海量散乱点的曲面重建算法研究

基于海量散乱点的曲面重建在机械产品测量造型、计算机视觉、根据切片数据的医学图像重建等领域中有重要应用.给出了一种以物体表面上不附加任何几何和拓扑信息(包括测点法矢、曲面边界信息)的散乱点集为处理对象,自动生成物体表面的三角网格模型的算法.该算法首先根据测点的邻近测点估算曲面在该测点处的法矢,并采用优化的顺序对法矢方向进行调整以使各测点处的法矢都指向曲面外侧,最后用步进立方体算法输出三角网格模型.采用新的方法计算切平面,不但进一步提高了效率,而且改善了曲面边界及尖锐棱边区域的重建效果.还提出并解决了法矢方向传播中可能出现的局部“孤岛”问题.同时,提出了一种对海量数据进行空间划分的算法,从而大大提高了海量数据的处理效率.应用实例表明,算法效果良好     

基于符号曲面变化度与特征分区的点云特征线提取算法

特征线对三维模型的表达和识别具有重要意义,提出了符号曲面变化度的概念,其具备同时表达曲面弯曲程度和凹凸类型的能力,可以作为曲面曲率的良好近似.在此基础上,提出了一种基于符号曲面变化度与特征分区的特征线提取算法.首先选取点云中符号曲面变化度绝对值大于一定阈值的点作为潜在特征点;然后将符号曲面变化度作为区域增长限定条件对潜在特征点进行分割,并在通过局部曲面重建确定区域边界点后,采用基于曲面变化度和距离加权的双边滤波算法迭代细化边界点,以确定特征点真实位置;最后通过建立特征点的最小生成树实现特征线连接.实验结果表明,该算法能很好地识别、分割点云中的特征点,提取到准确、完整的特征线.     

自交有理参数曲面网格生成

针对现有网格生成算法在处理自交曲面时出现的缺少交线表示、误差大以及交线附近三角形质量差的问题,提出一种针对自交有理参数曲面的网格生成算法.首先,利用动平面法计算曲面的奇异因子;其次,利用奇异因子和曲面的第一基本形式定位交线上的拓扑关键点;再次,基于动平面法设计了一种交线网格点配对生成算法,以保证网格交线的邻域协调性;最后,使用基于粒子的网格生成法生成参数域网格.在具有不同拓扑的自交曲面上进行网格生成实验,所提算法可保证网格交线拓扑正确性,且与未进行交线网格点配对的各类代表性各向同性网格生成算法相比,网格三角形最小角平均值平均高0.6%.     

参数曲线曲面实奇异点的计算

本文主要讨论了利用Grobner基理论对参数曲线（面）的奇异点进行判断和计算。如果曲线（面）存在奇异点,由定义可知它的导矢（法矢）等于0。因此,曲线（面）奇异点的判定就是方程组的求解问题。由Hilbert弱零点定理可知,若一组多项式方程无公共零点,则其生成理想约化的Grobner基为[1]。在计算时,首先根据Grobner基理论判断 曲线（面）是否存在奇异点。当存在奇异点时,利用区间算法对实奇异点进行隔离和迭代。在确定奇异点的存在性时,根据曲线（曲面）的导矢（法矢）方程的Grobner基直 接进行判断,而不需要求解非线性代数方程组。若曲线曲面存在奇异点,进一步采用区间方法对奇异点进行隔离以确定曲线段或曲面片的正则性。该方法可以得到参数曲线曲面的所有实奇异点且达到任意精度。     

棱边特征曲面拓扑逼近重建算法

针对含有棱边特征的曲面模型难以正确重建这一问题,提出一种基于网格曲面延拓求交重建棱边特征区域的算法.首先对点云进行邻域高斯映射聚类分析,剔除棱边特征点,对剩余点云以种子点增长算法实现平坦连通区域的分割;然后将增益优化后的边界样点邻域点集作为曲面局部样本,采用三次Bézier曲线延伸方向为制导对点云进行扩展,提高曲面延拓区域的光滑性;最后对延拓后的平坦区域重建结果进行求交,采用曲面裁剪的方法重建棱边特征.以斯坦福大学提供的采样点云作为曲面重建数据,实验结果表明,在重建含有棱边特征曲面的过程中,该算法可有效地避免孔洞与棱边凹痕等错误的出现,且对非均匀采样数据具有良好的适应性.     

保留几何特征的散乱点云简化方法

针对散乱点云简化时经常丢失过多的几何特征,提出一种保留几何特征的简化方法。首先采用均匀栅格法划分点云空间;然后分别以点云中的数据点为球心构建包围球,并在包围球中查找数据点的K邻域;随后构造一个非负函数用于度量重建曲面在各点处的曲率,进而提取并保留点云中的特征点;最后根据法向量的内积阈值对包围球中的非特征点进行适度简化。实验结果表明该方法不仅能够充分保留点云中的几何特征,而且具有速度快的特点。     

基于特征提取的点云自动配准优化研究

针对三维点云自动配准精度不高、鲁棒性不强等问题,提出一种基于判断点云邻域法向量夹角的自动配准算法。该算法首先计算点云中每个点的法向量与邻域点集的法向量夹角的余弦值,然后把邻域各点的余弦值作为该点的属性特征向量,进行特征分类提取特征点,根据几何特征的相似性初步搜索匹配点对,并采用欧式距离约束条件剔除匹配错误的点对;运用最小二乘法计算初始配准参数,再通过改进的迭代最近点（Iterative Closest Point,ICP）算法进行精匹配。实验证明,该算法相对于经典的ICP算法无论收敛速度还是匹配精度上都有提升。     

一种基于投影的散乱数据表面增量重建算法

针对3维散乱数据场提出了一种表面重建算法.根据空间曲面的局平特性和平面三角化的基本原则,在参考点的切平面上对邻域点按角度排序,应用可见性准则删除不可见点后,相邻邻域点和参考点形成三角网格.将平面上的网格关系对应到空间,以增量方式重建反映散乱数据场拓扑关系的空间曲面.设定角度阈值优化网格,判断空间曲面的边界和孔洞.对多个数据场进行重建并对结果进行分析.对多个数据场进行重建并对结果进行分析表明,算法具有原理简单,重建速度快,重建效果好的特点.     

点云模型基于几何特征增强与保特征曲面拟合的法向估计方法EI北大核心CSCD

现有法向估计中,尤其是模型中存在较大噪声的情况下,目标点邻域的选择是一个关键且困难的问题.针对点云模型,为了提高法向估计准确度,提出一种自适应选择邻域且保特征、抗噪声的法向估计方法.首先,提出双边非局部特征增强模块,根据网络前置学习特征以及邻域点几何特性对点邻域进行加权选择,并据此对局部特征进行增强,以提升网络对模型局部几何特征学习的能力;然后,采用局部特征与全局特征相结合的形式刻画点云完备的几何特征,并以此为基础进行局部曲面拟合及法向估计;最后,在局部曲面拟合中提出邻域保特征损失,依据邻域点受噪声干扰度对邻域点的拟合权重进行调整,实现保细节特征的局部曲面拟合,提高对噪声的鲁棒性.实验使用PCPNET数据集进行模型训练和测试,大量定性与定量的实验结果表明,与相关方法相比,所提方法对于不同噪声级别以及不同密度分布等复杂情形都可取得更加准确的法向估计结果,并更好地推动曲面重建等点云处理应用.     

自适应T样条曲面重建

为了进行快速高精度的曲面重建,提出了一种新的基于T样条的曲面自动重建算法。由于T样条控制网格具有特殊性质,因此在使用T样条进行曲面重建时,一个关键的问题是如何构造好一个T网格。该新算法在进行曲面重建时,用三角网格的参数化方法,先将数据点同胚映射到平面,然后再利用平面四叉树细分的方法将无结构散乱数据自动生成合理有效的T网格,最后将曲面重构模型转化为最优化问题,并由最小二乘法求解,同时在误差较大的区域辅以T样条的局部修正,以使重建曲面与原网格面的最大误差小于指定的误差值。由于该新的曲面重建方法是一个基于细节的重建方法,因此采样点密集区域所插入的T网格点也就相应地增多,这样既抓住了网格曲面的特征,又能很好地减少过多的T网格控制顶点,这就提高了算法效率。另外,该新算法还具有高效、易操作、能适应复杂曲面重建、曲面自动生成且满足相应精度要求等优点。重构结果显示,该新的曲面重建算法不仅重构应用范围广,且重构精度高。     

Detection of closed sharp edges in point clouds using normal estimation and graph theory

The reconstruction of a surface model from a point cloud is an important task in the reverse engineering of industrial parts. We aim at constructing a curve network on the point cloud that will define the border of the various surface patches. In this paper, we present an algorithm to extract closed sharp feature lines, which is necessary to create such a closed curve network. We use a first order segmentation to extract candidate feature points and process them as a graph to recover the sharp feature lines. To this end, a minimum spanning tree is constructed and afterwards a reconnection procedure closes the lines. The algorithm is fast and gives good results for real-world point sets from industrial applications.     

基于数据类型转换的点云快速有损压缩算法

针对海量三维点云数据为计算机存储和传输增加沉重负担的问题,提出一种基于数 据类型转换的点云快速有损压缩算法。首先设计出一种数据类型转化规则-FtoI 规则,根据FtoI 规则将浮点数类型点云转换成整数类型点云,然后将整数类型点云切分成许多小单元面块,每一 单元点云生成最小生成树,按广度优先的顺序对树形结构进行编码。同时,按照树形结构对父子 节点的差值进行编码,把整型差值分成两部分编码,符号一部分,其绝对值一部分,其中绝对值 部分采用算术编码进行压缩。实验表明该文算法在保证整个三维点云模型的质量情况下,具有不 错的压缩速度和压缩率。     

面向RGBD深度数据的快速点云配准方法

目的 真实物体的3维重建一直是计算机图形学、机器视觉等领域的研究热点。针对基于RGBD数据的非匀速非固定角度旋转物体的3维重建问题,提出一种利用旋转平台重建物体3维模型的配准方法。方法 首先通过Kinect采集位于旋转平台上目标物的深度数据和颜色数据,对齐融合并使用包围盒算法去除背景噪声和不需要的外部点云,获得带有颜色信息的点云数据。并使用基于标定物不同角度上的点云数据标定出旋转平台中心轴的位置,从而获得Kinect与旋转平台之间的相对关系;然后通过曲率特征对目标点云进行特征点提取并寻找与相邻点云的对应点;其中对于特征点的选取,首先针对点云中的任意一点利用kd-tree搜寻其k个邻近点,对这些点进行曲面拟合,进而计算其高斯曲率,将高斯曲率绝对值较大的n个点作为点云的特征点。n的取值由点云的点个数、点密度和复杂度决定,具体表现为能反映物体的大致轮廓或表面特征信息即可。对于对应点的选取,考虑到欧氏距离并不能较好反映点云中的点对在旋转过程中的对应关系,在实际配准中,往往会因为点云重叠或距离过远等原因找到大量错误的对应点。由于目标物在扫描过程中仅绕旋转轴进行旋转,因此采用圆弧最小距离寻找对应点可有效减少错误点对。随后,使用二分迭代寻找绕中心轴的最优旋转角度以满足点云间的匹配误差最小;最后,将任意角度获取的点云数据配准到统一的坐标系下并重建模型。结果 使用斯坦福大学点云数据库和自采集数据库分别对该方法和已有方法在算法效率和配准结果上进行对比实验,实验结果显示在拥有平均75 000个采样点的斯坦福大学点云数据库上与传统ICP算法和改进ICP算法相比,迭代次数分别平均减少86.5%、57.5%,算法运行时间分别平均减少87%、60.75%,欧氏距离误差平方和分别平均减少70%、22%;在具有平均57000个采样点的自采集点云数据库上与传统ICP算法和改进ICP算法相比,迭代次数分别平均减少94%、75%,算法运行时间分别平均减少92%、69%,欧氏距离误差平方和分别平均减少61.5%、30.6%;实验结果显示使用该方法进行点云配准效率较高且配准误差更小;和KinectFusion算法相比在纹理细节保留上也表现出较好的效果。结论 本文提出的基于旋转平台标定的点云配准算法,利用二分迭代算法能够有效降低算法复杂度。与典型ICP和改进的ICP算法的对比实验也表明了本文算法的有效性。另外,与其他方法在具有纹理的点云配准对比实验中也验证了本文配准方法的优越性。该方法仅采用单个Kinect即可实现对非匀速非固定角度旋转物体的3维建模,方便实用,适用于简单快速的3维重建应用场合。     

基于特征点动态选择的三维人脸点云模型重建

针对典型的点云配准方法中伪特征点过多导致配准效率低和配准结果不精确的问题,提出一种基于特征点动态选择的三维人脸点云模型重建方法。该方法在粗配准阶段,采用动态特征矩阵求解法获取粗匹配特征变换矩阵以避免伪特征点的干扰。在精配准过程中,采用二次加权法向量垂直距离法在人脸流形表面选择更有效的特征点以减少伪特征点的数量,并采用基于特征融合与局部特征一致性的迭代最近点方法进行精配准。经过对比实验验证了算法的可行性,实验结果表明,提出算法能够实现高精度且快速的三维人脸点云模型重建,且均方根误差达到1.816 5 mm,相较于其他算法,在模型重建精度和效率方面都有所提升,具有良好的应用前景。     

基于曲率法线流的树点云骨架提取方法

针对树木点云拓扑结构复杂、特征细节繁多等问题,提出一种基于点云收缩提取曲线骨架的算法。首先,为了在点云表面直接应用网格收缩算法,对点云进行局部主成分分析和Delaunay三角剖分;其次,针对树木点云拓扑结构复杂和末枝细节繁多等问题,用曲率法线流算子对点云进行收缩,针对树木枝条细长且弯曲幅度平缓等特点,利用改进后的QEM网格简化方法将三角网格折叠成一维曲线骨架;最后,将得到的曲线骨架进行连通和居中处理。该算法直接在点云上进行操作,不需要额外的信息和预处理操作,对噪声和残缺点云有良好的鲁棒性。实验证明,该算法提取的树木点云骨架充分表达了树木在自然环境下的生物性结构和特征,相对于rosa、L1-中轴等经典算法,在树木点云的骨架提取速度上提高3倍以上,枝条重建度提高25%。     

基于点云增强的网格化优化算法

针对三维点云在采用传统泊松算法进行网格化重建时,重建时间较长并且最终重建出的模型存在孔洞和局部细节缺失等问题,提出一种基于点云增强的网格化优化算法。该算法首先通过统计滤波对初始点云进行降噪处理,为了在保证细节特征的基础上提高重建效率,在通过体素滤波进行适当点云降采样的同时利用双三次样条插值进行点云孔洞修复,然后将移动最小二乘法误差函数引入到点云法向计算中以优化点云法向量的质量。实验结果表明,优化后的网格化算法较传统泊松重建算法耗时更短,并且在一定程度上提高了重建模型的准确度。     

点云模型适应性上采样算法

针对点云模型采样密度的不足,提出一种新的适应性上采样算法。算法首先采用均匀栅格法建立点云模型的拓扑关系,提高数据点K-邻域的查找效率,利用协方差矩阵求取点云模型中数据点的法向量,并用法向传播算法进行法向重定向,然后检测点云模型中采样点密度不足的区域,在采样密度不足区域的点的切向矩形平面内适应性均匀采样,并把这些采样点几乎垂直投影到点云模型所在的原始曲面上,由此得到的模型即为上采样模型。该算法得到的上采样模型可以较好地补充点云模型的细节信息,能够满足点云模型的绘制和后续几何处理的需求。     

Stacked convolutional auto-encoders for surface recognition based on 3d point cloud data

This paper addresses the problem of feature extraction for 3d point cloud data using a deep-structured auto-encoder. As one of the most focused research areas in human–robot interaction (HRI), the vision-based object recognition is very important. To recognize object using the most common geometry feature, surface condition that can be obtained from 3d point cloud data could decrease the error during the HRI. In this research, the surface normal vectors are used to convert 3D point cloud data to a surface-condition-feature map, and a sub-route stacked convolution auto-encoder (sCAE) is designed to classify the difference between the surfaces. The result of the trained filters and the classification of sCAE shows the surface-condition-feature and the specified sCAE are very effective in the variation of surface condition.     

点到邻域重心距离特征的点云拼接

不规则曲面的拼接是3维拼接中的难点,提出采用不规则曲面点与其一邻域点重心间的距离作为刚性特征对点云进行粗配准,使用迭代最邻近点算法和刚性特征进行精配准。实验结果表明,刚性特征迭代最邻近点算法的误差收敛速度显著提高。当点云为重心距离大于10的差姿态时,该算法与不进行粗配准的迭代最邻近点算法相比,收敛速度和拼接质量都有较大提高。     

基于动态网格k邻域搜索的激光点云精简算法

由非接触式扫描方法获得的点云数据存在大量的冗余点,为便于模型重构, 提出一种新的基于动态网格k邻域搜索的点云精简方法.首先,对点云进行k邻域搜索,在k邻域搜索过程中采用动态网格的方法快速寻找k邻域点;然后,根据数据点的k邻域计算点的曲率、点与邻域点法向夹角的平均值、点与邻域点的平均距离,并利用这3个参数定义特征判别参数和特征阈值,比较大小,对特征点进行提取;最后,利用包围盒法对非特征点进行二次精简,将精简后的点云与特征点拼接,实现精简目的.实验结果表明,所提出方法与其他k邻域搜索方法相比,提高了计算效率,并且将特征提取与二次精简方法相结合,既可保留模型的几何特征,又能避免空洞区域的产生,在精度和速度上都取得了较好的效果.