CN114581629A - 一种基于局部质心的几何特征检测线的提取方法 - Google Patents
一种基于局部质心的几何特征检测线的提取方法 Download PDFInfo
- Publication number
- CN114581629A CN114581629A CN202210219908.6A CN202210219908A CN114581629A CN 114581629 A CN114581629 A CN 114581629A CN 202210219908 A CN202210219908 A CN 202210219908A CN 114581629 A CN114581629 A CN 114581629A
- Authority
- CN
- China
- Prior art keywords
- line
- points
- point cloud
- point
- centroid
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
- G06T17/205—Re-meshing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于局部质心的几何特征检测线的提取方法,包括几何特征点的提取、点云模型特征线的构造和点云模型特征线的结构化三个部分。本发明利用加权局部质心的一次计算可以将凸特征线、凹特征线以及边界线计算出几何特征检测线,在此基础上开发基于点云特征线结构的识别***,预计可以实现判断目标模型在场景级点云中是否存在,以此为模型的软件***具有时空复杂度、精度和鲁棒性高、移植性和扩展性强等特点。
Description
技术领域
本发明涉及三维数据处理技术领域,具体为一种基于局部质心的几何特征检测线的提取方法。
背景技术
随着经济社会的不断发展以及科学技术的不断进步,新的数据获取手段增加以及三维模拟、实物重构等理论迅速发展,人们对空间数据的需求与日俱增。通过三维扫描技术,使我们能够准确、有效地管理三维空间的位置、颜色等属性,从而获取物体表面的几何和纹理等生成点云。从而构建出实体目标的线、面、体、三维模型等数据,可存储在计算机中。而且三维点云数据与二维图像相比,体现出多方面的优势。要想使计算机能从复杂的场景中准确地检测到目标物体,利用二维图像存在诸多不足。比如,二维图像获取会受到场景的光照、姿态等因素的影响,而光照强弱和纹理形式不会影响点云数据的获取。且三维点云数据与二维图像相比,能更具体的反映被测目标在空间上的特征以及其表面特征。
三维点云场景中的物体识别与特征提取主要受到两个因素的影响,首先,真实场景具有很强的复杂性,场景中的物体种类繁多,物体不规则,且物体与物体之间存在着连接、遮挡等问题;其次,点云数据精度容易受到设备以及场景分布特点的影响,导致数据存在缺失、密度不均匀、噪声点干扰和数据量大的问题。目前,在针对场景点云的识别与提取研究中,直接对场景中物体进行传统几何方法,在遮挡严重的场景中适用性较差,难以获得预期的结果;在针对单个物体的点云的识别时,根据点云获取设备自身特性、距离物体的远近以及物体自身的大小等因素都会影响所获取点云数据的规模,从而造成识别错误等问题。
所以我们提出了一种基于局部质心的几何特征检测线的提取方法,以便于解决上述中提出的问题。
发明内容
本发明的目的在于提供一种基于局部质心的几何特征检测线的提取方法,以解决上述背景技术提出的在针对场景点云的识别与提取研究中,直接对场景中物体进行传统几何方法,在遮挡严重的场景中适用性较差,难以获得预期的结果;在针对单个物体的点云的识别时,根据点云获取设备自身特性、距离物体的远近以及物体自身的大小等因素都会影响所获取点云数据的规模,从而造成识别错误的问题。
为实现上述目的,本发明提供如下技术方案:一种基于局部质心的几何特征检测线的提取方法,包括以下步骤:
S1、几何特征点的提取:将所得三维模型进行法线一致化处理,对所述三维模型的每个点进行邻域质心计算,利用质心与其点的距离向量与法向量的夹角来对特征点种类进行划分,通过异化处理来精简所述特征点的数量;
S2、点云模型特征线的构造:通过所述步骤S1中获取的特征点来对其进行线性拟合;
S3、点云模型特征线的结构化:通过所述步骤S2中获取的三维模型的相关线性参数,统计每一条线的信息,并且计算线与线之间的相关信息加入到所统计的信息中,通过统计信息对三维模型进行结构化构造。
优选的,在步骤S1中,所述几何特征点的提取,包括以下步骤:
S10、对点云进行法线一致化处理后,对每个点内计算其k近邻的质心;
S11、利用目标点p与其邻域质心μp的特征距离d,以及所述目标点p的法线np与其距离向量之间的夹角θ,来判断所述目标点p是否为特征点以及目标点的种类;
S12、在获得了所需的特征点后,对所得的所述特征点进行精简,只留下最能代表所述三维模型特征的点。
优选的,在步骤S2中,所述点云模型特征线的构造,包括以下步骤:
S20、将所述特征点拟合为直线;
S21、计算每条直线与其所有对应的特征点之间的方差;
S22、对所述方差进行排序,获得阈值,大于所述阈值的直线根据其特征点拟合为曲线。
优选的,在步骤S20中,所述将所述特征点拟合为直线式,直线拟合采取最小二乘法,并采用空间直线标准方程来表达。
优选的,在步骤S22中,所述获得阈值,包括以下步骤:计算完所有的距离和后,对其进行排序,选择最终位于中间的30%的数据,再乘以相应的倍数作为判断曲线的阈值。
优选的,在步骤S22中,判定为所述曲线的特征点,使用贝塞尔曲线进行拟合。
优选的,在步骤S3中,所述点云模型特征线的结构化,包括以下步骤:
S30、对每一条线统计其信息;
S31、基于步骤S30中的统计值,构建关于面的信息;
S32、统计每个面线与线的关系,以及线与线的相对位置;
S33、通过所统计的信息来构造相应的形状特征,所述形状特征即为点云模型的结构化。
优选的,在步骤S30中,所述对每一条线统计其信息的步骤包括:对于直线,统计其中点以及其方向向量;对于曲线,统计其控制点以及其出入点的方向。
与现有技术相比,本发明的有益效果是:
本发明提出一种基于局部质心的几何特征检测线的提取方法,该特征检测线利用加权局部质心的一次计算可以将凸特征线、凹特征线以及边界线计算出来,在此基础上开发基于点云特征线结构的识别***,预计可以实现判断目标模型在场景级点云中是否存在,以此为模型的软件***具有时空复杂度、精度和鲁棒性高、移植性和扩展性强等特点。
附图说明
图1为本发明一种基于局部质心的几何特征检测线的提取方法的技术路线图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施条例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
形状特征是对形状的简洁表达,它抓住了形状的一些本质。特征不能完全代表形状,而且不可能从特征中重建形状。然而,如果特征成功地表达了形状的一些特性,它可以在各种应用中作为一个简洁的形状代表。形状特征的一个典型应用领域是三维形状相似与匹配。在这些应用中,从三维几何对象中提取特征并用于确定形状相似度,而不是比较完整的3D对象模型。该技术在很大程度上加速了匹配过程。更重要的是,相似性的语义是由用于比较的特征所定义的。因此,形状特征本身的性质对于快速有效地测量形状之间的相似度具有重要意义。
请参阅图1,本发明提供一种技术方案:一种基于局部质心的几何特征检测线的提取方法,将技术路线划分为几何特征点的提取、点云模型特征线的构造、点云模型特征线的结构化三个部分。
一、几何特征点的提取
原始点云数据的数量一般都比较大,有的物体点云数量可达到几万甚至几十万个点,而场景点云数量可达到几十万乃至上百万个点,如果直接用这些数据来计算,效率将会大大降低。所以对点云数据进行特征点(关键点)的提取是非常有必要的一个步骤。通过对特征点的提取,减少在后续工作中构造线性结构化的计算量。
因此,如何获得符合我们预期的特征点是这一小节主要讨论的重点。几何特征点的检测本质上是对点的分类检测,即判断点云模型的中的每一个点是否是特征点。而特征点的判断除了考虑目标点本身以外,还需要考虑其邻域内其他点的特征信息。因此,我们首先要对点云进行法线一致化处理。然后对每个点内计算其k近邻的质心,然后利用目标点p与其邻域质心μp的特征距离d以及目标点法线np与其距离向量之间的夹角θ来判断目标点是否为特征点以及目标点的种类。
在获得了所需的特征点之后,需要进一步对所得的特征点进行精简,只留下最能代表该处特征的点。在此使用异化方法来对特征点进行精简,即每一次异化将根据特征点周围的非特征点的计算,对其最外层特征点转化为非特征点。经过多次异化之后,特征点的数量减少到阈值范围之内时,则停止异化。最终得到的特征将是最能代表这个模型的点。
二、点云模型特征线的构造
在现实世界中大部分物体的轮廓都是线性表示的,如桌子的轮廓可有许多直线、曲线表示、圆也可以由闭环的曲线表示。因此,在本小节主要研究特征线的构造。
在步骤一获得了模型的特征点之后,并将其按照类别分开存储,并且对其进行线性构造。首先,我们将所得的点按照直线进行拟合。直线拟合采取最小二乘法,因为其核心思想简单、计算速度相对较快。
由于三维空间的直线方程无法采用一个方程来表达,因此采用空间直线标准方程(点向量式)来表达。直线标准方程式优点是可以只有直接存储直线的方向向量。
在对直线拟合完之后,再分别计算每条直线的原始特征点到直线之间的距离。计算完所有的距离和之后对其进行排序,选择最终位于中间的百分之三十的数据再乘以相应的倍数作为判断曲线的阈值。判定为曲线的特征点再使用贝塞尔曲线进行拟合。
三、点云模型特征线的结构化
三维模型的形状特征刻画了三维模型的几何属性,因此将点云模型中众多的点抽象为一系列具有特定意义的几何特征。在经过步骤二获得相应的特征线之后,我们在特征线的基础上构建点云模型的形状特征。
在这里采用基于统计的方法对点云模型进行结构化。首相对每一条线统计其信息,对于直线,统计其中点以及其方向向量;对于曲线,统计其控制点以及其出入点的方向。
进行了特征线的统计之后,基于其统计值,构建关于面的信息。统计每个面线与线的关系,以及线与线的相对位置等。最后通过所统计的信息来构造相应的形状特征,所得的形状特征即为点云模型的结构化。
本发明提出一种基于局部质心的几何特征检测线的提取方法,该特征检测线利用加权局部质心的一次计算可以将凸特征线、凹特征线以及边界线计算出来。在此基础上开发基于点云特征线结构的识别***,预计可以实现判断目标模型在场景级点云中是否存在。以此为模型的软件***具有时空复杂度、精度和鲁棒性高、移植性和扩展性强等特点。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于局部质心的几何特征检测线的提取方法,其特征在于,包括以下步骤:
S1、几何特征点的提取:将所得三维模型进行法线一致化处理,对所述三维模型的每个点进行邻域质心计算,利用质心与其点的距离向量与法向量的夹角来对特征点种类进行划分,通过异化处理来精简所述特征点的数量;
S2、点云模型特征线的构造:通过所述步骤S1中获取的特征点来对其进行线性拟合;
S3、点云模型特征线的结构化:通过所述步骤S2中获取的三维模型的相关线性参数,统计每一条线的信息,并且计算线与线之间的相关信息加入到所统计的信息中,通过统计信息对三维模型进行结构化构造。
2.根据权利要求1所述的基于局部质心的几何特征检测线的提取方法,其特征在于,在步骤S1中,所述几何特征点的提取,包括以下步骤:
S10、对点云进行法线一致化处理后,对每个点内计算其k近邻的质心;
S11、利用目标点p与其邻域质心μp的特征距离d,以及所述目标点p的法线np与其距离向量之间的夹角θ,来判断所述目标点p是否为特征点以及目标点的种类;
S12、在获得了所需的特征点后,对所得的所述特征点进行精简,只留下最能代表所述三维模型特征的点。
3.根据权利要求1所述的基于局部质心的几何特征检测线的提取方法,其特征在于,在步骤S2中,所述点云模型特征线的构造,包括以下步骤:
S20、将所述特征点拟合为直线;
S21、计算每条直线与其所有对应的特征点之间的方差;
S22、对所述方差进行排序,获得阈值,大于所述阈值的直线根据其特征点拟合为曲线。
4.根据权利要求3所述的基于局部质心的几何特征检测线的提取方法,其特征在于,在步骤S20中,所述将所述特征点拟合为直线式,直线拟合采取最小二乘法,并采用空间直线标准方程来表达。
5.根据权利要求3所述的基于局部质心的几何特征检测线的提取方法,其特征在于,在步骤S22中,所述获得阈值,包括以下步骤:计算完所有的距离和后,对其进行排序,选择最终位于中间的30%的数据,再乘以相应的倍数作为判断曲线的阈值。
6.根据权利要求3所述的基于局部质心的几何特征检测线的提取方法,其特征在于,在步骤S22中,判定为所述曲线的特征点,使用贝塞尔曲线进行拟合。
7.根据权利要求1所述的基于局部质心的几何特征检测线的提取方法,其特征在于,在步骤S3中,所述点云模型特征线的结构化,包括以下步骤:
S30、对每一条线统计其信息;
S31、基于步骤S30中的统计值,构建关于面的信息;
S32、统计每个面线与线的关系,以及线与线的相对位置;
S33、通过所统计的信息来构造相应的形状特征,所述形状特征即为点云模型的结构化。
8.根据权利要求7所述的基于局部质心的几何特征检测线的提取方法,其特征在于,在步骤S30中,所述对每一条线统计其信息的步骤包括:对于直线,统计其中点以及其方向向量;对于曲线,统计其控制点以及其出入点的方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210219908.6A CN114581629A (zh) | 2022-03-08 | 2022-03-08 | 一种基于局部质心的几何特征检测线的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210219908.6A CN114581629A (zh) | 2022-03-08 | 2022-03-08 | 一种基于局部质心的几何特征检测线的提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114581629A true CN114581629A (zh) | 2022-06-03 |
Family
ID=81779282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210219908.6A Pending CN114581629A (zh) | 2022-03-08 | 2022-03-08 | 一种基于局部质心的几何特征检测线的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114581629A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2615305A (en) * | 2022-01-28 | 2023-08-09 | Dyson Technology Ltd | Crevice detection |
-
2022
- 2022-03-08 CN CN202210219908.6A patent/CN114581629A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2615305A (en) * | 2022-01-28 | 2023-08-09 | Dyson Technology Ltd | Crevice detection |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104268539B (zh) | 一种高性能的人脸识别方法及*** | |
CN108303037B (zh) | 一种基于点云分析的工件表面形状差异的检测方法及装置 | |
CN109559338B (zh) | 一种基于加权主成分分析法及m估计的三维点云配准方法 | |
Nelson | Finding line segments by stick growing | |
Bab-Hadiashar et al. | Range image segmentation using surface selection criterion | |
CN107944020A (zh) | 人脸图像查找方法及装置、计算机装置和存储介质 | |
CN110544233B (zh) | 基于人脸识别应用的深度图像质量评价方法 | |
CN107767453B (zh) | 一种基于规则约束的建筑物lidar点云重构优化方法 | |
CN109272016A (zh) | 目标检测方法、装置、终端设备和计算机可读存储介质 | |
CN111144325A (zh) | 变电站电力设备的故障识别定位方法、装置及设备 | |
Zhang et al. | KDD: A kernel density based descriptor for 3D point clouds | |
CN111311702B (zh) | 一种基于BlockGAN的图像生成和识别模块及方法 | |
CN111340862A (zh) | 一种基于多特征融合的点云配准方法、装置及存储介质 | |
CN111612888A (zh) | 一种文物建筑图形的自动生成方法、***及存储介质 | |
Tabib et al. | Learning-based hole detection in 3D point cloud towards hole filling | |
CN114581629A (zh) | 一种基于局部质心的几何特征检测线的提取方法 | |
Yuan et al. | 3D point cloud recognition of substation equipment based on plane detection | |
CN106778491A (zh) | 人脸3d特征信息的获取方法及设备 | |
CN112231848B (zh) | 一种构建车辆喷涂模型的方法及*** | |
CN114627346B (zh) | 一种保留重要特征的点云数据下采样方法 | |
Yu et al. | Dynamic granularity matrix space based adaptive edge detection method for structured light stripes | |
CN114910892A (zh) | 一种激光雷达的标定方法、装置、电子设备及存储介质 | |
Ye et al. | Multi Dimension Fuzzy C-means Color Image Segmentation Based on Intelligent Analysis Algorithm | |
Ma | [Retracted] Research on Sports Video Image Based on Clustering Extraction | |
Pratikakis et al. | Learning the compositional structure of man-made objects for 3d shape retrieval |
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 |