CN112669462B - 一种适用于扫描点云的模型处理方法及*** - Google Patents

一种适用于扫描点云的模型处理方法及*** Download PDF

Info

Publication number
CN112669462B
CN112669462B CN202110064218.3A CN202110064218A CN112669462B CN 112669462 B CN112669462 B CN 112669462B CN 202110064218 A CN202110064218 A CN 202110064218A CN 112669462 B CN112669462 B CN 112669462B
Authority
CN
China
Prior art keywords
point cloud
data
point
sub
cloud data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110064218.3A
Other languages
English (en)
Other versions
CN112669462A (zh
Inventor
唐正宗
刘世凡
任茂栋
冯超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xtop 3d Technology Shenzhen Co ltd
Original Assignee
Xtop 3d Technology Shenzhen Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xtop 3d Technology Shenzhen Co ltd filed Critical Xtop 3d Technology Shenzhen Co ltd
Priority to CN202110064218.3A priority Critical patent/CN112669462B/zh
Publication of CN112669462A publication Critical patent/CN112669462A/zh
Application granted granted Critical
Publication of CN112669462B publication Critical patent/CN112669462B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Generation (AREA)

Abstract

本发明公开了一种适用于扫描点云的模型处理方法及***,通过多幅扫描点云的快速融合将多幅密集点云快速融合成单幅密集点云,消除了模型的重叠,提高了模型的处理效率;通过单幅密集点云的快速精简,在保护模型细节的前提下实现模型数据量的大幅度降低,减少后续的处理时间及模型的存储压力;通过点云快速三角化技术将点云转变为网格模型,且不损害模型细节与特征;通过细节保护的网格去噪,在提高模型表面光顺度的同时减少了细节的损失。本发明可以在保持精度和细节特征的前提下,将多幅扫描点云快速转化为低数据量、高精度、表面光顺的网格模型。不但有效减少最终网格模型的数据量,而且大大提高了扫描数据的网格模型重建效率。

Description

一种适用于扫描点云的模型处理方法及***
技术领域
本发明涉及模型处理技术领域,尤其涉及一种适用于扫描点云的模型处理方法及***。
背景技术
近年来,三维光学测量技术凭借非接触、高效率、全场测量等优势在工业检测和逆向反求行业中迅猛发展。随着工业生产对检测和逆向过程效率及精度的提高,将零部件表面的扫描点云快速转变为高精度的三维模型成为技术核心点。
在扫描过程中,测量设备从多个角度获取零部件的表面信息并重建点云,导致扫描所得的原始点云模型数据量巨大,存在大量重复、冗余信息和噪声。因此,将多幅扫描点云快速处理成一个低数据量、低噪、完整的高精度网格模型是研究的重点。模型处理中包含了点云融合、点云精简、网格化和网格模型去噪等关键步骤。
现有的模型处理技术对于数据量小、冗余度低、噪声较低的点云可以取得较好的处理结果,但难以适用于工业扫描点云的处理。一方面,工业扫描点云因完整性和细节表达的需求,通常幅数众多、数据量巨大,且因重叠度大而包含大量冗余数据。而现有的融合、精简、网格化等过程因为追求网格规则度、均匀性等而忽视效率和数据的拷贝、存储问题。对于低数据量点云,算法耗时和数据过大带来的问题未必明显,但对于大数据量的多幅扫描点云,空间和时间问题将尤为突出。另一方面,实际扫描过程中受环境影响,扫描点云的噪声较多,而现有的网格去噪方法如拉普拉斯光顺及其各类改进算法、双边滤波以及类型众多的各向异性滤波算法往往难以从高噪点云中分离模型特征,进而导致去除噪声的同时也模糊了模型细节。
对于数据量、冗余度和噪声都较大扫描点云,现有的模型处理方法在效率、数据存储空间以及保特征去噪方面存在明显不足,因此需要一种针对扫描点云的模型处理方法及***。
发明内容
本发明目的就是为了弥补已有技术的缺陷,提供一种适用于扫描点云的模型处理方法及***。本发明技术方案的核心在于对多幅扫描数据构建了统一的空间结构,而后的点云融合、精简、网格化等关键技术均在此空间结构中进行,从而将扫描数据从多幅点云模型到单一网格模型的全流程合为整体,避免了各步骤分步处理引起的低效和数据拷贝导致的空间复杂度过大等问题。
本发明是通过以下技术方案实现的:
一种适用于扫描点云的模型处理方法,具体包括以下步骤:
S1、对初始点云数据进行预处理,再利用kdTree数据结构为预处理后的点云数据建立拓扑关系,将多层点云数据移动融合为单层点云数据;
S2、输入融合好的单层点云数据,采用分割式层次聚类的方法对点云数据进行多次子簇划分,得到基于曲率精简后的点云数据;
S3、对精简后的点云数据遍历所有顶点并通过kdTree搜索各自的邻点,通过顶点与邻点的德洛内三角化,将点云模型重建为三角网格模型;
S4、采用保特征光顺方法,实现三角网格模型的保特征精简。
步骤S1所述的对点云数据进行预处理,具体方法如下:
输入n幅有序点云数据,为点云数据增加是否为边界点的属性;
遍历每一幅点云数据,当数据点的八邻域内存在孔洞时,将该数据点置为边界点,否则将该数据点置为非边界点;
统计每一幅点云数据的平均点距di,所有数据点的平均点距为
Figure BDA0002903749400000021
为每一个数据点增加ID属性,第i幅点云数据的ID号均为i,然后将所有点云数据存储到同一容器中。
步骤S1所述的
利用kdTree查找每一个中心数据点的固定半径范围内所有邻域数据点;
当所有邻域数据点ID属性均与中心数据点属性相同,则该处为单层点云数据;
若存在领域数据点ID属性与中心数据点属性不同,则该处为存在多层点云数据,并将该多层点云数据融合为单层点云数据。
步骤S1所述的将多层点云数据移动融合为单层点云数据,具体方法如下:
在多层点云数据区域,提取出与中心数据点ID属性不同的所有数据点;
查找出每一个ID属性的邻域数据点中距离中心点最近的点,计算这些最近的点与中心数据点的质心坐标;
将中心数据点移动到质心坐标位置,将半径区域内所有与中心点ID属性不同的数据点的是否保留属性标记为非保留;
按顺序遍历所有数据点,最后提取出所有是否保留属性为保留的数据点,即为融合后的单层点云数据。
所述步骤S2的具体过程如下:
在每次对点云数据进行子簇划分分割前,先对点云数据整体进行主成分分析得到点云数据主方向,沿着经过中心点且法向为主方向的平面进行分割;一幅点云数据被分割为两个子簇,分别计算两个子簇中数据点到子簇中心的最远距离dt,当dt大于预先设定阈值dmax则递归的对两个子簇进行相同的分割操作,直到最远距离dt小于预先设定阈值dmax,开始对子簇进行曲率分析。
所述的对子簇进行曲率分析,具体方法如下:对分割好的子簇内所有数据点进行协方差分析,得到的特征值分别为λ1、λ2、λ31>λ2>λ3),该子簇对应曲率为
Figure BDA0002903749400000031
当子簇ct大于设定的曲率阈值cmax,则需要对子簇继续进行分割,直到子簇曲率小于设定阈值,停止分割;计算子簇内所有数据点到子簇中心距离,查找出距离子簇中心距离最近数据点;遍历子簇内所有数据点,除去边界点与距离子簇中心距离最近数据点,将其他数据点是否保留属性置为非保留;遍历所有数据点,将是否保留属性为保留的数据点保留下来,即为基于曲率精简后的点云数据。
所述的步骤S3的具体过程如下:
对精简所得的点云数据,遍历所有顶点并搜索各自的邻点,对邻点进行协方差分析从而拟合出顶点的局部区域的平面,将各点投影至该平面上获取二维平面点集,对该二维点集进行平面德洛内三角剖分,获取顶点的1环连接方式;将所有顶点与周边邻点的连接关系合并,得到三角网格模型。
所述的步骤S4的具体过程如下:
对三角网格模型中的三角面片法向量进行基于面积和基于质心距离的双边滤波调整,获取各面片的法向量;而后移动网格顶点位置使其邻域三角面片的法向量接近面片法向量,最终实现三角网格模型的保特征精简。
一种适用于扫描点云的模型处理***:包括有:
单层点云数据融合模块:对初始点云数据进行预处理,再利用kdTree数据结构为预处理后的点云数据建立拓扑关系,将多层点云数据移动融合为单层点云数据;
单层点云数据曲率精简模块:采用分割式层次聚类的方法对融合后的单层点云数据进行多次子簇划分,得到基于曲率精简后的点云数据;
点云模型重建模块:对精简后的点云数据遍历所有顶点并搜索各自的邻点,通过顶点与其kdTree邻域的德洛内三角化,将点云模型重建为三角网格模型;
保特征精简模块:采用保特征光顺方法,实现三角网格模型的保特征精简。
所述的对初始点云数据进行预处理,即为输入的n幅有序点云数据增加是否为边界点的属性。
本发明的优点是:本发明是一种适用于大数据量、大冗余度、高噪的扫描点云的模型处理方法,通过多幅扫描点云的快速融合将多幅密集点云快速融合成单幅密集点云,消除了模型的重叠,提高了模型的处理效率;通过单幅密集点云的快速精简,在保护模型细节的前提下实现模型数据量的大幅度降低,减少后续的处理时间及模型的存储压力;通过点云快速三角化技术将点云转变为网格模型,且不损害模型细节与特征;通过细节保护的网格去噪,在提高模型表面光顺度的同时减少了细节的损失。
本发明可以在保持精度和细节特征的前提下,将多幅扫描点云快速转化为低数据量、高精度、表面光顺的网格模型。不但有效减少最终网格模型的数据量,而且大大提高了扫描数据的网格模型重建效率。
附图说明
图1为本发明整体步骤流程示意图。
图2为边界提取示意图。
图3为多层点云融合示意图。
图4为层次聚类子簇划分示意图。
图5a、5b为基于曲率数据精简示意图。
图6为局部平面投影示意图。
图7a、7b、7c为局部平面德洛内三角化示意图。
图8a、8b、8c为孔洞填补和网格化结果示意图。
图9a、9b为网格面片法向量双边滤波示意图。
图10a、10b、10c为网格顶点调整及去噪后的网格模型示意图。
具体实施方式
本发明所提出的核心技术包括以下四点:
(1)多幅扫描点云快速融合技术
针对点云数据存在大量重叠区域的问题,本文提出多视点密集点云快速融合技术。通过建立基于k邻域的点云空间拓扑,自动快速、鲁棒地识别重叠区域,并进行移动融合,保证点云外形表达的唯一性。
(2)细节保护的快速点云精简技术
针对包含冗余数据的点云或点数量巨大的密集点云,本文提出保特征的快速点云精简技术。利用点云空间分布特性,快速减少平坦区域点数。在大幅度降低点云数量的同时,又保证了足够的高曲率特征,以提高后续配准的效率与精度。
(3)点云模型快速三角网格化技术
针对传统网格化算法效率低或可能改变点坐标的缺点,本文提出点云精度无损的快速网格化技术。通过顶点与其k邻域的德洛内三角化,将点云模型快速重建为网格模型。
(4)网格模型保特征光顺技术
针对扫描点云网格化后表面噪声大的问题,本文提出扫描网格模型的保特征光顺技术。通过“粗-精”两步滤波在保持模型边、角及其他细节特征的基础上,大幅减轻模型表面噪声;在尖锐特征处通过改变顶点拓扑连接关系达到锐化的效果。
具体实施例如下:
图1为本发明将扫描数据从多幅点云到完整网格的流程示意图。具体过程如下:遍历每一幅点云数据,当数据点的八邻域内存在孔洞时,将该数据点置为边界点,否则将该数据点置为非边界点
步骤S01:输入n幅有序点云数据,为点云数据增加边界点属性,遍历每一幅点云数据,当数据点的八邻域内存在孔洞时,将该点边界点属性置为边界点,否则将该点置为非边界点,如图2所示,所有实心点均因其八邻域内存在孔洞而被标记为边界点。统计每一幅点云数据的平均点距di,所有数据点的平均点距为
Figure BDA0002903749400000061
为每一个数据点增加ID属性,第i幅点云数据的ID号均为i。然后将所有点云数据存储到同一容器中,开始多幅点云的数据融合操作。
步骤S02:应用kdTree数据结构为容器内点云数据建立拓扑关系,首先为每一个数据点增加是否保留下来的属性,所有数据点初始化为保留,然后按顺序遍历每一幅点云数据进行点云融合,利用kdTree查找每一个中心数据点的固定半径范围内所有邻域数据点,当所有邻域数据点ID属性均与中心数据点属性相同,则表明该处为单层点云数据,不需进行处理操作。若存在邻域数据点ID属性与中心数据点属性不同,说明该处为存在多层点云数据,并将该多层点云数据融合为单层点云。
步骤S03:在多层点云数据区域,提取出与中数据心点ID属性不同的所有数据点,查找出每一个ID属性的数据点中距离中心数据点最近的点,计算这些最近的点与中心数据点的质心坐标,将中心数据点移动到质心坐标位置,将半径区域内所有与中心数据点ID属性不同的数据点的是否保留属性标记为非保留。按顺序遍历所有数据点,最后提取出所有是否保留属性为保留的数据点,即为融合后的点云数据,其效果如图3所示。
步骤S04:将融合好的单层点云数据采用分割式层次聚类的方法对点云数据进行子簇划分。每次分割前,先对点云整体进行主成分分析,得到点云数据主方向,沿着经过中心点且法向为主方向的平面进行分割。一幅点云数据被分割为两个子簇,分别计算两个子簇中数据点到子簇中心的最远距离dt,当dt大于预先设定阈值dmax则递归的对两个子簇进行相同的分割操作,如图4所示,图中随着不断递归向下分割所绘制的分割面图线逐渐变细。直到dt小于预先设定阈值dmax,开始对子簇进行曲率分析。
步骤S05:对分割好的子簇内所有数据点进行协方差分析,子簇内共m个数据点,这m个数据点的质心p,则协方差矩阵M可以表示为
Figure BDA0002903749400000071
对协方差矩阵进行特征值分解,可得到的特征值分别为λ1、λ2、λ31>λ2>λ3)。该子簇对应曲率为
Figure BDA0002903749400000072
当子簇ct大于设定的曲率阈值cmax,则需要对子簇继续进行分割,直到子簇曲率小于设定阈值,停止分割。计算子簇内所有数据点到子簇中心距离,查找出距离子簇中心距离最近数据点。遍历子簇内所有数据点,除去边界点与距离子簇中心距离最近数据点,将其他数据点是否保留属性置为非保留。遍历所有数据点,将是否保留属性为保留的数据点保留下来,即为基于曲率精简后的数据结果。对图5(a)所示点云数据进行数据精简,其精简结果如图5(b)所示。
步骤S06:遍历点云中的所有顶点,对任一顶点p搜索其邻域子簇共m个三维点,而后通过协方差分析(与步骤S05一致),获取该子簇协方差矩阵M的特征值λ1、λ2、λ31>λ2>λ3)。而后构建局部平面S,该平面以λ3对应的特征向量为法向量,经过子簇数据点的质心。将子簇内的点沿平面S的法向量方向投影至该平面上,从而将m个三维点转换为将m个二维平面点,如图6所示。
步骤S07:在平面S上构建二维坐标系,该坐标系的原点为顶点p的投影点o,X轴指向最近邻点p1的投影点v1。将各邻点的投影点与顶点p的投影点相连,并根据各自连线与X轴的夹角θ(0°≤θ≤360°)进行从小到大的排序。而后先获取平面三角形Δov1v2,将其放入三角面片集合F中,而后根据逆时针顺序再获取三角形Δov2v3,并对这两个三角形进行空圆特性判断,即判断点v3是否落在Δov1v2所在的外接圆中。若点v3不在外接圆中,则将Δov2v3放入三角面片集合F中,如图7(a)所示;若点v3在外接圆中,则将点v3从此次的平面点集中移除,转而获取三角形Δov2v4,并同样进行空圆判断直至三角面片集合F中加入第二个三角形,如图7(b)所示。而后继续逆时针顺序判断下一个三角形是否在上一个三角形的外接圆中,重复该步骤直至所有三角形均经过判断,此时即可获取以o点为中心的一个三角形集合F。该集合中的三角形顶点均不在另一个三角形的外接圆内,即形成了一个德洛内三角剖分结果,如图7(c)所示。
步骤S08:根据投影关系将二维顶点的连接关系映射至三维点云中,即平面中的二维三角形Δov2v3对应于空间中的空间三角形Δpp2p3.以此获得顶点p与邻域1环顶点间的连接关系。点云中所有顶点的1环连接关系确定后,即获得了整个点云模型顶点间的连接关系。此过程中可能存在如图8(a)所示的特殊情况。以a为顶点进行局部三角化时,产生了Δabv2和Δav7b,而在以b为顶点进行局部三角化时,产生了Δv7bv2,即网格化过程中在点a,v7,b,v2所构成的四边形内部产生了两种不同的连接方式。针对这种情况,将Δabv2、Δav7b和Δv7bv2全部删除,并留下的孔洞av7bv2。而后直接将顶点连接从而封闭该孔洞,如此即将点a与点b的连接关系合并,如图8(b)所示。对整个模型中所有点执行此操作即可获得完整的网格模型。图8(c)展示了将图5(b)网格化后的结果。
步骤S09:计算网格模型中所有三角面片的质心及法向量。遍历网格模型中每一个三角面片f,搜索与其共用一条边的面片fi。利用双边滤波统计fi对f法向量的权重wi
wi=AiBi
其中,
Figure BDA0002903749400000081
li为三角形fi质心到三角形f质心的距离;ni为三角形fi的法向量;n为三角形f的法向量;σ1为质心距离分布标准差;σ2为法向量夹角分布标准差。通过多次迭代(一般设为5次),网格中各面片法向量方向变化已经较为光顺,而由于双边滤波对边、角特征的保护特性,这些特征部分的法向量依然较好地保持了原有的方向。图9(a)、(b)分别表示了滤波前、后的面片法向量方向。
步骤S10:根据理想的法向量调整网格顶点坐标。遍历网格所有顶点,对每一个顶点p,搜索其邻域三角面片fi,获得这些三角面片的理想法向量ni以及这些三角面片三条边中以顶点p为起点的边,如图10(a)所示。根据各三角面片的理想法向量ni计算顶点p的理想法向量np
Figure BDA0002903749400000091
其中,Ti为三角形fi的面积;k为邻域三角面片数量。而后计算顶点的移动向量
Figure BDA0002903749400000092
其中,m为以顶点p为起点的边的数量。因此,顶点p在调整后的新坐标p’可表示为p’=p+Vp。经过多次迭代(一般设为5次)后,网格模型整体将趋于光顺,而边、角等特征则会因为法向量在双边滤波中被保护而被保留下来。图10(b)、(c)分别展示了噪前后的网格。
以上所述,仅为本发明具体实施方式的详细说明,然而本发明并不局限于此。对于相关技术领域的技术人员在不脱离本发明的原则和范围的情况下,做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。

Claims (7)

1.一种适用于扫描点云的模型处理方法,其特征在于,具体包括以下步骤:
S1、对初始点云数据进行预处理,再利用kdTree数据结构为预处理后的点云数据建立拓扑关系,将多层点云数据移动融合为单层点云数据;
S2、输入融合好的单层点云数据,采用分割式层次聚类的方法对点云数据进行多次子簇划分,得到基于曲率精简后的点云数据;
所述步骤S2的具体过程如下:
在每次对点云数据进行子簇划分分割前,先对点云数据整体进行主成分分析得到点云数据主方向,沿着经过中心点且法向为主方向的平面进行分割;
一幅点云数据被分割为两个子簇,分别计算两个子簇中数据点到子簇中心的最远距离dt,当dt大于预先设定阈值dmax则递归的对两个子簇进行相同的分割操作,直到最远距离dt小于预先设定阈值dmax,开始对子簇进行曲率分析;
所述的对子簇进行曲率分析,具体方法如下:
对分割好的子簇内所有数据点进行协方差分析,得到的特征值分别为λ1、λ2、λ3,λ1>λ2>λ3,该子簇对应曲率为
Figure FDA0003962125980000011
当子簇ct大于设定的曲率阈值cmax,则需要对子簇继续进行分割,直到子簇曲率小于设定阈值,停止分割;
计算子簇内所有数据点到子簇中心距离,查找出距离子簇中心距离最近数据点;
遍历子簇内所有数据点,除去边界点与距离子簇中心距离最近数据点,将其他数据点是否保留属性置为非保留;
遍历所有数据点,将是否保留属性为保留的数据点保留下来,即为基于曲率精简后的点云数据;
S3、对精简后的点云数据遍历所有顶点并通过kdTree搜索各自的邻点,通过顶点与邻点的德洛内三角化,将点云模型重建为三角网格模型;
S4、采用保特征光顺方法,实现三角网格模型的保特征精简;
所述的步骤S4的具体过程如下:
对三角网格模型中的三角面片法向量进行基于面积和基于质心距离的双边滤波调整,获取各面片的法向量;
移动网格顶点位置使其邻域三角面片的法向量接近面片法向量,最终实现三角网格模型的保特征精简。
2.根据权利要求1所述的一种适用于扫描点云的模型处理方法,其特征在于:步骤S1所述的对点云数据进行预处理,具体方法如下:
输入n幅有序点云数据,为点云数据增加是否为边界点的属性;
遍历每一幅点云数据,当数据点的八邻域内存在孔洞时,将该数据点置为边界点,否则将该数据点置为非边界点;
统计每一幅点云数据的平均点距di,所有数据点的平均点距为
Figure FDA0003962125980000021
为每一个数据点增加ID属性,第i幅点云数据的ID号均为i,然后将所有点云数据存储到同一容器中。
3.根据权利要求2所述的一种适用于扫描点云的模型处理方法,其特征在于:步骤S1所述的利用kdTree数据结构为预处理后的点云数据建立拓扑关系,具体方法如下:
利用kdTree查找每一个中心数据点的固定半径范围内所有邻域数据点;
当所有邻域数据点ID属性均与中心数据点属性相同,则该处为单层点云数据;
若存在领域数据点ID属性与中心数据点属性不同,则该处为存在多层点云数据,并将该多层点云数据融合为单层点云数据。
4.根据权利要求3所述的一种适用于扫描点云的模型处理方法,其特征在于:步骤S1所述的将多层点云数据移动融合为单层点云数据,具体方法如下:
在多层点云数据区域,提取出与中心数据点ID属性不同的所有数据点;
查找出每一个ID属性的邻域数据点中距离中心点最近的点,计算这些最近的点与中心数据点的质心坐标;
将中心数据点移动到质心坐标位置,将半径区域内所有与中心点ID属性不同的数据点的是否保留属性标记为非保留;
按顺序遍历所有数据点,最后提取出所有是否保留属性为保留的数据点,即为融合后的单层点云数据。
5.根据权利要求1所述的一种适用于扫描点云的模型处理方法,其特征在于:所述的步骤S3的具体过程如下:
对精简所得的点云数据,遍历所有顶点并搜索各自的邻点,对邻点进行协方差分析从而拟合出顶点的局部区域的平面,将各点投影至该平面上获取二维平面点集,对该二维平面点集进行平面德洛内三角剖分,获取顶点的1环连接方式;
将所有顶点与周边邻点的连接关系合并,得到三角网格模型。
6.一种适用于扫描点云的模型处理***,其特征在于:包括有:
单层点云数据融合模块:对初始点云数据进行预处理,再利用kdTree数据结构为预处理后的点云数据建立拓扑关系,将多层点云数据移动融合为单层点云数据;
单层点云数据曲率精简模块:采用分割式层次聚类的方法对融合后的单层点云数据进行多次子簇划分,得到基于曲率精简后的点云数据;
在每次对点云数据进行子簇划分分割前,先对点云数据整体进行主成分分析得到点云数据主方向,沿着经过中心点且法向为主方向的平面进行分割;
一幅点云数据被分割为两个子簇,分别计算两个子簇中数据点到子簇中心的最远距离dt,当dt大于预先设定阈值dmax则递归的对两个子簇进行相同的分割操作,直到最远距离dt小于预先设定阈值dmax,开始对子簇进行曲率分析;
对分割好的子簇内所有数据点进行协方差分析,得到的特征值分别为λ1、λ2、λ3,λ1>λ2>λ3,该子簇对应曲率为
Figure FDA0003962125980000031
当子簇ct大于设定的曲率阈值cmax,则需要对子簇继续进行分割,直到子簇曲率小于设定阈值,停止分割;
计算子簇内所有数据点到子簇中心距离,查找出距离子簇中心距离最近数据点;
遍历子簇内所有数据点,除去边界点与距离子簇中心距离最近数据点,将其他数据点是否保留属性置为非保留;
遍历所有数据点,将是否保留属性为保留的数据点保留下来,即为基于曲率精简后的点云数据;
点云模型重建模块:对精简后的点云数据遍历所有顶点并搜索各自的邻点,通过顶点与其kdTree邻域的德洛内三角化,将点云模型重建为三角网格模型;
保特征精简模块:采用保特征光顺方法,实现三角网格模型的保特征精简;
对三角网格模型中的三角面片法向量进行基于面积和基于质心距离的双边滤波调整,获取各面片的法向量;
移动网格顶点位置使其邻域三角面片的法向量接近面片法向量,最终实现三角网格模型的保特征精简。
7.根据权利要求6所述的一种适用于扫描点云的模型处理***,其特征在于:所述的对初始点云数据进行预处理,即为输入的n幅有序点云数据增加是否为边界点的属性。
CN202110064218.3A 2021-01-18 2021-01-18 一种适用于扫描点云的模型处理方法及*** Active CN112669462B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110064218.3A CN112669462B (zh) 2021-01-18 2021-01-18 一种适用于扫描点云的模型处理方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110064218.3A CN112669462B (zh) 2021-01-18 2021-01-18 一种适用于扫描点云的模型处理方法及***

Publications (2)

Publication Number Publication Date
CN112669462A CN112669462A (zh) 2021-04-16
CN112669462B true CN112669462B (zh) 2023-02-28

Family

ID=75415525

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110064218.3A Active CN112669462B (zh) 2021-01-18 2021-01-18 一种适用于扫描点云的模型处理方法及***

Country Status (1)

Country Link
CN (1) CN112669462B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344992B (zh) * 2021-05-31 2022-06-28 山东大学 一种全局点云配准方法、***、存储介质及设备
CN115578429B (zh) * 2022-11-21 2023-05-05 西北工业大学 一种基于点云数据的模具在线精度检测方法
CN116030022B (zh) * 2023-02-01 2023-06-06 天津风霖物联网科技有限公司 建筑预制构件的质量检测***及方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2674913B1 (en) * 2012-06-14 2014-07-23 Softkinetic Software Three-dimensional object modelling fitting & tracking.
CN107749079B (zh) * 2017-09-25 2020-03-17 北京航空航天大学 一种面向无人机扫描重建的点云质量评价和轨迹规划方法
CN109325998B (zh) * 2018-10-08 2023-06-30 香港理工大学 一种基于点云数据的室内3d建模方法、***及相关装置
CN110335295B (zh) * 2019-06-06 2021-05-11 浙江大学 一种基于tof相机的植物点云采集配准与优化方法
CN110363861B (zh) * 2019-07-14 2023-04-07 南京林业大学 基于激光雷达点云的田地作物三维重构方法
CN110889861A (zh) * 2019-11-15 2020-03-17 广州供电局有限公司 一种电力杆塔点云提取方法
CN111260683B (zh) * 2020-01-09 2023-08-08 合肥工业大学 一种三维点云数据的目标检测与跟踪方法及其装置
CN111986115A (zh) * 2020-08-22 2020-11-24 王程 激光点云噪声和冗余数据的精准剔除方法

Also Published As

Publication number Publication date
CN112669462A (zh) 2021-04-16

Similar Documents

Publication Publication Date Title
CN112669462B (zh) 一种适用于扫描点云的模型处理方法及***
Rutishauser et al. Merging range images of arbitrarily shaped objects
CN108830931B (zh) 一种基于动态网格k邻域搜索的激光点云精简方法
CN107123164A (zh) 保持锐利特征的三维重建方法及***
Ji et al. A novel simplification method for 3D geometric point cloud based on the importance of point
CN111696210A (zh) 一种基于三维点云数据特征轻量化的点云重构方法及***
CN107680168B (zh) 三维重建中基于平面拟合的网格简化方法
CN111652855B (zh) 一种基于存活概率的点云精简方法
CN110807781A (zh) 一种保留细节与边界特征的点云精简方法
CN110335357B (zh) 一种约束曲面多分辨率控制预处理方法
CN112634457B (zh) 基于豪斯多夫距离和平均投影距离局部熵的点云精简方法
KR100512760B1 (ko) 경계셀 축소 방식을 이용하여 3차원 측정점들로부터 3차원메쉬를 생성하는 방법
CN112651889A (zh) 一种适用于slam点云去噪的融合滤波方法、电子设备、存储介质
Wang et al. Restricted delaunay triangulation for explicit surface reconstruction
CN111507921A (zh) 一种基于低秩恢复的隧道点云去噪方法
CN115131424A (zh) 一种聚类和边界特征保持的汽车后备箱点云体积计算方法
US6041138A (en) Method and device for extracting features from gray-scale image and generating boundaries of document elements
CN114290660A (zh) 曲面分层式3d打印方法及***
El Sayed et al. An efficient simplification method for point cloud based on salient regions detection
CN106960469B (zh) 一种快速分割三角形的光滑自由变形方法
CN115147433A (zh) 点云配准方法
CN113469907B (zh) 一种基于叶片型面特征的数据简化方法及***
Li A voxel graph-based resampling approach for the aerial laser scanning of urban buildings
Salvador et al. From silhouettes to 3d points to mesh: towards free viewpoint video
Jeong et al. Neural meshes: Statistical learning based on normals

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant