基于邻域漂移的点云法向估计算法研究

随着三维激光扫描仪的改进和普及,获取三维点云数据的方式越来越方便.法向量作为点云数据不可或缺的属性之一,在诸多算法中具有重要作用.由于受到噪声、离群点、非均匀采样等因素的影响,准确快速估计尖锐特征点的法向量仍然是具有挑战性的.提出基于邻域漂移的点云法向估计算法,实现准确快速地对尖锐特征点的法向进行估计.首先,对当前点的近邻点构造其邻域,所有近邻点所对应的邻域构成候选邻域集.利用协方差分析对候选邻域进行评价,并选取最优邻域用于最终的法向估计.实验结果表明本算法在法向估计的质量上与前沿算法持平,在运行速度上与传统PCA算法相近,可以最大程度兼顾法向质量与计算速度.     

法向约束的多幅点云数据融合算法

针对光学测量中多幅点云的数据融合,提出了一种基于法向约束的多幅点云融合算法.该算法首先对多幅点云法向滤波,通过2幅点云的双向查找来寻找种子点,在点的法向方向寻找2幅点云中对应的k邻域,计算邻域点的加权和,而融合点是种子点沿其法向移动的结果.与平均聚类法相比,该方法获得的模型表面更加光顺,特征更明显,点的分布也更均匀,对于包含粗大匹配误差的多幅点云模型的融合具有较好的效果.     

散乱数据点云边界特征自动提取算法

提出一种散乱数据点云边界特征自动提取算法,该算法采用R* -tree动态空间索引结构组织散乱数据点云的拓扑关系,基于该结构获取采样点的k近邻点作为局部型面参考数据,以最小二乘法拟合该数据的微切平面,并将其向微切平面投影,根据采样点与其k近邻所对应投影点连线的最大夹角识别散乱点云边界特征.实例验证该算法可快速、准确地提取散乱数据点云的边界特征.     

样点邻域同构曲面约束的散乱点云曲率估计

针对现有点云曲率估计算法难以兼顾估计结果的精度与稳健性问题,提出一种样点邻域同构曲面约束的散乱点云曲率估计算法。以目标样点的邻域点集作为局部样本,采用二维Delaunay网格剖分与三维Delaunay网格过滤相结合的策略对局部样本进行曲面重建,获得插值于采样点集并与原表面拓扑同构的局部网格曲面;为稳健估计计算样点曲率所需的样点法向,通过局部网格曲面中顶点一阶邻域面的形状和尺寸确定邻域面法向的权重,以一阶邻域面法向的加权和作为法向估计结果;基于网格曲面顶点一阶邻域面初步估计样点曲率,进而根据邻域样点与目标样点间测地距离对初步估计结果进行平滑修正获得最终曲率估计结果。实验结果表明,所提算法可有效反映曲面特征并兼顾样点曲率估计的精度和稳健性,实现样点曲率的平滑过渡;相比于Meyer提出的Voronoi算法,所提算法对采样精度较高的点云数据可保证与其相当的计算精度,对存在噪声的点云数据计算精度和稳健性均可提高1～2倍。     

基于曲率图的三维点云数据配准

以曲率图作为三维点云数据的特征描述函数,并运用曲率图实现了三维点云数据的配准.对于含有噪声的点云数据,先根据每个点的邻域特性估算其曲率值,然后根据每个点及其周围邻域点的曲率值构造该点的曲率图.通过在多比例空间下曲率图的特征保持分析,可提取到最能反映该点云数据特征的特征点集.对于两两配准,这些特征点集被用于三维点云数据的粗略配准算法中,该算法利用点云内部空间点相对位置在刚性变换下的不变特性实现了特征点对的匹配,由匹配的特征点对进行坐标变换求解,完成了两三维点云的粗略配准,然后运用迭代最近点算法进行精确配准.最后将整个配准算法应用于真实的三维点云数据,结果表明该算法能有效抑制点云采样密度及噪声的影响,能够快速实现点云数据的精确配准.     

散乱点云数据的曲率精简算法

针对海量散乱点云数据精简问题,提出了以平均曲率为判据的精简算法.采用八叉树结构对点云数据进行空间分割,由分割结果建立k邻域.在散乱数据点参数化的基础上,对k邻域内的散乱点进行二次曲面拟合,求出拟合曲面的平均曲率,进而得出邻域内所有数据点的平均曲率均值,以此为判据进行数据精简.构造曲率差函数,识别出边界数据点,对其进行数据保护.结果表明,该算法对具有曲率多样化特点的点云数据精简具有一定的理论意义和应用价值.通过实验验证了该算法的可靠性和准确性.     

高斯函数约束下的多判别参数散乱点云边缘检测

设计一种散乱点云数据边缘检测算法,从而快速、精确地提取边缘特征.该算法以点云的局部特征为基础,通过分析点云数据各点的法向特性,构建各点k近邻法向夹角特征、曲率特征、距离特征,并在高斯函数的约束下完成点云边缘特征的检测.利用公共数据进行多组实验,对比不同算法下的检测效果.结果表明:该算法提取点云边缘特征的速度更快、效果更好.     

基于点云数据的牙齿表面重建算法

由三维扫描仪对牙齿进行扫描, 得到散乱的点云模型, 首先通过构建K D树的方法对每个点进行K邻域搜索; 然后根据这种邻域关系, 利用最小二乘原理拟合平面, 估算出每个点的法向量信息; 接着确定点云边界, 选取极值点作为初始点并建立种子三角形; 最后采用基于多约束的局部最优三角网格生长算法, 从种子三角形开始, 以边为扩展条件, 逐层搜索点并建立新的三角形; 在此过程中添加了四个约束条件, 能够较好的选取扩展点并对已存在的三角形边向外扩展, 从而形成互相邻接的三角形网格, 实现了牙齿表面的重建.     

采用移动最小二乘的平面散乱点集曲线重构

针对带状分布的无序散乱点集的曲线重构问题,采用移动最小二乘法对其进行二次局部加权回归和细化点云;在迭代过程中,采用逐步减小K-邻域顶点数的策略,以兼顾计算效率和精度.对细化后的点云进行重新排序和稀疏,把无序点集有序化;然后,利用现有的B样条曲线重构技术,对点云进行重构.最后,实例验证算法的有效性.     

一种基于法向量夹角的点云配准方法

点云配准是逆向工程、机器人导航、计算机视觉等领域中进行三维重建的关键问题.针对4PCS配准算法对点云数据密度变化强烈的情况表现不稳定,以及为了保证效率海量点云数据必须进行下采样而导致对应点对无法得到保证的情况,本文提出了基于法向量和邻近点数目的特征点提取方法对算法进行改进.选取一个半径范围内的点作为邻域,并通过总体最小二乘法拟合局部平面求解法向量,之后利用法向量夹角和邻域大小进行特征点提取,最后在特征点集上进行4PCS算法.因为点集基数大幅度减少并且特征明显,有效提高了4PCS算法的速度和精度.