CN101510227A - 散乱点云自适应切片方法 - Google Patents

Abstract

一种用于产品逆向工程中的散乱点云自适应切片方法，其特征在于首先读取散乱点云数据文件，基于R^*－树建立点云空间索引结构，依据该结构中叶结点的分布情况计算各层切片位置，采用深度优先遍历方法快速准确地获取切片邻域数据点，依据邻域数据点与切片的位置关系，将其分为正负两个区域，通过正负区域配对点连线与切片求交获取切片数据点，实现散乱点云的自适应切片。本发明可对各种复杂型面散乱点云进行切片处理，切片数据获取精度高，算法运行速度快。

Description

散乱点云自适应切片方法

技术领域

本发明提供一种散乱点云自适应切片方法，属于产品逆向工程技术领域。

背景技术

目前的测量设备已可以高效率、高精度地采集模型外形数据，但采集的数据没有明显的拓扑关系，且数据量大，采用切片技术可在减少点云数据的同时拟合轮廓线，准确表达模型型面特征。

对现有的技术文献检索发现，Liu G H等在学术期刊《Computer-Aided Design》(2003，35(7)：633-645)上发表的论文“Error-based segmentation of cloud data for direct rapidprototyping”中计算各层数据点到相应切片的平均距离，若该距离大于阈值，则在两层切片的中间位置增加一层切片，该方法实现简单，但没有充分考虑点云的特征分布状况，自适应性差。Wu Y F等在学术期刊《Computer-Aided Design》(2004，36(1)：231-240)上发表的论文“Modelling cloud data using an adaptive slicing approach”将切片邻域数据点向初始切片投影，对投影点进行精简并构造轮廓线，计算投影点到轮廓线的最大距离，依据该距离与阈值的大小关系确定切片位置，该方法需迭代估算切片位置，算法运行效率低。柯映林等在学术期刊《计算机辅助设计与图形学学报》(2005，17(8)：1798-1802)上发表的论文“反求工程中的点云切片算法研究”中估算点云密度，依据密度值计算各层切片的位置，通过邻域数据点配对连线并与切片求交获取切片数据，最后采用Christofids算法对切片数据点进行排序，该方法随机取几个数据点估算点云密度，准确性差，直接影响点云的切片精度。

综上所述，目前的方法存在切片数据获取精度低、算法运行速度慢的问题，快速准确地对散乱点云进行自适应切片已成为本领域技术人员亟待解决的技术问题。

发明内容

为克服现有散乱点云自适应切片方法在产品逆向工程数据处理中的不足，本发明的目的在于提供一种散乱点云自适应切片方法，使之适用于各种复杂型面散乱点云，具有切片数据获取精度高，算法运行速度快的特点。其技术方案如下：

一种用于产品逆向工程中的散乱点云自适应切片方法，其特征在于包含以下步骤：一、读取产品散乱点云数据，基于R^*-树建立点云空间索引结构；二、依据点云空间索引结构中叶结点的分布情况计算切片位置；三、采用深度优先遍历方法快速准确的获取切片邻域数据点；四、对切片邻域数据点进行区域划分，分为正负两个区域；五、通过正负区域配对点连线与切片求交获取切片数据点，实现散乱点云的自适应切片。

为实现发明目的，所述的散乱点云自适应切片方法，在步骤二中，依据点云空间索引结构中叶结点的分布情况计算切片位置，方法具体是：在笛卡尔坐标系中，设切片平行于xOy平面分布，法矢n指向z轴正方向，点云在z轴上的极值为z_min与z_max，采用公式z₀＝z_min+(z_max-z_min)/100计算点云初始切片位置，采用公式 $z_{i+1}=z_i+\underset{j=0}{\overset{n}{\mathrm{\&Sigma;}}}{d}_j/k$ (z_i+1<z_max)计算其余各层切片的位置，令与第i层切片相交的叶结点集合为L，k为叶结点集合L中位于切片正侧、即d_j>0的叶结点顶点数，d_j为叶结点集合L中各叶结点的顶点距切片的距离，由公式d_i＝n·(q-v_i)(1≤i≤8)计算，v_i(1≤i≤8)为叶结点的顶点，q为切片上任意点。

为实现发明目的，所述的散乱点云自适应切片方法，在步骤三中，采用公式d_i＝n·(q-v_i)(1≤i≤8)判断叶结点与切片的位置关系，若d_i<0，表示叶结点位于切片负侧；d_i>0表示叶结点位于切片正侧，若叶结点八个顶点的d_i值均为正或负，则表示叶结点与切片相离；若d_i的值不同时为正或负，表示叶结点与切片相交，基于以上判断法则，获取与切片相交的叶结点，将其包含的数据点作为该切片邻域数据，具体步骤为：1)输入R^*-树根结点；2)如果输入结点为叶结点，判断该结点与切片的位置关系，若相交，则将该叶结点包含的数据点标识为当前切片平面的邻域数据点；3)若结点为内部结点，则循环取得当前结点的子结点，执行步骤2)。

为实现发明目的，所述的散乱点云自适应切片方法，在步骤四中，采用公式d＝n·(q-v)计算点v到切片的距离，其中n为切片的法矢，q为切片上任意一点，若d大于零，则标识该点位于切片的正侧，否则标识该点位于切片的负侧，称切片正侧的数据点组成的集合为切片的正邻域，切片负侧的数据点组成的集合为切片的负邻域。

为实现发明目的，所述的散乱点云自适应切片方法，在步骤五中，1)令p为正邻域内任一数据点，2)在负邻域内查询点p的最近点q；3)在正邻域内查询点q的最近的点p′，称p′、q为配对点；4)将配对点所在直线与切片求交，所得交点即为切片数据点；5)令p为其下一点，返回步骤2)，直到正邻域内所有数据点遍历完毕，实现散乱点云的自适应切片。

本发明与现有技术相比，具有以下优点：

1)依据点云空间索引结构中数据结点的分布状况确定各层切片的位置，在型面特征复杂的区域切片分布较为密集，在较平坦区域切片分布较为稀疏，达到了以较少数据准确表达模型信息的目的；

2)采用切片邻域数据配对点连线与切片求交，有效提高了切片数据的准确性；

3)基于散乱点云的空间索引结构，采用深度优先遍历方法快速准确地获取了切片邻域数据，有效提高了切片数据点的获取效率。

附图说明

图1是本发明散乱点云自适应切片方法程序实现流程图。

图2-图6是本发明对人头散乱点云建立的空间索引结构各层结点MBR模型图。

图7是本发明中索引结点与切片相交关系示意图。

图8是本发明中索引结点与切片相离关系示意图。

图9是本发明中切片邻域数据的区域划分示意图。

图10是本发明中切片数据点的获取示意图。

图11是人头模型的散乱点云数据。

图12是本发明对图11所示散乱点云模型切片效果示意图。

具体实施方式

下面结合附图对本发明作进一步说明：

图1是散乱点云自适应切片方法程序实现流程图，首先读入点云数据文件并为其建立数据线性表，满足顺序遍历的需要，通过散乱点云空间索引结构构建程序1建立点云空间索引结构；依据索引结构中叶索引结点的分布状况，采用程序2计算各层切片的位置；在程序3中深度优先遍历点云空间索引结构，查询与切平面相交的叶索引结点，将其包含的数据点作为切片的邻域数据点；在程序4中，依据邻域数据点与切片的位置关系，将其分为正负两个区域；在程序5中，通过正负区域数据点配对并与切片求交，计算切片数据点，实现散乱点云的自适应切片。

图2-图6是本发明调用散乱点云空间索引结构构建程序1对由激光扫描仪测得的人头散乱点云建立的空间索引结构各层结点MBR模型图。实验所用点云的数据点数为2.537万，所采用的结点最小子结点数m＝8、最大子结点数M＝20，散乱点云空间索引结构构建时间为4.296s。其中图2所示为人头散乱点云，即原始人头模型外部型面数据，图3所示为人头散乱点云空间索引结构的根索引结点的MBR，图4所示为第一层内部索引结点的MBR，图5所示为第二层内部索引结点的MBR，图6所示为叶索引结点的MBR。该模型图表明，采用空间索引结构可准确实现对产品反求工程中大规模散乱点云的空间聚类划分，具有较高的数据聚合性。

调用计算各层切片的位置程序2计算各层切片的位置。设切片平行于xOy平面分布，法矢n指向z轴正方向，点云在z轴上的极值为z_min与z_max，采用公式z₀＝z_min+(z_max-z_min)/100计算点云初始切片位置z₀，采用公式 $z_{i+1}=z_i+\underset{j=0}{\overset{n}{\mathrm{\&Sigma;}}}{d}_j/k$ (z_i+1<z_max)计算其余各层切片的位置，令与第i层切片相交的叶索引结点集合为L，k为L中位于切片正侧(即d_j>0)的叶索引结点顶点数，d_j为L中各叶索引结点的顶点距切片的距离，由公式d_i＝n·(q-v_i)(1≤i≤8)计算，v_i(1≤i≤8)为叶索引结点的顶点，q为切片上任意点。

如图7所示，若叶索引结点八个顶点的d_i值均为正(或负)，则表示叶索引结点与切片相离；如图8所示，若d_i的值不同时为正(或负)，表示叶索引结点与切片相交。基于以上判断法则，调用查询切片邻域数据程序3获取切片邻域数据，步骤具体是：1)输入R*-树根索引结点；2)如果输入结点为叶索引结点，判断该结点与切片的位置关系，若相交，则将该叶索引结点包含的数据点标识为当前切片平面的邻域数据点；3)若结点为内部索引结点，则循环取得当前结点的子结点，执行步骤2)。

对切片邻域数据点进行区域划分的具体步骤是：采用公式d＝n·(q-v)计算点v到切片的距离，其中n为切片的法矢，q为切片上任意一点，若d大于零，则标识该点位于切片的正侧，否则标识该点位于切片的负侧，称切片正侧的数据点组成的集合为切片的正邻域，切片负侧的数据点组成的集合为切片的负邻域。

调用切片邻域数据区域划分程序4对切片数据进行区域划分，采用公式d＝n·(q-v)计算点v到切片的距离，其中n为切片的法矢，q为切片上任意一点，如图9所示，依据切片邻域数据点与切片的位置关系，将其分为两部分：正邻域和负邻域，规定位于切片法矢正向的邻域数据点为正邻域，反侧的为负邻域。图9中，(0，ε₁)为正邻域，[ε₂，0)为负邻域。

调用计算切片数据点程序5获取切片领域数据。如图10所示，p为正邻域内任一数据点，获取切片数据算法步骤为：1)在负邻域内查询点p的最近点q；2)在正邻域内查询点q的最近的点p′，称(p′，q)为配对点；3)将配对点所在直线与切片求交，所得交点即为切片数据点；4)令p为其下一点，返回步骤1)，直到正邻域内所有数据点遍历完毕。

图11是本发明实施案例中的人头散乱点云模型，该模型的点数为3.19万，在额头及鼻子区域点云分布较为密集，型面特征复杂。图12是本发明实施案例中对图11所示模型的切片效果图，切片层数为50，切片后的数据点数为1.05万，从图中可以看出，在额头、鼻子等型面特征复杂区域，切片分布较为密集，其它区域切片分布较为稀疏，达到了以较少切片数据点准确表达模型信息的目的。

其它散乱点云的自适应切片方法同上。

Claims (5)

1、一种用于产品逆向工程中的散乱点云自适应切片方法，其特征在于包含以下步骤：一、读取产品散乱点云数据，基于R^*-树建立点云空间索引结构；二、依据点云空间索引结构中叶结点的分布情况计算切片位置；三、采用深度优先遍历方法快速准确的获取切片邻域数据点；四、对切片邻域数据点进行区域划分，分为正负两个区域；五、通过正负区域配对点连线与切片求交获取切片数据点，实现散乱点云的自适应切片。

2、如权利要求1所述的散乱点云自适应切片方法，其特征在于：在步骤二中，依据点云空间索引结构中叶结点的分布情况计算切片位置，方法具体是：在笛卡尔坐标系中，设切片平行于xOy平面分布，法矢n指向z轴正方向，点云在z轴上的极值为z_min与z_max，采用公式z₀＝z_min+(z_max-z_min)/100计算点云初始切片位置，采用公式 $z_{i+1}=z_i+\underset{j=0}{\overset{n}{\mathrm{\&Sigma;}}}{d}_j/k$ (z_i+1<z_max)计算其余各层切片的位置，令与第i层切片相交的叶结点集合为L，k为叶结点集合L中位于切片正侧、即d_j>0的叶结点顶点数，d_j为叶结点集合L中各叶结点的顶点距切片的距离，由公式d_i＝n·(q-v_i)(1≤i≤8)计算，v_i(1≤i≤8)为叶结点的顶点，q为切片上任意点。

3、如权利要求1所述的散乱点云自适应切片方法，其特征在于：在步骤三中，采用公式d_i＝n·(q-v_i)(1≤i≤8)判断叶结点与切片的位置关系，若d_i<0，表示叶结点位于切片负侧；d_i>0表示叶结点位于切片正侧，若叶结点八个顶点的d_i值均为正或负，则表示叶结点与切片相离；若d_i的值不同时为正或负，表示叶结点与切片相交，基于以上判断法则，获取与切片相交的叶结点，将其包含的数据点作为该切片邻域数据，具体步骤为：1)输入R^*-树根结点；2)如果输入结点为叶结点，判断该结点与切片的位置关系，若相交，则将该叶结点包含的数据点标识为当前切片平面的邻域数据点；3)若结点为内部结点，则循环取得当前结点的子结点，执行步骤2)。

4、如权利要求1所述的散乱点云自适应切片方法，其特征在于：在步骤四中，采用公式d＝n·(q-v)计算点v到切片的距离，其中n为切片的法矢，q为切片上任意一点，若d大于零，则标识该点位于切片的正侧，否则标识该点位于切片的负侧，称切片正侧的数据点组成的集合为切片的正邻域，切片负侧的数据点组成的集合为切片的负邻域。

5、如权利要求1所述的散乱点云自适应切片方法，其特征在于：在步骤五中，1)令p为正邻域内任一数据点，2)在负邻域内查询点p的最近点q；3)在正邻域内查询点q的最近的点p′，称p′、q为配对点；4)将配对点所在直线与切片求交，所得交点即为切片数据点；5)令p为其下一点，返回步骤2)，直到正邻域内所有数据点遍历完毕，实现散乱点云的自适应切片。

Images