CN102881015A - 产品模型散乱点云边界特征提取方法 - Google Patents

产品模型散乱点云边界特征提取方法 Download PDF

Info

Publication number
CN102881015A
CN102881015A CN2012103325383A CN201210332538A CN102881015A CN 102881015 A CN102881015 A CN 102881015A CN 2012103325383 A CN2012103325383 A CN 2012103325383A CN 201210332538 A CN201210332538 A CN 201210332538A CN 102881015 A CN102881015 A CN 102881015A
Authority
CN
China
Prior art keywords
point
neighbour
target sampling
product model
point cloud
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
Application number
CN2012103325383A
Other languages
English (en)
Inventor
孙殿柱
史阳
白银来
李聪
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.)
Shandong University of Technology
Original Assignee
Shandong University of Technology
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 Shandong University of Technology filed Critical Shandong University of Technology
Priority to CN2012103325383A priority Critical patent/CN102881015A/zh
Publication of CN102881015A publication Critical patent/CN102881015A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种产品模型散乱点云边界特征提取方法，其特征在于：基于R*-树建立产品模型散乱点云的动态空间索引结构，采用动态扩展空心球算法实现目标样点的k近邻点集查询，将k近邻点集的空心球半径作为带宽，利用核密度估计求解k近邻点集的模式点，计算模式点到目标样点的距离与空心球半径的比值，将其与给定阈值进行比较判断目标样点是否为边界点，进而识别散乱点云边界特征。采用本方法可快速、准确提取产品模型散乱点云的边界特征。

Description

产品模型散乱点云边界特征提取方法
技术领域
本发明提供一种产品模型散乱点云边界特征提取方法，属于产品逆向工程技术领域。
背景技术
在逆向工程领域，通常采用激光扫描仪等数据采集设备获取产品实体模型表面的散乱点云数据，产品模型散乱点云边界特征是产品实体表面边界区域的采样点，它不仅作为表达曲面的重要几何特征，而且作为求解曲面的定义域，对产品模型曲面重建的品质和精度起着重要作用，边界特征提取技术在逆向工程领域中的文物复原、曲面拼接、点云补洞等方面得到广泛应用。
对现有技术文献检索发现，李江雄在学术期刊《机械设计与制造工程》2000，29(2)，P26-28上发表的学术论文“反求工程中复杂曲面边界线的自动提取技术”及白仲栋等在学术期刊《机械科学与技术》2001，20 (4)，P481-483上发表的学术论文“复杂曲面反求工程中的边界处理技术研究”中，根据产品实体原始曲面特征对散乱点云进行投影，在投影面上对投影点进行栅格划分并根据几何判据提取边界点，将其还原到三维空间即可获取边界特征。此类方法仅适用于符合投影面特征的散乱点云，局限性大。柯映林等在学术期刊《机械工程学报》2004，9(40)，P116-120上发表的学术论文“基于点云的边界特征直接提取技术”中，首先以点云密度为基本参数将散乱点云的包围盒划分为空间栅格，通过种子边界栅格的识别和生长算法查询边界栅格并从中提取边界特征，该算法由于采用单一的点云密度无法反映散乱点云中样点的整体分布状况，所划分的空间栅格可能出现部分栅格内部样点过多或某些内部栅格为空的情况，导致所提取的边界特征存在较多的边界点缺失及噪声点，此外从边界栅格中提取边界点的过程过于繁琐，需要根据栅格所包含样点分布的几何特征区分多种边界栅格类型，增加了算法实现的难度。
发明内容
本发明要解决的技术问题是：克服现有技术的不足，提供一种产品模型散乱点云边界特征提取方法，快速、准确提取产品模型散乱点云的边界特征。
本发明解决其技术问题所采用的技术方案是：一种产品模型散乱点云边界特征提取方法，其特征在于步骤依次为：1) 基于R*-树建立产品模型点云的动态空间索引结构；2) 采用动态扩展空心球算法查询目标样点的k近邻点集，确定包含k近邻点集的最小空心球半径r；3) 根据目标样点近邻点集的几何特征确定其分布状况，通过目标样点近邻点集的缺失情况判断其是否为边界点，识别点云边界特征。
为实现发明目的，所述的产品模型散乱点云边界特征提取方法，在步骤3)中，根据目标样点近邻点集的几何特征确定其分布状况，通过目标样点近邻点集的缺失情况判断其是否为边界点，具体方法是：设 x 为散乱点云中任一点，其k近邻点集的向量集合为                                                
Figure 2012103325383100002DEST_PATH_IMAGE001
，依据核密度估计公式及其梯度估计公式，提取出点集模式点的计算公式
Figure 2012103325383100002DEST_PATH_IMAGE002
，
其中，h为核函数K(x)的带宽，取值为包含目标样点k近邻点集的最小空心球半径r，函数g(x)满足
Figure 2012103325383100002DEST_PATH_IMAGE003
，其中k(x)为核函数K(x)的轮廓函数，满足
Figure 2012103325383100002DEST_PATH_IMAGE004
，k ’(x)为k(x)的导数，通过计算公式获得目标样点k近邻点集的模式点 m ( x )，计算模式点到目标样点的距离d=|| m ( x ) –  x ||，求解距离d与核函数带宽h的比值e，将e与预设阈值
Figure 2012103325383100002DEST_PATH_IMAGE005
比较，若e >，则目标样点为边界点；否则目标样点为内部点（根据经验，
Figure 936990DEST_PATH_IMAGE005
取0.2~0.3时可得到较理想的边界特征）。
本发明与现有技术相比，具有以下优点：
1) 采用R*-树建立散乱点云的动态空间索引结构，可反映散乱点云样点的整体分布情况，基于该结构实现的样点近邻查询更为准确，有效提高了算法对复杂产品模型的适应性；
2) 采用自适应带宽的核密度估计求解样点对应的模式点，使得边界点的判别只依赖于样点近邻点集的空间分布，避免了因样点分布不均造成的边界点误判，从而防止了噪声点的出现，并且显著提高了边界特征提取的精度；
3) 边界特征提取对参数的依赖性降低，仅需设定近邻点数和特征阈值，并可根据需求调整阈值，实现了边界特征提取精度的可控性。
附图说明
图1 是本发明程序流程图；
图2是本发明实施例一中的钣金件产品模型点云；
图3~图6是图1所示实施例一钣金件产品模型点云空间索引结构及目标样点k近邻查询从根结点到叶节点的查询过程；
图7是目标样点k近邻点集及其空心球；
图8是目标样点k近邻点集模式点的示意图；
图9是实施例一提取的边界特征点；
图10是本发明实施例二中的米老鼠产品模型点云；
图11是本发明实施例二提取的米老鼠产品模型散乱点云的边界特征点。
具体实施方式
下面结合附图及实施例对本发明作进一步说明。
图1是本发明产品模型散乱点云边界特征提取方法程序实现流程图。首先建立产品模型散乱点云的R*-树动态空间索引结构，其中将索引结构各结点统一表示为四维点对象，采用k-means算法对产品模型点云进行聚类分簇，完成产品模型点云动态空间索引结构的建立；采用动态空心球扩展算法查询目标样点的k近邻点集并获得空心球半径r；将k近邻点集作为样本数据，利用核密度估计获得的模式点计算公式求解模式点；计算模式点到目标样点的距离d=|| m ( x ) –  x ||，求解距离d与空心球半径r的比值e，将e与预设阈值
Figure 495010DEST_PATH_IMAGE005
比较，若e >，则目标样点为边界点；否则目标样点为内部点，根据经验，取0.2~0.3时可得到较理想的边界特征。
实施例一：提取如图2所示钣金件产品模型散乱点云的边界特征。
图3~图6是图2所示实施例一中产品模型点云及其空间索引结构模型图，实验所用点云的数据点数为9671，建树的相关参数为结点最小子结点数m=8、最大子结点数M＝15，结点重新插入次数R=13，产品模型点云动态空间索引结构构建时间为2.247秒。采用深度优先遍历方法获取目标样点所在的叶节点，并利用动态扩展空心球查找与其相交的叶节点，最终根据近邻点数k确定包含目标样点的叶节点及其近邻叶节点。其中图3显示了钣金件产品模型点云动态空间索引结构根结点，图4和图5显示了内部结点及其查询过程获取的内部结点，图6显示了叶结点及最终获取的k近邻查询的叶节点。
图7是本实施例获取目标样点的k近邻点集及其空心球。取点云数据文件中第一个点 p  (8.6080, 26.8173, 26.0836)为目标样点，查询其k近邻点集 (取)，采用深度优先遍历方法遍历散乱点云动态空间索引结构，获得如上述图6所示的叶节点，从叶节点中提取出距离目标样点最近的k个数据点，距离目标样点p(8.6080, 26.8173, 26.0836)最远的点为(6.7132, 23.5928, 25.5261)，则确定包含k近邻点集的最小空心球半径r=3.781mm。
图8是实施例获取目标样点k近邻点集模式点的示意图。目标样点k近邻点集表示为向量集合，包含k近邻点集的最小空心球半径r=3.781mm，核函数选取高斯核
Figure 2012103325383100002DEST_PATH_IMAGE007
，将其带入到模式点求解公式中获得公式：
Figure 2012103325383100002DEST_PATH_IMAGE008
利用此公式解得目标样点k近邻点集的模式点 m ( x )=(7.9606, 26.3011, 27.7049)。
利用向量距离求解方法计算模式点 m ( x )到目标样点 p 的距离d=|| m ( x )– p ||，求解结果d=1.820mm，所以距离d与空心球半径r的比值e=0.481，大于设定阈值(取
Figure 997536DEST_PATH_IMAGE005
=0.25)，所以目标样点为边界点。
判断其它各点是否为边界点方法同上，提取的边界点如图9所示，提取时间为0.189s。
实施例二：提取如图10米老鼠产品模型散乱点云的边界特征，方法同上，提取的边界特征点如图11所示，提取时间为0.147s。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (2)

1.一种产品模型散乱点云边界特征提取方法，其特征在于步骤依次为：1) 基于R*-树建立产品模型散乱点云的动态空间索引结构；2) 采用动态扩展空心球算法查询目标样点的k近邻点集，确定包含k近邻点集的最小空心球半径r；3)根据目标样点近邻点集的几何特征确定其分布状况，通过目标样点近邻点集的缺失情况判断其是否为边界点，识别点云边界特征。
2.如权利要求1所述的产品模型散乱点云边界特征提取方法，其特征在于：在步骤3)中，根据目标样点近邻点集的几何特征确定其分布状况，通过目标样点近邻点集的缺失情况判断其是否为边界点，具体方法是：设 x 为散乱点云中任一点，其k近邻点集的向量集合为                                                ，依据核密度估计公式及其梯度估计公式，提取出点集模式点的计算公式
Figure 2012103325383100001DEST_PATH_IMAGE002
，
其中，h为核函数K(x)的带宽，取值为包含目标样点k近邻点集的最小空心球半径，函数g(x)满足
Figure 2012103325383100001DEST_PATH_IMAGE003
，其中k(x)为核函数K(x)的轮廓函数，满足
Figure 2012103325383100001DEST_PATH_IMAGE004
，
Figure 2012103325383100001DEST_PATH_IMAGE005
为k(x)的导数，通过计算公式获得目标样点k近邻点集的模式点 m ( x )，计算模式点到目标样点的距离d=|| m ( x ) –  x ||，求解距离d与核函数带宽h的比值e，将e与预设阈值
Figure 2012103325383100001DEST_PATH_IMAGE006
比较，若e >，则目标样点为边界点；否则目标样点为内部点，
Figure 717195DEST_PATH_IMAGE006
取值范围为0.2~0.3。
CN2012103325383A 2012-09-11 2012-09-11 产品模型散乱点云边界特征提取方法 Pending CN102881015A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2012103325383A CN102881015A (zh) 2012-09-11 2012-09-11 产品模型散乱点云边界特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012103325383A CN102881015A (zh) 2012-09-11 2012-09-11 产品模型散乱点云边界特征提取方法

Publications (1)

Publication Number Publication Date
CN102881015A true CN102881015A (zh) 2013-01-16

Family

ID=47482328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012103325383A Pending CN102881015A (zh) 2012-09-11 2012-09-11 产品模型散乱点云边界特征提取方法

Country Status (1)

Country Link
CN (1) CN102881015A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096618A (zh) * 2016-06-20 2016-11-09 山东理工大学 三维实物局部型面特征参考数据的获取方法
CN106126571A (zh) * 2016-06-20 2016-11-16 山东理工大学 n维点集的增量式k近邻查询方法
CN106918813A (zh) * 2017-03-08 2017-07-04 浙江大学 一种基于距离统计的三维声纳点云图像增强方法
CN108830931A (zh) * 2018-05-23 2018-11-16 上海电力学院 一种基于动态网格k邻域搜索的激光点云精简方法
CN109934120A (zh) * 2019-02-20 2019-06-25 东华理工大学 一种基于空间密度和聚类的分步点云噪声去除方法
CN111553343A (zh) * 2020-04-01 2020-08-18 青岛联合创智科技有限公司 一种激光点云特征的提取方法
CN112348781A (zh) * 2020-10-26 2021-02-09 广东博智林机器人有限公司 一种基准面高度检测方法、装置、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101510308A (zh) * 2009-03-26 2009-08-19 山东理工大学 产品模型点云边界特征快速提取方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101510308A (zh) * 2009-03-26 2009-08-19 山东理工大学 产品模型点云边界特征快速提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHENG Y.: "MEAN SHIFT, MODE SEEKING, AND CLUSTERING.", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
宋洋 等: "物体表面采样数据近似最小包围盒快速求解", 《农业装备与车辆工程》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096618A (zh) * 2016-06-20 2016-11-09 山东理工大学 三维实物局部型面特征参考数据的获取方法
CN106126571A (zh) * 2016-06-20 2016-11-16 山东理工大学 n维点集的增量式k近邻查询方法
CN106126571B (zh) * 2016-06-20 2019-07-12 山东理工大学 实物表面采样数据的增量式k近邻查询方法
CN106918813A (zh) * 2017-03-08 2017-07-04 浙江大学 一种基于距离统计的三维声纳点云图像增强方法
CN108830931A (zh) * 2018-05-23 2018-11-16 上海电力学院 一种基于动态网格k邻域搜索的激光点云精简方法
CN108830931B (zh) * 2018-05-23 2022-07-01 上海电力学院 一种基于动态网格k邻域搜索的激光点云精简方法
CN109934120A (zh) * 2019-02-20 2019-06-25 东华理工大学 一种基于空间密度和聚类的分步点云噪声去除方法
CN111553343A (zh) * 2020-04-01 2020-08-18 青岛联合创智科技有限公司 一种激光点云特征的提取方法
CN111553343B (zh) * 2020-04-01 2023-04-25 青岛联合创智科技有限公司 一种激光点云特征的提取方法
CN112348781A (zh) * 2020-10-26 2021-02-09 广东博智林机器人有限公司 一种基准面高度检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN102881015A (zh) 产品模型散乱点云边界特征提取方法
CN107423769B (zh) 基于形态特征的电力负荷曲线自适应聚类方法
CN106803253B (zh) 一种三维岩石图像裂缝识别方法
WO2014082585A1 (zh) 一种基于地形网格的大陆坡脚点自动识别方法
CN102945551B (zh) 一种基于图论的三维点云数据平面提取方法
CN108320293A (zh) 一种结合改进粒子群算法的快速点云边界提取技术
CN104850712B (zh) 实物表面采样数据拓扑邻域查询方法
CN102799763A (zh) 一种基于点云姿态标准化的点云线特征提取方法
CN107885787A (zh) 基于谱嵌入的多视角特征融合的图像检索方法
CN102663723A (zh) 一种基于颜色样本与电场模型的图像分割方法
CN101510308A (zh) 产品模型点云边界特征快速提取方法
CN103955719A (zh) 滤波器组训练方法及系统和图像关键点定位方法及系统
CN109872384B (zh) 一种基于机载lidar点云数据的杆塔自动化建模方法
Xiao A clustering algorithm based on artificial fish school
Zhao et al. A feature preserving algorithm for point cloud simplification based on hierarchical clustering
CN104598873A (zh) 一种门锁三维人脸识别方法
CN104700458A (zh) 实物表面采样数据边界样点识别方法
Cui et al. Weighted particle swarm clustering algorithm for self-organizing maps
CN107452065A (zh) 实物表面采样数据的边界样点识别方法
CN109063733A (zh) 一种基于双参数离群因子的离群点检测方法
Li et al. Building boundaries extaction from point clouds using dual-threshold Alpha Shapes
Zhang et al. Adaptive kernel-bandwidth object tracking based on Mean-shift algorithm
Ke-xing et al. Weak connection edges independent discriminant of rapid spanning tree recommendation of social network community
CN106503143A (zh) 一种图像检索方法及装置
Eidous Additive histogram frequency estimator for wildlife abundance using line transect data without the shoulder condition

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20130116