、拼接,将拼接后的无拓扑关系的点云数据进行曲面重构即可获得高辨识度 的三维人体模型。该方法的扫描时间较短,以较低的成本构建了具有高辨识度的三维人像模型。