CN103729886A - 一种基于顶点重定位的三角网格表面模型概率融合方法 - Google Patents

一种基于顶点重定位的三角网格表面模型概率融合方法 Download PDF

Info

Publication number
CN103729886A
CN103729886A CN201310742502.7A CN201310742502A CN103729886A CN 103729886 A CN103729886 A CN 103729886A CN 201310742502 A CN201310742502 A CN 201310742502A CN 103729886 A CN103729886 A CN 103729886A
Authority
CN
China
Prior art keywords
summit
triangle gridding
surface model
frame
triangle
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.)
Granted
Application number
CN201310742502.7A
Other languages
English (en)
Other versions
CN103729886B (zh
Inventor
熊蓉
李千山
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.)
Which Hangzhou science and Technology Co Ltd
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201310742502.7A priority Critical patent/CN103729886B/zh
Publication of CN103729886A publication Critical patent/CN103729886A/zh
Application granted granted Critical
Publication of CN103729886B publication Critical patent/CN103729886B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种基于顶点重定位的三角网格表面模型概率融合方法。它以两帧或多帧三角网格表面模型为输入，根据三角网格表面模型顶点位置的概率分布，估计模型之间重叠区域的“隐表面”，以消除因误差造成的几何上的模型不一致；实现模型数据结构上的连续一致，最终输出一幅融合后的完整三角网格表面模型；对于两帧三角网格表面模型的融合，采用两帧之间三角网格表面模型概率融合方法；对于多帧三角网格表面模型，递增式地采用两帧之间三角网格表面模型概率融合方法。本发明方法既适用于基于密集点云的表面模型，也适用于半密集点云的表面模型；考虑了表面模型的不确定性，进行了基于概率统计的融合，适用于大范围场景的模型融合。

Description

一种基于顶点重定位的三角网格表面模型概率融合方法
技术领域
本发明涉及一种三维场景重构和三维模型融合领域，尤其涉及一种基于顶点重定位的三角网格表面模型概率融合方法。
背景技术
当前的三角网格模型融合方法都只是对重叠部分三角网格顶点的重新连接，对于电脑生成的CAD模型，因其几乎不存在误差，融合后不影响视觉效果。但若对于传感器采集的真实环境数据，模型融合时重叠部分形状往往不吻合，若直接重新连接顶点，模型平整度会大大降低。 
发明内容
本发明的目的是克服现有技术的不足，提供一种基于顶点重定位的三角网格表面模型概率融合方法。
基于顶点重定位的三角网格表面模型概率融合方法是：以两帧或多帧三角网格表面模型为输入，根据三角网格表面模型顶点位置的概率分布，估计两帧或多帧三角网格表面模型之间重叠区域的“隐表面”，并将重叠区域的所有三角网格顶点重定位到局部“隐表面”上，以消除因误差造成的几何上的模型不一致；通过重新连接重定位后的顶点，实现模型数据结构上的连续一致，最终输出一幅融合后的完整三角网格表面模型；对于两帧三角网格表面模型的融合，直接采用两帧之间三角网格表面模型概率融合方法；对于多帧三角网格表面模型的融合，递增式地采用两帧之间三角网格表面模型概率融合方法，每次将一帧新的三角网格表面模型与已有模型进行两帧之间的融合，所述的两帧之间三角网格表面模型概率融合方法的具体步骤为：
1）根据传感器设备特性和数据采集方式估计三角网格表面模型数据中每个三角网格顶点                                                
Figure 794186DEST_PATH_IMAGE001
的不确定性；
2）对于两帧三角网格表面模型中的每个三角网格顶点，评估该顶点所在局部表面与另一帧的近邻情况以确认两帧数据在该位置是否重叠，并标记两帧数据中所有处于重叠区域的三角网格顶点；
3）对处于重叠区域的每个三角网格顶点
Figure 711326DEST_PATH_IMAGE001
，搜索其在本帧数据中的所有相邻三角面以及在另一帧中的最近邻的1个对应三角面，根据这些三角面顶点的位置不确定性，估计三角网格顶点在该局部区域的“隐表面”上投影
Figure 823956DEST_PATH_IMAGE002
并计算
Figure 638328DEST_PATH_IMAGE002
的不确定性；
4）重新连接重叠区域重定位后的顶点，形成连续一致的三角网格模型。
所述的步骤1）为：根据传感器设备特性和误差模型获取表示三角网格顶点
Figure 460791DEST_PATH_IMAGE001
的协方差矩阵
Figure 258982DEST_PATH_IMAGE003
，则三角网格顶点
Figure 457882DEST_PATH_IMAGE001
的不确定性可表示为概率分布
Figure 782553DEST_PATH_IMAGE004
其中
Figure 775917DEST_PATH_IMAGE005
为高斯分布，若三角网格顶点
Figure 61405DEST_PATH_IMAGE001
的协方差矩阵
Figure 798417DEST_PATH_IMAGE003
无法获知，则不考虑不确定性，以确定性模型进行计算，融合时所有顶点权重均等。
所述的步骤2）中标记两帧数据中所有处于重叠区域的三角网格顶点的方法为：遍历两帧数据中的所有点，对于此过程中的每一点，该点属于两帧数据中的某一帧，搜索另一帧三角网格中与以三角网格顶点
Figure 321802DEST_PATH_IMAGE001
为中心半径小于的范围内、数量不超过
Figure 399797DEST_PATH_IMAGE007
的所有最近点，得到顶点集
Figure 206079DEST_PATH_IMAGE005
，对于顶点集
Figure 849549DEST_PATH_IMAGE005
内顶点组成的所有三角面，若存在一个以
Figure 339043DEST_PATH_IMAGE008
、
Figure 67965DEST_PATH_IMAGE009
、
Figure 677938DEST_PATH_IMAGE010
为顶点的三角面，使得
Figure 175915DEST_PATH_IMAGE011
且
Figure 947562DEST_PATH_IMAGE012
Figure 304725DEST_PATH_IMAGE013
和
Figure 187231DEST_PATH_IMAGE014
为阈值，则认为顶点
Figure 70873DEST_PATH_IMAGE001
处于重叠区域，且顶点、
Figure 451356DEST_PATH_IMAGE009
、
Figure 527765DEST_PATH_IMAGE010
构成的三角面是三角网格顶点
Figure 335DEST_PATH_IMAGE001
的一个对应三角面。
所述的步骤3）中估计三角网格顶点
Figure 644943DEST_PATH_IMAGE001
在该局部区域的“隐表面”上投影
Figure 570173DEST_PATH_IMAGE002
并计算
Figure 201006DEST_PATH_IMAGE002
的不确定性的方法为：
Figure 262503DEST_PATH_IMAGE015
其中
Figure 546854DEST_PATH_IMAGE007
为三角网格顶点
Figure 490539DEST_PATH_IMAGE001
所在帧三角网格中与其直接相连的三角面个数，
Figure 518538DEST_PATH_IMAGE016
、
Figure 2013107425027100002DEST_PATH_IMAGE017
、
Figure 857377DEST_PATH_IMAGE018
、
Figure 578209DEST_PATH_IMAGE019
、
Figure 478032DEST_PATH_IMAGE020
、
Figure 44142DEST_PATH_IMAGE018
分别为三角网格顶点
Figure 752335DEST_PATH_IMAGE001
在本帧数据中的相邻三角面的法向量和对应的平面截距的方差，
Figure 112909DEST_PATH_IMAGE021
、
Figure 31187DEST_PATH_IMAGE022
分别为三角网格顶点
Figure 400988DEST_PATH_IMAGE001
在另一帧数据中的一个相邻三角面的法向量和平面截距的方差，利用加权最小二乘求取上式得到一种解的闭合形式
Figure 947376DEST_PATH_IMAGE023
其中，
Figure 744431DEST_PATH_IMAGE024
Figure 353267DEST_PATH_IMAGE025
Figure 57918DEST_PATH_IMAGE026
表示不确定性的协方差
Figure 443080DEST_PATH_IMAGE027
为
 。
所述的步骤4）为：对于重叠区域重定位后的每个顶点，搜索其周围半径小于
Figure 250816DEST_PATH_IMAGE006
范围内的数量不超过
Figure 647162DEST_PATH_IMAGE007
的所有最近邻点，得到的点集为
Figure 786019DEST_PATH_IMAGE005
，为点集
Figure 535493DEST_PATH_IMAGE005
拟合的平面为
Figure 785209DEST_PATH_IMAGE029
，将点集
Figure 301641DEST_PATH_IMAGE005
包含的所有点投影到平面上得到二维点集
Figure 682124DEST_PATH_IMAGE030
，利用基于局部搜索的二维三角化算法逐点建立与周围点的连接关系，将该连接关系映射回原始三维顶点，即实现了对于重叠区域重定位后顶点的重新连接。
所述的为点集
Figure 142055DEST_PATH_IMAGE005
拟合平面
Figure 981835DEST_PATH_IMAGE029
的方法为：计算点集
Figure 993654DEST_PATH_IMAGE005
的均值，得到平面
Figure 286095DEST_PATH_IMAGE029
的中心
Figure 143192DEST_PATH_IMAGE031
；计算
Figure 493271DEST_PATH_IMAGE032
的特征向量，其最小特征值对应的特征向量即为平面
Figure 144832DEST_PATH_IMAGE029
的法向量
Figure 721307DEST_PATH_IMAGE033
；平面
Figure 116516DEST_PATH_IMAGE029
的中心
Figure 71834DEST_PATH_IMAGE031
和法向量即表示了一个经过中心
Figure 426909DEST_PATH_IMAGE031
、法向量为的平面。
本发明与现有技术相比，具有的有益效果：
1.既适用于基于密集点云的表面模型，也适用于半密集点云的表面模型；
2.考虑了表面模型的不确定性，进行了基于概率统计的融合；
3.运算量与环境的大小无直接关系，仅与表面模型中顶点的数量有关，因此适用于大范围场景的模型融合。
附图说明
图1是基于顶点重定位的三角网格表面模型概率融合方法操作流程图；
图2是基于顶点重定位的三角网格表面模型概率融合方法对应三角形选取示意图；
图3是基于顶点重定位的三角网格表面模型概率融合方法顶点重定位示意图；
图4是基于顶点重定位的三角网格表面模型概率融合方法实施效果图。
具体实施方式
基于顶点重定位的三角网格表面模型概率融合方法是：以两帧或多帧三角网格表面模型为输入，根据三角网格表面模型顶点位置的概率分布，估计两帧或多帧三角网格表面模型之间重叠区域的“隐表面”，并将重叠区域的所有三角网格顶点重定位到局部“隐表面”上，以消除因误差造成的几何上的模型不一致；通过重新连接重定位后的顶点，实现模型数据结构上的连续一致，最终输出一幅融合后的完整三角网格表面模型；对于两帧三角网格表面模型的融合，直接采用两帧之间三角网格表面模型概率融合方法；对于多帧三角网格表面模型的融合，递增式地采用两帧之间三角网格表面模型概率融合方法，每次将一帧新的三角网格表面模型与已有模型进行两帧之间的融合，所述的两帧之间三角网格表面模型概率融合方法的具体步骤为：
1）根据传感器设备特性和数据采集方式估计三角网格表面模型数据中每个三角网格顶点
Figure 560267DEST_PATH_IMAGE001
的不确定性；
2）对于两帧三角网格表面模型中的每个三角网格顶点，评估该顶点所在局部表面与另一帧的近邻情况以确认两帧数据在该位置是否重叠，并标记两帧数据中所有处于重叠区域的三角网格顶点；
3）对处于重叠区域的每个三角网格顶点，搜索其在本帧数据中的所有相邻三角面以及在另一帧中的最近邻的1个对应三角面，根据这些三角面顶点的位置不确定性，估计三角网格顶点
Figure 261955DEST_PATH_IMAGE001
在该局部区域的“隐表面”上投影
Figure 998967DEST_PATH_IMAGE002
并计算的不确定性；
4）重新连接重叠区域重定位后的顶点，形成连续一致的三角网格模型。
所述的步骤1）为：根据传感器设备特性和误差模型获取表示三角网格顶点
Figure 358721DEST_PATH_IMAGE001
的协方差矩阵
Figure 334767DEST_PATH_IMAGE003
，则三角网格顶点
Figure 406629DEST_PATH_IMAGE001
的不确定性可表示为概率分布
其中
Figure 41058DEST_PATH_IMAGE005
为高斯分布，若三角网格顶点
Figure 769980DEST_PATH_IMAGE001
的协方差矩阵
Figure 379953DEST_PATH_IMAGE003
无法获知，则不考虑不确定性，以确定性模型进行计算，融合时所有顶点权重均等。
所述的步骤2）中标记两帧数据中所有处于重叠区域的三角网格顶点的方法为：遍历两帧数据中的所有点，对于此过程中的每一点，该点属于两帧数据中的某一帧，搜索另一帧三角网格中与以三角网格顶点
Figure 877930DEST_PATH_IMAGE001
为中心半径小于
Figure 383998DEST_PATH_IMAGE006
的范围内、数量不超过的所有最近点，得到顶点集
Figure 889246DEST_PATH_IMAGE005
，对于顶点集
Figure 772888DEST_PATH_IMAGE005
内顶点组成的所有三角面，若存在一个以
Figure 715436DEST_PATH_IMAGE008
、
Figure 307698DEST_PATH_IMAGE009
、
Figure 728315DEST_PATH_IMAGE010
为顶点的三角面，使得
Figure 200885DEST_PATH_IMAGE011
且
Figure 579913DEST_PATH_IMAGE012
Figure 505144DEST_PATH_IMAGE013
和
Figure 135977DEST_PATH_IMAGE014
为阈值，则认为顶点
Figure 463053DEST_PATH_IMAGE001
处于重叠区域，且顶点、、
Figure 453509DEST_PATH_IMAGE010
构成的三角面是三角网格顶点
Figure 290883DEST_PATH_IMAGE001
的一个对应三角面。
所述的步骤3）中估计三角网格顶点
Figure 746136DEST_PATH_IMAGE001
在该局部区域的“隐表面”上投影并计算
Figure 743227DEST_PATH_IMAGE002
的不确定性的方法为：
Figure 779317DEST_PATH_IMAGE015
其中为三角网格顶点
Figure 199114DEST_PATH_IMAGE001
所在帧三角网格中与其直接相连的三角面个数，、、
Figure 944981DEST_PATH_IMAGE018
、
Figure 553817DEST_PATH_IMAGE019
、、
Figure 269149DEST_PATH_IMAGE018
分别为三角网格顶点
Figure 237105DEST_PATH_IMAGE001
在本帧数据中的相邻三角面的法向量和对应的平面截距的方差，
Figure 739762DEST_PATH_IMAGE021
、
Figure 185786DEST_PATH_IMAGE022
分别为三角网格顶点
Figure 316554DEST_PATH_IMAGE001
在另一帧数据中的一个相邻三角面的法向量和平面截距的方差，利用加权最小二乘求取上式得到一种解的闭合形式
其中，
Figure 569997DEST_PATH_IMAGE024
Figure 475505DEST_PATH_IMAGE025
Figure 460779DEST_PATH_IMAGE026
表示
Figure 301696DEST_PATH_IMAGE002
不确定性的协方差
Figure 372420DEST_PATH_IMAGE027
为
Figure 425827DEST_PATH_IMAGE028
 。
所述的步骤4）为：对于重叠区域重定位后的每个顶点，搜索其周围半径小于
Figure 672131DEST_PATH_IMAGE006
范围内的数量不超过
Figure 152791DEST_PATH_IMAGE007
的所有最近邻点，得到的点集为
Figure 976391DEST_PATH_IMAGE005
，为点集
Figure 833488DEST_PATH_IMAGE005
拟合的平面为
Figure 527775DEST_PATH_IMAGE029
，将点集
Figure 333664DEST_PATH_IMAGE005
包含的所有点投影到平面
Figure 378980DEST_PATH_IMAGE029
上得到二维点集
Figure 305348DEST_PATH_IMAGE030
，利用基于局部搜索的二维三角化算法（Hardwick J C. Nested parallel 2D Delaunay triangulation method: U.S. Patent 6,088,511[P]. 2000-7-11.）逐点建立与周围点的连接关系，将该连接关系映射回原始三维顶点，即实现了对于重叠区域重定位后顶点的重新连接。
所述的为点集
Figure 854141DEST_PATH_IMAGE005
拟合平面的方法为：计算点集
Figure 615740DEST_PATH_IMAGE005
的均值，得到平面
Figure 549061DEST_PATH_IMAGE029
的中心
Figure 749098DEST_PATH_IMAGE031
；计算的特征向量，其最小特征值对应的特征向量即为平面
Figure 152584DEST_PATH_IMAGE029
的法向量
Figure 155175DEST_PATH_IMAGE033
；平面
Figure 678560DEST_PATH_IMAGE029
的中心
Figure 373984DEST_PATH_IMAGE031
和法向量
Figure 615609DEST_PATH_IMAGE033
即表示了一个经过中心
Figure 562837DEST_PATH_IMAGE031
、法向量为
Figure 940728DEST_PATH_IMAGE033
的平面。
本发明的一种典型应用是多帧采集的三角网格表面模型进行融合。对于环境模型构建等应用，传感器在多个观测点采集数据，得到了不同视角下的环境模型，通过拼合，可以确定它们的相对位置关系，并转换到统一的坐标系下。由于传感器采集过程存在误差，所采集的模型与真实环境存在差异，而在拼合的过程中，位姿转换也存在误差，因此，拼合后模型的重叠部分往往存在形状不吻合的情况。对于此，应用本发明所提出的基于顶点重定位的三角网格表面模型概率融合方法，可实现重叠部分的吻合，融合后的模型在几何上和数据结构都是连续一致的。

Claims (6)

1.一种基于顶点重定位的三角网格表面模型概率融合方法，其特征在于，以两帧或多帧三角网格表面模型为输入，根据三角网格表面模型顶点位置的概率分布，估计两帧或多帧三角网格表面模型之间重叠区域的“隐表面”，并将重叠区域的所有三角网格顶点重定位到局部“隐表面”上，以消除因误差造成的几何上的模型不一致；通过重新连接重定位后的顶点，实现模型数据结构上的连续一致，最终输出一幅融合后的完整三角网格表面模型；对于两帧三角网格表面模型的融合，直接采用两帧之间三角网格表面模型概率融合方法；对于多帧三角网格表面模型的融合，递增式地采用两帧之间三角网格表面模型概率融合方法，每次将一帧新的三角网格表面模型与已有模型进行两帧之间的融合，所述的两帧之间三角网格表面模型概率融合方法的具体步骤为：
1）根据传感器设备特性和数据采集方式估计三角网格表面模型数据中每个三角网格顶点                                                
Figure 967730DEST_PATH_IMAGE001
的不确定性；
2）对于两帧三角网格表面模型中的每个三角网格顶点，评估该顶点所在局部表面与另一帧的近邻情况以确认两帧数据在该位置是否重叠，并标记两帧数据中所有处于重叠区域的三角网格顶点；
3）对处于重叠区域的每个三角网格顶点
Figure 192038DEST_PATH_IMAGE001
，搜索其在本帧数据中的所有相邻三角面以及在另一帧中的最近邻的1个对应三角面，根据这些三角面顶点的位置不确定性，估计三角网格顶点
Figure 581431DEST_PATH_IMAGE001
在该局部区域的“隐表面”上投影
Figure 865781DEST_PATH_IMAGE002
并计算
Figure 91358DEST_PATH_IMAGE002
的不确定性；
4）重新连接重叠区域重定位后的顶点，形成连续一致的三角网格模型。
2.根据权利要求1所述的基于顶点重定位的三角网格表面模型概率融合方法，其特征在于，所述的步骤1）为：根据传感器设备特性和误差模型获取表示三角网格顶点
Figure 853777DEST_PATH_IMAGE001
的协方差矩阵
Figure 97677DEST_PATH_IMAGE003
，则三角网格顶点
Figure 552929DEST_PATH_IMAGE001
的不确定性可表示为概率分布
Figure 452752DEST_PATH_IMAGE004
其中
Figure 831912DEST_PATH_IMAGE005
为高斯分布，若三角网格顶点
Figure 868001DEST_PATH_IMAGE001
的协方差矩阵
Figure 556471DEST_PATH_IMAGE003
无法获知，则不考虑不确定性，以确定性模型进行计算，融合时所有顶点权重均等。
3.根据权利要求1所述的基于顶点重定位的三角网格表面模型概率融合方法，其特征为，所述的步骤2）中标记两帧数据中所有处于重叠区域的三角网格顶点的方法为：遍历两帧数据中的所有点，对于此过程中的每一点，该点属于两帧数据中的某一帧，搜索另一帧三角网格中与以三角网格顶点
Figure 943590DEST_PATH_IMAGE001
为中心半径小于
Figure 47812DEST_PATH_IMAGE006
的范围内、数量不超过
Figure 5318DEST_PATH_IMAGE007
的所有最近点，得到顶点集，对于顶点集
Figure 473525DEST_PATH_IMAGE005
内顶点组成的所有三角面，若存在一个以
Figure 647017DEST_PATH_IMAGE008
、
Figure 657699DEST_PATH_IMAGE009
、
Figure 438704DEST_PATH_IMAGE010
为顶点的三角面，使得
Figure 534836DEST_PATH_IMAGE011
且
Figure 43178DEST_PATH_IMAGE012
Figure 173945DEST_PATH_IMAGE013
和
Figure 312802DEST_PATH_IMAGE014
为阈值，则认为顶点
Figure 709280DEST_PATH_IMAGE001
处于重叠区域，且顶点
Figure 958995DEST_PATH_IMAGE008
、
Figure 6586DEST_PATH_IMAGE009
、
Figure 316344DEST_PATH_IMAGE010
构成的三角面是三角网格顶点
Figure 387069DEST_PATH_IMAGE001
的一个对应三角面。
4.根据权利要求1所述的基于顶点重定位的三角网格表面模型概率融合方法，其特征为，所述的步骤3）中估计三角网格顶点在该局部区域的“隐表面”上投影
Figure 93305DEST_PATH_IMAGE002
并计算
Figure 636281DEST_PATH_IMAGE002
的不确定性的方法为：
Figure 928722DEST_PATH_IMAGE015
其中
Figure 598869DEST_PATH_IMAGE007
为三角网格顶点
Figure 293156DEST_PATH_IMAGE001
所在帧三角网格中与其直接相连的三角面个数，
Figure 944717DEST_PATH_IMAGE016
、
Figure DEST_PATH_IMAGE017
、
Figure 52350DEST_PATH_IMAGE018
、
Figure 260609DEST_PATH_IMAGE019
、
Figure 809402DEST_PATH_IMAGE020
、
Figure 897444DEST_PATH_IMAGE018
分别为三角网格顶点
Figure 226794DEST_PATH_IMAGE001
在本帧数据中的相邻三角面的法向量和对应的平面截距的方差，
Figure 160115DEST_PATH_IMAGE021
、
Figure 642043DEST_PATH_IMAGE022
分别为三角网格顶点
Figure 900986DEST_PATH_IMAGE001
在另一帧数据中的一个相邻三角面的法向量和平面截距的方差，利用加权最小二乘求取上式得到一种解的闭合形式
Figure 389736DEST_PATH_IMAGE023
其中，
Figure 454644DEST_PATH_IMAGE024
Figure 978029DEST_PATH_IMAGE025
Figure 955344DEST_PATH_IMAGE026
表示
Figure 196969DEST_PATH_IMAGE002
不确定性的协方差
Figure 737672DEST_PATH_IMAGE027
为
Figure 177880DEST_PATH_IMAGE028
 。
5.根据权利要求1所述的基于顶点重定位的三角网格表面模型概率融合方法，其特征在于，所述的步骤4）为：对于重叠区域重定位后的每个顶点，搜索其周围半径小于
Figure 778626DEST_PATH_IMAGE006
范围内的数量不超过
Figure 55018DEST_PATH_IMAGE007
的所有最近邻点，得到的点集为
Figure 399411DEST_PATH_IMAGE005
，为点集
Figure 959706DEST_PATH_IMAGE005
拟合的平面为
Figure 465773DEST_PATH_IMAGE029
，将点集
Figure 681991DEST_PATH_IMAGE005
包含的所有点投影到平面上得到二维点集
Figure 730030DEST_PATH_IMAGE030
，利用基于局部搜索的二维三角化算法逐点建立与周围点的连接关系，将该连接关系映射回原始三维顶点，即实现了对于重叠区域重定位后顶点的重新连接。
6.根据权利要求4所述的基于顶点重定位的三角网格表面模型概率融合方法，其特征在于，所述的为点集
Figure 469316DEST_PATH_IMAGE005
拟合平面
Figure 907250DEST_PATH_IMAGE029
的方法为：计算点集
Figure 593446DEST_PATH_IMAGE005
的均值，得到平面
Figure 613486DEST_PATH_IMAGE029
的中心
Figure 726936DEST_PATH_IMAGE031
；计算
Figure 714483DEST_PATH_IMAGE032
的特征向量，其最小特征值对应的特征向量即为平面
Figure 938791DEST_PATH_IMAGE029
的法向量
Figure 78917DEST_PATH_IMAGE033
；平面
Figure 363268DEST_PATH_IMAGE029
的中心
Figure 510215DEST_PATH_IMAGE031
和法向量
Figure 600531DEST_PATH_IMAGE033
即表示了一个经过中心、法向量为
Figure 50415DEST_PATH_IMAGE033
的平面。
CN201310742502.7A 2013-12-30 2013-12-30 一种基于顶点重定位的三角网格表面模型概率融合方法 Active CN103729886B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310742502.7A CN103729886B (zh) 2013-12-30 2013-12-30 一种基于顶点重定位的三角网格表面模型概率融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310742502.7A CN103729886B (zh) 2013-12-30 2013-12-30 一种基于顶点重定位的三角网格表面模型概率融合方法

Publications (2)

Publication Number Publication Date
CN103729886A true CN103729886A (zh) 2014-04-16
CN103729886B CN103729886B (zh) 2016-09-14

Family

ID=50453947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310742502.7A Active CN103729886B (zh) 2013-12-30 2013-12-30 一种基于顶点重定位的三角网格表面模型概率融合方法

Country Status (1)

Country Link
CN (1) CN103729886B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104599318A (zh) * 2014-12-25 2015-05-06 北京农业信息技术研究中心 一种植物三维模型网格无缝融合的方法及系统
CN105629876A (zh) * 2016-02-16 2016-06-01 华侨大学 一种三角网格模型数控加工的多刀具优化组合选择方法
CN104050640B (zh) * 2014-06-16 2017-01-04 西安电子科技大学 一种多视角密集点云数据融合方法
CN108579091A (zh) * 2018-04-27 2018-09-28 网易（杭州）网络有限公司 虚拟场景生成方法、装置、存储介质及电子设备
CN113223159A (zh) * 2021-05-27 2021-08-06 哈尔滨工程大学 基于目标纹理虚拟化处理的单幅遥感图像三维建模方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8578494B1 (en) * 2011-03-31 2013-11-05 Rockwell Collins, Inc. Security threat detection
CN103473813A (zh) * 2013-09-18 2013-12-25 南京大学 一种三维模型构件的自动提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8578494B1 (en) * 2011-03-31 2013-11-05 Rockwell Collins, Inc. Security threat detection
CN103473813A (zh) * 2013-09-18 2013-12-25 南京大学 一种三维模型构件的自动提取方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
EUNYOUNG KIM 等: "Planar Patch based 3D Environment Modeling with Stereo Camera", 《16TH IEEE INTERNATIONAL CONFERENCE ON ROBOT & HUMAN INTERACTIVE COMMUNICATION》, 26 August 2007 (2007-08-26), pages 516 - 521 *
MATTHEW BOLITHO 等: "Multilevel Streaming for Out-of-Core Surface Reconstruction", 《EUROGRAPHICS SYMPOSIUM ON GEOMETRY PROCESSING》, 31 December 2007 (2007-12-31), pages 1 - 10 *
刘刚 等: "蒙太奇网格融合", 《软件学报》, vol. 14, no. 8, 31 December 2003 (2003-12-31), pages 1425 - 1432 *
李道伦 等: "径向基函数网络的隐式曲面方法", 《计算机辅助设计与图形学学报》, vol. 18, no. 8, 31 August 2006 (2006-08-31), pages 1142 - 1148 *
王旭东 等: "基于概率密度梯度方向的角点重定位技术", 《计算机应用》, vol. 30, no. 2, 28 February 2010 (2010-02-28) *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050640B (zh) * 2014-06-16 2017-01-04 西安电子科技大学 一种多视角密集点云数据融合方法
CN104599318A (zh) * 2014-12-25 2015-05-06 北京农业信息技术研究中心 一种植物三维模型网格无缝融合的方法及系统
CN104599318B (zh) * 2014-12-25 2017-08-04 北京农业信息技术研究中心 一种植物三维模型网格无缝融合的方法及系统
CN105629876A (zh) * 2016-02-16 2016-06-01 华侨大学 一种三角网格模型数控加工的多刀具优化组合选择方法
CN105629876B (zh) * 2016-02-16 2018-08-10 华侨大学 一种三角网格模型数控加工的多刀具优化组合选择方法
CN108579091A (zh) * 2018-04-27 2018-09-28 网易（杭州）网络有限公司 虚拟场景生成方法、装置、存储介质及电子设备
CN113223159A (zh) * 2021-05-27 2021-08-06 哈尔滨工程大学 基于目标纹理虚拟化处理的单幅遥感图像三维建模方法

Also Published As

Publication number Publication date
CN103729886B (zh) 2016-09-14

Similar Documents

Publication Publication Date Title
CN109993783A (zh) 一种面向复杂三维建筑物点云的屋顶及侧面优化重建方法
CN103729886A (zh) 一种基于顶点重定位的三角网格表面模型概率融合方法
CN103729883B (zh) 一种三维环境信息采集与重构系统及方法
CN101329771B (zh) 一种基于图像序列的城市街区的快速建模方法
CN107396374B (zh) 一种基于虚拟力和泰森多边形的覆盖方法
CN106780524A (zh) 一种三维点云道路边界自动提取方法
CN103473806A (zh) 一种基于单幅图像的服装三维模型构建方法
CN103984037A (zh) 基于视觉的移动机器人障碍物检测方法和装置
CN104661010A (zh) 三维立体模型的建立方法和装置
CN109410330A (zh) 一种基于bim技术无人机航拍建模方法
CN103413297A (zh) 基于一体化三维gis模型的切割方法
CN109472802B (zh) 一种基于边缘特征自约束的表面网格模型构建方法
CN103106632B (zh) 一种基于均值漂移的不同精度三维点云数据的融合方法
CN101404061B (zh) 三维散乱点云拓扑近邻数据查询方法
CN104363650B (zh) 一种野外条件下无线传感器网络定位优化方法
CN102496181A (zh) 面向规模化生产的真正射影像制作方法
CN107730587A (zh) 一种基于图片快速三维化交互式建模方法
CN104422396A (zh) 产品组装间隙三维分析系统及方法
Chen et al. Automatic surface repairing, defeaturing and meshing algorithms based on an extended B-rep
CN109872384B (zh) 一种基于机载lidar点云数据的杆塔自动化建模方法
CN115203778A (zh) 隧道超欠挖检测方法、装置、终端设备及存储介质
CN103793937A (zh) 一种基于密度聚类的三维几何模型的简化方法及其装置
Wang et al. Point cloud hole filling based on feature lines extraction
CN102663823A (zh) 植物器官网格曲面孔洞修补方法及系统
Ran et al. Normal estimation algorithm for point cloud using KD-Tree

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20180725

Address after: 310052 208, room 6, 1197 Binan Road, Binjiang District, Hangzhou, Zhejiang.

Patentee after: Which Hangzhou science and Technology Co Ltd

Address before: 310027 No. 38, Zhejiang Road, Hangzhou, Zhejiang, Xihu District

Patentee before: Zhejiang University