CN105005995B - 一种计算三维点云模型骨骼的方法 - Google Patents

Abstract

本发明公开了一种计算三维点云模型骨骼的方法；本发明首先通过使用逐步细分的策略将三维点云模型均匀体素化；此后，使用快速行军算法，计算出模型内部体素点的距离域；然后，使用距离域计算出模型的初始骨骼；最后，将初始骨骼与L₁中值骨骼提取算法融合，生成基于距离域的L₁中值骨骼提取算法，快速准确计算出模型骨骼；与现有的三维点云模型骨骼提取方法相比，本发明处理带有大量噪声点、奇异点和大面积点云缺失的点云模型，而且不会产生错误的骨骼连接，同时不需要太多参数。

Description

一种计算三维点云模型骨骼的方法

技术领域

本发明属图形处理技术领域，尤其涉及一种三维点云模型骨骼提取方法。

背景技术

随着三维扫描设备的普及，三维点云模型数量越来越多。但通过普通三维扫描设备获得的三维点云，由于硬件自身的精度、拍摄角度、光照、三维物体自身相互遮挡和用户使用设备不当，生成的点云模型包含大量的噪声点、奇异点和大面积的点云缺失。模型骨骼有众多应用，例如在医学上，骨骼可以用于进行内窥镜检查，此外，在计算机图形学方面，骨骼可用于控制人物网格模型运动，生成骨骼动画，也可用于驱动点云模型进行配准，完成点云模型修复的目的。

然而，三维模型骨骼获取仍有很大的问题，尤其对于直接扫描获得的，带有大量噪声和大面积点云缺失的模型。首先，因为点云模型没有拓扑连接信息，很难通过模型拓扑关系提取骨骼。其次，点云模型质量较差，往往有大面积点云缺失，大量噪声点和奇异点，增加了骨骼提取的难度。最后骨骼提取是病态的问题，现存的骨骼提取方法为了计算出较好的骨骼结果，需要调试大量参数，导致算法实用性降低。为了满足实际需求，当前迫切需要一种适用范围广，效果显著的视频背景修复方法。

发明内容

本发明为了解决上述的技术问题，提出了一种三维点云模型骨骼提取方法。本发明的技术方案是：一种三维点云模型骨骼提取方法，包括下述步骤：

步骤1，用户指定输入三维点云模型Q为三维空间R³中模型，q_j为模型上的顶点，J是三维点云模型顶点的索引，所述的三维点云模型包含噪声点、奇异点和点云缺失；从三维点云模型顶点上随机选取采样点集X＝{x_i}_i∈I，I是采样点集X的索引，采样点x_i最终向三维点云模型内部移动，构成三维点云模型骨骼；

步骤2，将三维点云模型均匀体素化；

步骤3，计算出三维点云模型距离域DT，三维点云模型体素化之后，使用快速行军算法，计算出模型内部体素点的距离域；

步骤4，计算三维点云模型初始骨骼s_k为骨骼点，K为初始骨骼点集的索引，计算出三维点云模型距离域后，使用三维点云模型距离域，计算三维点云模型初始骨骼；

步骤5，将初始骨骼点和L₁第一范式中值骨骼提取算法进行融合，生成基于距离域的L₁第一范式中值骨骼提取算法，通过最小化以下能量方程，计算出三维点云模型的完整骨骼；

其中，I是采样点集X的索引，J是模型Q顶点的索引，权重函数是一个快速衰减的平滑函数，r为距离值，其支持半径为h，参数σ_i通过加权PCA主成分分析算法计算，用于检测骨骼段的生成，{γ_i}_i∈I为X的平衡常数，K为初始骨骼点集的索引，权重函数x_i'为非x_i的点；对圆心为采样点x_i，半径为h的球体，球体包含所有点个数为n，球体包含的初始骨骼点个数为N；

步骤6，将骨骼按照规定结构，所述的规定结构为骨骼由骨骼点构成的结构，相邻骨骼点通过直线连接，计算出三维点云模型的一维曲线骨骼，完成骨骼提取。

优选的，所述的步骤2中还包括如下步骤：

步骤2.1，计算出三维点云模型的包围盒；

步骤2.2，用户指定初始分割精度和最终分割精度，将包围盒按照用户指定的初始分割精度进行均匀分割；

步骤2.3，标识边界体素；如果大体素包含三维点云模型顶点，则大体素为边界体素，然后使用泛洪算法，标识外部体素，选择一个外部体素作为种子点，判断该体素26邻域中的体素是否为边界体素，如果邻居体素不是边界体素，则将邻居体素标记为外部体素，从邻居体素开始继续扩展；如果是边界体素，则该邻居体素不再参加扩展；直至所有外部体素被标记，最终剩下的体素为内部体素；

步骤2.4，将体素进行细分，直到分割至用户指定精度。

优选的，所述的步骤2.4中按如下方法将体素进行细分：在每一次细分前，首先对所有体素进行3×3×3均匀分割，将每一个体素分割为27个小体素，重新判断边界体素的类别，如果分割后的小边界体素包含三维点云模型顶点，该体素仍标识为边界体素；如果小边界体素的26邻域中有外部体素，将该体素标识为外部体素；否则，该体素标识为内部体素，重复执行步骤2.4，不断生成新的外部体素、内部体素、边界体素，直到分割至用户指定精度。

优选的，所述的步骤4中还包括如下步骤：

步骤4.1，根据三维点云模型内部体素点p，判断是否成立，其中DT_p是体素点p的距离域，是点p的26邻居的平均距离域，TP₁是26邻居的厚度参数；

步骤4.2，根据三维点云模型内部体素点p，判断是否成立，是点p的63邻居的平均距离域，TP₂是63邻居时的厚度参数；

步骤4.3，根据三维点云模型内部体素点p，判断是否成立，是点p的124邻居的平均距离域，TP₃是124邻居时的骨骼厚度参数；

步骤4.4，如果三维点云模型内部体素点p满足步骤4.1,、4.2、4.3中的条件，则p为初始骨骼点；否则表明内部体素点p不为初始骨骼点。

优选的，所述的步骤5中还包括如下步骤：

步骤5.1，使用高斯-牛顿算法最小化以下能量方程，计算出三维点云模型的一维曲线骨骼；

步骤5.2，当采样点x_i移动时，使用计算出的三维点云模型距离域信息；

步骤5.3，利用初始骨骼点和三维点云模型距离域的信息，对每一个采样点，计算出其最合适的支持半径，即如果采样点位于模型中心，则支持半径长度为模型中心到模型边界的距离域值。由圆心为采样点半径为所构成的球体包含N个初始骨骼点s_j,j∈N，使用如下公式计算出初始骨骼点的中心：

其中，权重函数是一个快速衰减的平滑函数，如果中心center与间的距离小于体素边长，表明已经位于三维点云模型中心，则下一次迭代时，设置其支持半径值为包含中心center的体素的距离域值，如果两点间距离大于体素边长，表明采样点还需继续收敛，向三维点云模型内部移动，此时支持半径按规定比例增大，其中radio为半径增长率；

步骤5.4，对采样点向模型内部收敛，逐渐生成的不同骨骼段进行连接，形成完整骨骼，

优选的，所述的步骤5.4中，使用桥点将骨骼段进行连接，通过三维点云模型体素类别，标记出三维点云模型内部体素和外部体素，如果骨骼段端点与桥点的连线穿过三维点云模型外部，则重新选择。

优选的，所述的使用桥点将骨骼段进行连接时，判断连线与外部体素是否相交，如果没有相交，将两个骨骼段进行连接；如果相交，桥点选择错误，重新选择桥点。

本发明的有益效果是：一种三维点云模型骨骼提取方法首先通过使用逐步细分的策略将三维点云模型均匀体素化；此后，使用快速行军算法，计算出模型内部体素点的距离域；然后，使用距离域计算出模型的初始骨骼；最后，将初始骨骼与L₁中值骨骼提取算法融合，生成基于距离域的L₁中值骨骼提取算法，快速准确计算出模型骨骼；与现有的三维点云模型骨骼提取方法相比，本发明处理带有大量噪声点、奇异点和大面积点云缺失的点云模型，而且不会产生错误的骨骼连接，同时不需要太多参数。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

参照图1，本发明的流程图，一种计算三维点云模型骨骼的方法，包括下述步骤：

步骤1，用户指定输入三维点云模型Q为三维空间R³中模型，q_j为模型上的顶点，J是三维点云模型顶点的索引，所述的三维点云模型包含噪声点、奇异点和点云缺失；从三维点云模型顶点上随机选取采样点集X＝{x_i}_i∈I，I是采样点集X的索引，采样点x_i最终向三维点云模型内部移动，构成三维点云模型骨骼；

步骤2，将三维点云模型均匀体素化；所述的步骤2中还包括如下步骤：

步骤2.1，计算出三维点云模型的包围盒。

步骤2.2，点云模型包含大量点云缺失，所以采用逐渐细分的策略对模型进行体素化，用户指定初始分割精度和最终分割精度，将包围盒按照用户指定的初始分割精度进行均匀分割；

步骤2.3，标识边界体素；如果大体素包含三维点云模型顶点，则大体素为边界体素，然后使用泛洪算法，标识外部体素，选择一个外部体素作为种子点，判断该体素26邻域中的体素是否为边界体素，如果邻居体素不是边界体素，则将邻居体素标记为外部体素，从邻居体素开始继续扩展；如果是边界体素，则该邻居体素不再参加扩展；直至所有外部体素被标记，最终剩下的体素为内部体素；

步骤2.4，此时体素边长较大，直接使用这种尺度的体素，计算出的距离域不会很精确。将体素进行细分，直到分割至用户指定精度；

步骤2.4中按如下方法将体素进行细分：在每一次细分前，首先对所有体素进行3×3×3均匀分割，将每一个体素分割为27个小体素，对外部体素和内部体素进行分割后，其对应小体素类别与大体素一致，不发生改变。对于分割后的边界体素，重新判断边界体素的类别，如果分割后的小边界体素包含三维点云模型顶点，该体素仍标识为边界体素；如果小边界体素的26邻域中有外部体素，将该体素标识为外部体素；否则，该体素标识为内部体素，重复执行步骤2.4，不断生成新的外部体素、内部体素、边界体素，直到分割至用户指定精度。

步骤3，计算出三维点云模型距离域DT，三维点云模型体素化之后，使用快速行军算法，计算出模型内部体素点的距离域；

步骤4，计算三维点云模型初始骨骼s_k为骨骼点，K为初始骨骼点集的索引，计算出三维点云模型距离域后，使用三维点云模型距离域，计算三维点云模型初始骨骼；

所述的步骤4中还包括如下步骤：

步骤4.1，根据三维点云模型内部体素点p，判断是否成立，其中DT_p是体素点p的距离域，是点p的26邻居的平均距离域，TP₁是26邻居的厚度参数；

步骤4.2，根据三维点云模型内部体素点p，判断是否成立，是点p的63邻居的平均距离域，TP₂是63邻居时的厚度参数；

步骤4.3，根据三维点云模型内部体素点p，判断是否成立，是点p的124邻居的平均距离域，TP₃是124邻居时的骨骼厚度参数；

步骤4.4，如果三维点云模型内部体素点p满足步骤4.1,、4.2、4.3中的条件，则p为初始骨骼点；否则表明内部体素点p不为初始骨骼点。

步骤5，将初始骨骼点和L₁(第一范式)中值骨骼提取算法进行融合，生成基于距离域的L₁中值骨骼提取算法，通过最小化以下能量方程，计算出三维点云模型的完整骨骼。

其中，I是采样点集X的索引，J是模型Q顶点的索引，权重函数是一个快速衰减的平滑函数，其支持半径为h，参数σ_i通过加权PCA主成分分析算法算法计算，用于检测骨骼段的生成，{γ_i}_i∈I为X的平衡常数。K为初始骨骼点集的索引，权重函数x_i'为非x_i的点；对圆心为采样点x_i，半径为h的球体，球体包含所有点个数为n，球体包含的初始骨骼点个数为N。

所述的步骤5中还包括如下步骤：

步骤5.1，使用高斯-牛顿算法最小化以下能量方程，计算出三维点云模型的一维曲线骨骼；

方程第一部分为局部L1中值骨骼算法，是采样点x_i向模型内部移动，方程第二部分使初始骨骼点对采样点有巨大的吸引力，使采样点快速向模型内部移动，方程第三部分，可以防止采样点聚集。

步骤5.2，当采样点x_i移动时，使用计算出的三维点云模型距离域信息，保证采样点x_i只沿距离域增大方向移动；

步骤5.3，合适的支持半径h对计算出的骨骼有重要影响，利用初始骨骼点和三维点云模型距离域的信息，对每一个采样点，计算出其最合适的支持半径，即如果采样点位于模型中心，则支持半径长度为模型中心到模型边界的距离域值。由圆心为采样点半径为所构成的球体包含N个初始骨骼点s_j,j∈N，使用如下公式计算出初始骨骼点的中心：

如果中心center与间的距离小于体素边长，表明已经位于三维点云模型中心，则下一次迭代时，设置其支持半径值为包含中心center的体素的距离域值，如果两点间距离大于体素边长，表明采样点还需继续收敛，向三维点云模型内部移动，此时支持半径按规定比例增大，其中radio为半径增长率；

步骤5.4，对采样点向模型内部收敛，逐渐生成的不同骨骼段。进行连接，形成完整骨骼，生成的骨骼段连接一个采样点，即桥点，桥点会参与另一个骨骼段的生成。

所述的步骤5.4中，使用桥点将骨骼段进行连接，通过三维点云模型体素类别，标记出三维点云模型内部体素和外部体素，使用该信息可以保证模型骨骼段连接时不会穿过模型外部，产生错误连接。如果骨骼段端点e与桥点b的连线穿过三维点云模型外部，表明这不是一个正确的桥点，则重新选择。

所述的使用桥点将骨骼段进行连接时，为了加快计算速度，判断连线与外部体素是否相交，减小计算量。如果没有相交，说明桥点选择正确，将两个骨骼段进行连接，如果相交，说明骨骼连线在模型外部，桥点选择错误，重新选择桥点。

步骤6，将骨骼按照规定结构输出，即骨骼由骨骼点构成，相邻骨骼点通过直线连接。计算出三维点云模型的一维曲线骨骼，完成骨骼提取。

Claims (7)

1.一种三维点云模型骨骼提取方法，其特征在于，包括下述步骤：

步骤1，用户指定输入三维点云模型，Q为三维空间R³中模型，q_j为模型上的顶点，J是三维点云模型顶点的索引，所述的三维点云模型包含噪声点、奇异点和点云缺失；从三维点云模型顶点上随机选取采样点集X＝{x_i}_i∈I，I是采样点集X的索引，采样点x_i最终向三维点云模型内部移动，构成三维点云模型骨骼；

步骤2，将三维点云模型均匀体素化；

步骤3，计算出三维点云模型距离域DT，三维点云模型体素化之后，使用快速行军算法，计算出模型内部体素点的距离域；

步骤4，计算三维点云模型初始骨骼，s_k为骨骼点，K为初始骨骼点集的索引，计算出三维点云模型距离域后，使用三维点云模型距离域，计算三维点云模型初始骨骼；

步骤5，将初始骨骼点和L₁第一范式中值骨骼提取算法进行融合，生成基于距离域的L₁第一范式中值骨骼提取算法，通过最小化以下能量方程，计算出三维点云模型的完整骨骼；

$\underset{X}{\arg \min }\underset{i\∈I}{\Σ}\underset{j\∈J}{\Σ}\left|\right|x_i-q_j\left|\right|\mathrm{\θ}\left(\right||x_i-q_j|\left|\right)+\underset{i\∈I}{\Σ}{\mathrm{\θ}}_i\left(\frac{n}{N}\right)\underset{k\∈K}{\Σ}\left|\right|x_i-s_k\left|\right|\mathrm{\θ}\left(\right||x_i-s_k|\left|\right)+\underset{i\∈I}{\Σ}{\mathrm{\γ}}_i\underset{i^{\′}\∈I\backslash \left\{i\right\}}{\Σ}\frac{\mathrm{\θ}\left(\right||x_i-x_{i^{\′}})}{{\mathrm{\σ}}_i\left|\right|x_i-x_{i^{\′}}\left|\right|}$

其中，I是采样点集X的索引，J是模型Q顶点的索引，权重函数是一个快速衰减的平滑函数，r为距离值，其支持半径为h，参数σ_i通过加权PCA主成分分析算法计算，用于检测骨骼段的生成，{γ_i}_i∈I为X的平衡常数，K为初始骨骼点集的索引，权重函数x_i'为非x_i的点；对圆心为采样点x_i，半径为h的球体，球体包含所有点个数为n，球体包含的初始骨骼点个数为N；

步骤6，将骨骼按照规定结构提取，所述的规定结构为骨骼由骨骼点构成的结构，相邻骨骼点通过直线连接，计算出三维点云模型的一维曲线骨骼，完成骨骼提取。

2.根据权利要求1所述的一种三维点云模型骨骼提取方法，其特征在于，所述的步骤2中还包括如下步骤：

步骤2.1，计算出三维点云模型的包围盒；

步骤2.2，用户指定初始分割精度和最终分割精度，将包围盒按照用户指定的初始分割精度进行均匀分割；

步骤2.3，标识边界体素；如果大体素包含三维点云模型顶点，则大体素为边界体素，然后使用泛洪算法，标识外部体素，选择一个外部体素作为种子点，判断该体素26邻域中的体素是否为边界体素，如果邻居体素不是边界体素，则将邻居体素标记为外部体素，从邻居体素开始继续扩展；如果是边界体素，则该邻居体素不再参加扩展；直至所有外部体素被标记，最终剩下的体素为内部体素；

步骤2.4，将体素进行细分，直到分割至用户指定精度。

3.根据权利要求2所述的一种三维点云模型骨骼提取方法，其特征在于，所述的步骤2.4中按如下方法将体素进行细分：在每一次细分前，首先对所有体素进行3×3×3均匀分割，将每一个体素分割为27个小体素，重新判断边界体素的类别，如果分割后的小边界体素包含三维点云模型顶点，该体素仍标识为边界体素；如果小边界体素的26邻域中有外部体素，将该体素标识为外部体素；否则，该体素标识为内部体素，重复执行步骤2.4，不断生成新的外部体素、内部体素、边界体素，直到分割至用户指定精度。

4.根据权利要求1所述的一种三维点云模型骨骼提取方法，其特征在于，所述的步骤4中还包括如下步骤：

步骤4.1，根据三维点云模型内部体素点p，判断是否成立，其中DT_p是体素点p的距离域，是点p的26邻居的平均距离域，TP₁是26邻居的厚度参数；

步骤4.2，根据三维点云模型内部体素点p，判断是否成立，是点p的63邻居的平均距离域，TP₂是63邻居时的厚度参数；

步骤4.3，根据三维点云模型内部体素点p，判断是否成立，是点p的124邻居的平均距离域，TP₃是124邻居时的骨骼厚度参数；

步骤4.4，如果三维点云模型内部体素点p满足步骤4.1、4.2、4.3中的条件，则p为初始骨骼点；否则表明内部体素点p不为初始骨骼点。

5.根据权利要求1所述的一种三维点云模型骨骼提取方法，其特征在于，所述的步骤5中还包括如下步骤：

步骤5.1，使用高斯-牛顿算法最小化以下能量方程，计算出三维点云模型的一维曲线骨骼；

$\underset{X}{\arg \min }\underset{i\∈I}{\Σ}\underset{j\∈J}{\Σ}\left|\right|x_i-q_j\left|\right|\mathrm{\θ}\left(\right||x_i-q_j|\left|\right)+\underset{i\∈I}{\Σ}{\mathrm{\θ}}_i\left(\frac{n}{N}\right)\underset{k\∈K}{\Σ}\left|\right|x_i-s_k\left|\right|\mathrm{\θ}\left(\right||x_i-s_k|\left|\right)+\underset{i\∈I}{\Σ}{\mathrm{\γ}}_i\underset{i^{\′}\∈I\backslash \left\{i\right\}}{\Σ}\frac{\mathrm{\θ}\left(\right||x_i-x_{i^{\′}})}{{\mathrm{\σ}}_i\left|\right|x_i-x_{i^{\′}}\left|\right|}$

步骤5.2，当采样点x_i移动时，使用计算出的三维点云模型距离域信息；

步骤5.3，利用初始骨骼点和三维点云模型距离域的信息，对每一个采样点，计算出其最合适的支持半径，即如果采样点位于模型中心，则支持半径长度为模型中心到模型边界的距离域值；由圆心为采样点半径为所构成的球体包含N个初始骨骼点s_j,j∈N，使用如下公式计算出初始骨骼点的中心：

$center={\mathrm{\Σ}}_{j\∈N}{s}_j\mathrm{\θ}\left(\right||x_i^t-s_j|\left|\right)/N$

其中，权重函数是一个快速衰减的平滑函数，如果中心center与间的距离小于体素边长，表明已经位于三维点云模型中心，则下一次迭代时，设置其支持半径值为包含中心center的体素的距离域值，如果两点间距离大于体素边长，表明采样点还需继续收敛，向三维点云模型内部移动，此时支持半径按规定比例增大，其中radio为半径增长率；

步骤5.4，对采样点向模型内部收敛，逐渐生成的不同骨骼段进行连接，形成完整骨骼。

6.根据权利要求5所述的一种三维点云模型骨骼提取方法，其特征在于，所述的步骤5.4中，使用桥点将骨骼段进行连接，通过三维点云模型体素类别，标记出三维点云模型内部体素和外部体素，如果骨骼段端点与桥点的连线穿过三维点云模型外部，则重新选择。

7.根据权利要求6所述的一种三维点云模型骨骼提取方法，其特征在于：所述在使用桥点将骨骼段进行连接时，判断连线与外部体素是否相交，如果没有相交，将两个骨骼段进行连接；如果相交，桥点选择错误，重新选择桥点。