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。     

曲面边界样点逆向均值漂移识别

针对现有的曲面边界样点识别算法难以适应非均匀分布的实物表面采样数据的问题,将目标样点的k-近邻点集作为曲面局部样本,基于均值漂移算法使得曲面局部样本在一定程度上向目标样点邻近的采样数据稀疏区域扩展,实现对曲面局部样本的增益优化,并对增益优化后的曲面局部样本进行核密度估计,获取目标样点对应的模式点,并通过比较目标样点与其对应模式点的偏离程度进行边界样点判定。实验表明,该算法可快速准确地识别曲面裁剪边界、几何连续的相邻面片公共边界以及曲率变化较大的过渡曲面上的特征样点,并且对非均匀分布的采样数据具有良好的适应性。     

散乱点集拓扑邻域均值逆向漂移查询算法

为获取散乱点集的拓扑邻域数据,提出一种基于均值逆向漂移的自适应迭代搜索查询算法,基于R*树动态空间索引,采用动态扩展空心球k邻域查询算法快速获取目标样点的拓扑邻域参考数据,根据邻域查询与点集密度分布的关系,采用核密度估计描述点集的分布规律,利用均值漂移算法计算得到能够反映散乱点集局部分布特征的均值漂移矢量和均值点,将邻域搜索区域沿逆向均值漂移矢量移动进行邻域查询并实时更新样点的拓扑邻域参考数据,进而完成拓扑邻域查询的均值逆向漂移迭代计算,最终实现样点拓扑邻域数据的自适应搜索查询。试验表明,该算法可快速获取复杂型面均匀或非均匀采样点集的邻域数据,查询结果包含Voronoi邻域及其他有效邻域参考数据,能更好地反映散乱点集局部型面特征。     

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。     

复杂型面点云的法向特征聚类分级估计方法

针对含有棱边和尖角等特征的复杂型面采样点云,为提高其法向估计结果的准确性,提出一种基于特征区域聚类分级的点云法向估计方法,根据曲面局部平坦性和贝叶斯信息准则对点云进行聚类分析,依次将点云划分为平坦、特征边缘、棱边尖角等区域,并识别样点所属特征类型,将平坦区域样点法向估计结果向其邻近特征区域依次传播,使特征样点的法向估计...     

点采样曲面的曲率估计

本文提出一种直接在点采样曲面上计算曲面的高斯曲率、平均曲率及主曲率等局部微分性质的方法。首先，为了去除测量产生的噪声和误差，引入高斯核函数为每个采样点加权；接着计算每个采样点的最近邻域点集；然后用双三次B样条曲面最小二乘拟合邻域点集，构造局部参数曲面来逼近原始曲面，以局部参数曲面的曲率估计点采样曲面的曲率；最后给出曲率估计的应用。实验结果表明，该方法能有效地反映曲面的基本特征。     

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。     

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。     

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。     

基于参数自适应各向异性高斯核的散乱点云保特征去噪

为解决传统点云去噪算法造成的过光顺及局部失真问题,提出一种基于各向异性高斯核的散乱点云保特征去噪算法。根据邻域点在其切平面上的投影和采样点法向构建信息相似度函数,并通过信息相似度函数定义有效邻域;应用主元分析理论研究曲面采样点、棱线采样点和角点的特征值及特征向量的分布特性;在此基础上构建以协方差矩阵的伪逆矩阵为带宽矩阵的参数自适应的各向异性高斯核函数,并将其与双边滤波算法结合用于散乱点云去噪。实验结果表明,该算法能够根据点云的局部分布特性自适应地调整滤波主方向和各主方向的衰减速度,在实现散乱点云去噪的同时可有效保持点云模型的原始尖锐特征。     

曲面重构中散乱点云数据曲率估算算法的研究

获取测量点云数据的几何特征信息是曲面重构的基础,估算数据点方向矢量和曲率是点云数据处理中必须面对的问题。这里针对散乱测量数据点云,以局部数据点协方差矩的最小特征向量作为数据点的方向矢量,并根据实际测量情况,对基于二次曲面拟合的数据点曲率估算算法进行了改进。对实际测量点云数据,能够较准确地估算出点云方向矢量和曲率,并能形象显示出数据点云的曲率分布。     

A progressive point cloud simplification algorithm with preserved sharp edge data

Due to recent advances in high-speed 3D laser-scanning technologies, the set of dense points collected from the external boundary surface of a physical object, often referred to as the point cloud data, is emerging as a new representation format of 3D shapes. A typical point cloud data set contains millions of coordinate data points, and this leads to significant computational challenges for the subsequent data processing tasks in practical applications. This paper presents a new point cloud simplification algorithm to reduce the number of data points scanned from a mechanical part, in which the boundary surfaces often contain sharp edges. Because of the distinct feature represented by data points located on or near the sharp edges (edge points), these points should always be retained by the simplification process. The proposed algorithm thus identifies these edge points first and then progressively removes the least important data point until the specified data reduction ratio is reached. The quantification of a point’s importance is based on points in its neighborhood and corresponds to the point’s contribution to the representation of local surface geometry. The effectiveness of the proposed algorithm is demonstrated through the simplification results of several practical point cloud data sets.     

装配面点云特征增强的去噪算法研究

为了去除与法兰装配面数据点混合在一起的噪声并更好地保留装配面的特征,将装配面点云数据中的噪声分为 2 类。利用空间栅格划分将点云数据栅格化,使用 K 领域搜索的方法筛选出第 1 类噪声点,运用采样点邻域点数统计法删除第 1 类噪声点;采用改进的双边滤波法对第 2 类噪声点进行去噪。通过与各类算法进行比较,实验结果表明,该去噪算法在达到预期去噪效果的同时还可以增加装配面特征的保持度,并且能够避免传统双边滤波在去噪后产生光顺过度的现象。     

METHOD TO EXTRACT BLEND SURFACE FEATURE IN REVERSE ENGINEERING

A new method of extraction of blend surface feature is presented. It contains two steps: segmentation and recovery of parametric representation of the blend. The segmentation separates the points in the blend region from the rest of the input point cloud with the processes of sampling point data, estimation of local surface curvature properties and comparison of maximum curvature values. The recovery of parametric representation generates a set of profile curves by marching throughout the blend and fitting cylinders. Compared with the existing approaches of blend surface feature extraction, the proposed method reduces the requirement of user interaction and is capable of extracting blend surface with either constant radius or variable radius. Application examples are presented to verify the proposed method.     

基于自适应动态球半径的k邻域搜索算法

针对大规模离散点云搜索k邻域速度慢的问题,提出了一种新的搜索k邻域算法,该算法根据不同点附近点云密度给出一个合适的点的k邻域动态球半径,且动态球半径是随着所求点周围点云的密度而自适应的。从离散点云分块大小和采样密度方面对算法的可行性和效率进行了实验验证,结果显示,运用该算法求取每个点的k邻域所用的搜索时间更短,效率更高。     

Triangular mesh generation employing a boundary expansion technique

This paper presents a triangulation method for modelling very large sets of cloud data. The three-dimensional (3D) data sets are produced by a machine vision system and/or coordinate measuring machine (CMM). The algorithm is suitable for processing the data collected from objects composed of free form surface patches especially with interior holes. This is accomplished from the 3D data sets in two steps. Firstly, the original cloud data is reduced into a simplified data set employing a data reduction technique (voxel binning method), in which the error between the cloud data and the meshed surface is used to control the data reduction. Secondly, the triangulation process starts with a randomly selected seed triangle. The triangular mesh extends outward by continuously linking suitable external points to it along the boundary edges of the meshed area. A complex free form surface with interior holes can be triangulated in one computing session without manually dividing it into several simple patches. The error-based data reduction parameters are extracted from the cloud data set, by a series of local surface patches, and the required spatial error between the final triangulation and the cloud data. Experimental results are given to illustrate the efficacy of the technique for rapidly constructing a geometric model from 3D digitised cloud data.     

基于法向量区域聚类分割的点云特征线提取

针对逆向工程领域中散乱点云模型过渡线及细节特征线提取不完整问题,提出一种法向量区域聚类的特征线提取方法。采用自适应邻域的主成分分析法估算模型的法向量,利用萤火虫算法优化的模糊C均值聚类算法对法向量的进行聚类实现模型的有效分割。构造点集剔除与合并准则从各分割块边界点集中析取候选特征点,再以局部邻域主轴方向为基准提取特征点。实验结果表明：简单模型的特征线基本可准确完整提取,相对复杂模型的特征线数量提取率可达90%,长度提取率达到了85%。算法具有良好的自适应性和准确性,能有效提取点云模型尖锐特征和细节特征,并尽可能多地保留模型过渡特征。     

应用摄像机位姿估计的点云初始配准

基于摄像机位姿估计的数学模型,提出了一种检测摄像机位移前后目标图像特征点的方法,通过求解摄像机发生位移前后的相对位姿矩阵来解决应用视觉图像获得点云的初始配准问题。首先,介绍了摄像机位姿估计模型,包括本质矩阵、旋转矩阵以及平移矩阵;然后,介绍了SURF算子的特征点检测、描述和匹配的方法,在此基础上面向双目视觉和单目结构光系统,分别提出了摄像机位移前后目标图像SURF特征点匹配和深度估计模型;最后,分别进行双目视觉和单目结构光系统点云的获取、位移前后目标图像特征点检测匹配和深度估计实验,应用摄像机位姿估计模型求解旋转矩阵和位移矩阵,并对位移矩阵进行统计分析剔除粗差。实验中采用基于点云空间特征点和基于图像的方法进行对比,点云对应特征点均方误差缩小至12.46mm。实验结果验证了方法的可行性,表明本文的点云初始配准方法能较好地获得点云精确配准初值。