基于几何特征的兵马俑断裂面匹配方法

针对兵马俑碎块的三维数据模型中噪声含量大、断裂面存在缺损等问题,提出一种基于断裂面上几何特征的碎块精确匹配方法.首先从兵马俑碎块的外表面中分割并识别出断裂面;然后提取断裂面上凸凹不平的特征区域,并根据其相似性实现碎块的粗匹配;最后计算断裂面的曲率、法线以及点云密度等几何特征,并采用基于该几何特征的改进迭代最近点（iterative closest point,ICP）算法实现碎块的细匹配.实验采用大量兵马俑碎块验证该匹配方法,结果表明该匹配方法可以实现兵马俑碎块的匹配,特别是提出的细匹配算法,与ICP算法和MICP算法相比,其匹配精度分别提高了约40%和10%,耗时分别降低了约50%和25%;该基于几何特征的断裂面匹配方法是一种有效的兵马俑碎块匹配方法.      

基于特征的刚体碎块断裂面层次化匹配方法

刚体碎块断裂面的匹配是通过旋转和平移变换将两个断裂曲面变换到同一坐标系统下的过程。为了提高断裂面匹配的速度和精度,提出一种基于局部特征和改进迭代最近点(iterative closest point,ICP)算法的层次化的匹配方法。首先,对刚体碎块外表面进行曲面分割,并根据粗糙度提取其断裂面;然后提取断裂面的局部深度、法线的偏角和点云密度等局部特征;最后采用基于局部特征和改进ICP算法的方法来实现断裂面的精确匹配。实验结果表明,基于局部特征的断裂面匹配算法能够精确、快速地实现刚体碎块的部分匹配和完全匹配,是一种有效的刚体碎块匹配方法。     

基于改进随机抽样一致的点云分割算法

随着三维点云数据模型在三维建模、测绘、智能城市以及机器视觉等领域的应用,点云数据处理也成为一个研究热点。点云分割就是将三维空间中点云通过一系列算法,将散乱的点云数据划分成更为连贯的子集的过程,可以为后续的数据分析提供数据基础。针对随机抽样一致算法(random sample consensus, RANSAC)对杂乱、无规则点云数据分割效果不佳的问题,提出一种改进的RANSAC点云分割算法。该算法通过构建Kd(K-dimensional)树,利用半径空间密度重新定义初始点的选取方式,进行多次迭代来剔除无特征点,在实现点云分割的同时可以有效去除噪声点;此外,该算法重新设定判断准则,优化面片合并,可以实现点云的精确分割。实验通过对散乱点云数据进行分割,结果表明该改进RANSAC算法的点云特征提取数据量较大,面片分割的准确性较高,是一种有效的点云分割算法。     

基于孔洞轮廓线的颅骨配准方法

颅骨配准是颅面重建的一个关键步骤,其配准精度对颅面复原的正确性有着重要的影响。为了提高三维颅骨模型的配准精度,提出一种基于孔洞轮廓线的配准方法。首先,提取颅骨的眼眶、鼻框、颞骨、上颌骨以及下颌骨等孔洞轮廓线,并将其拟合成光滑的曲线;然后,计算轮廓线上点的曲率和挠率,并将其组成特征串,再通过匹配该特征串来匹配轮廓线,由此实现颅骨粗配准;最后,采用概率迭代最近点(Probability iterative closest point,PICP)算法将颅骨进行进一步细配准,从而实现颅骨精确配准的目的。实验结果表明,该文基于孔洞轮廓线的配准方法比已有配准方法具有更高的配准精度和收敛速度,可以实现三维颅骨模型的快速精确配准。     

基于轮廓曲线和特征区域的秦俑碎块匹配算法

为了提高秦俑碎块匹配的精度和速度,提出了基于轮廓曲线和特征区域的碎块匹配算法.提取碎块的断裂面及其轮廓曲线,并将轮廓曲线进行分段,再采用最长公共子序列算法将轮廓曲线进行匹配,以实现碎块的粗匹配;根据体积积分不变量计算碎块断裂面上所有顶点的凹凸性,并将断裂面划分为一系列或凹或凸的特征区域;计算断裂面上各个特征区域的质心,并采用改进的迭代最近点算法对质心进行匹配,以实现断裂面的细匹配.实验采用了3种匹配算法对秦俑碎块数据进行匹配,结果表明基于轮廓曲线和特征区域的匹配算法能更加精确地完成碎块断裂面的完全匹配和部分匹配,并在细匹配阶段取得了更高的迭代收敛速度.      

尺度各异刚体碎块断裂面的匹配方法

针对厚度不可忽略的刚体碎块,提出一种尺度刚体碎块匹配方法,以解决碎块匹配中的刚体变换和尺度变换的问题.采用改进的区域生长算法对碎块的外表面进行分割,并根据曲面的粗糙程度提取碎块的断裂面;通过添加尺度矩阵、旋转角约束和动态迭代系数的方式来改进迭代最近点（iterative closest point,ICP）算法,并采用该改进的ICP算法实现碎块的断裂面匹配.实验结果表明,跟ICP算法相比,改进的ICP算法不仅能够克服ICP算法不能解决的尺度变换问题,而且与尺度ICP（SICP）算法相比,可以更加精确、快速地实现碎块的断裂面匹配.