CN106127677A - 基于局部样本投影轮廓形状的实物表面采样点集边界特征识别方法 - Google Patents
基于局部样本投影轮廓形状的实物表面采样点集边界特征识别方法 Download PDFInfo
- Publication number
- CN106127677A CN106127677A CN201610457415.0A CN201610457415A CN106127677A CN 106127677 A CN106127677 A CN 106127677A CN 201610457415 A CN201610457415 A CN 201610457415A CN 106127677 A CN106127677 A CN 106127677A
- Authority
- CN
- China
- Prior art keywords
- point
- sampling point
- sampling
- border
- fractional sample
- 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
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000002372 labelling Methods 0.000 claims abstract description 14
- 238000013459 approach Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 241000251468 Actinopterygii Species 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G06T3/06—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提供一种基于局部样本投影轮廓形状的实物表面采样点集边界特征识别方法,属于数字化设计与制造领域,其特征在于:对采样点集中的每个样点进行法向估计,并对所有样点添加标记,通过该标记可区分样点是边界样点状态还是非边界样点状态,将所有样点的标记初设为边界样点状态;对于采样点集中的每个样点,若其标记为边界样点状态,则沿样点的法向为之构建局部样本投影轮廓,验证样点沿法向的投影点是否落入局部样本投影的凹点与凸点所构成的轮廓集合,若未落入该集合,则将样点的标记修改为非边界点状态,将被标记为边界样点状态的样点所构成的子集输出。本发明可快速识别实物表面采样点集的边界样点。
Description
技术领域
本发明提供基于局部样本投影轮廓形状的实物表面采样点集边界特征识别方法,可用于对实物表面采样数据边界特征的识别,属于数字化设计与制造领域。
背景技术
实物表面采样点集的边界特征是指分布于非封闭点集边缘的样点集合及位于点集内部孔洞的边缘样点的集合。由于实物表面的采样数据是散乱点集,点集中各样点之间没有任何拓扑信息,因此对采样数据边界特征识别,本质上是通过点集中样点及其邻域数据分布的几何信息判断样点是否为边界点。采样点集的边界特征是曲面的重要几何特征之一,作为求解曲面参数的定义域,对曲面模型重建的品质和精度有着重要的影响。
目前,国内外很多学者对实物表面采样数据的边界特征识别进行了研究。孙殿柱等在《散乱数据点云边界特征自动提取算法》(华中科技大学学报: 自然科学版, 2008, 36(8): 82-84)采用R*-tree动态空间索引结构存储实物表面采样数据的拓扑关系,基于索引结构获取采样点的 k邻域作为局部曲面参考数据,以最小二乘法拟合该数据的微切平面,并将采样点和 k个近邻点向微切平面投影, 根据采样点与其 k个近邻点所对应投影点连线的最大夹角识别散乱点云边界特征。但该算法需要提取点的 k近邻点及进行夹角的计算,计算量大,同时,R*-tree 的创建非常复杂,使得算法的时间复杂度增强。Milroy等在《Segmentation of a wrap-around model using an active contour》(Computer-AidedDesign, 1997, 29(4): 299-320) 采用局部坐标系内的二次多项式曲面来估计点云数据的曲率值,求出曲率极值点,从中提取边界点,虽然曲率极值法可以针对无规则的点云数据提取出精度较高的边界特征点,但这种方法需要计算每一个数据点的曲率值,其计算过程非常复杂,而且得出的曲率值受到其估计的方法的直接影响,有时可能和真实的曲率差别较大。
发明内容
本发明的目的在于提供一种快速识别实物表面采样点集边界特征的有效方法,技术方案实现如下:
一种基于局部样本投影轮廓形状的实物表面采样点集边界特征识别方法,其特征在于步骤依次为:一、对实物表面采样点集中的每个样点的法向进行估计;二、为中的每个样点添加标记,通过该标记可以区分样点是被标记为边界样点状态还是非边界样点状态;三、将中所有样点的标记设为边界样点状态,即假设中所有样点均为边界样点;四、对于中的每个样点,若其标记为边界样点状态,则沿样点的法向为之构建局部样本的投影轮廓,验证样点沿法向的投影点是否落入局部样本投影的凹点与凸点所构成的轮廓集合,若未落入该集合,则将样点的标记修改为非边界点状态;五、将中被标记为边界样点状态的样点所构成的子集输出。
为实现发明目的,所述的基于局部样本投影轮廓形状的实物表面采样点集边界特征识别方法,其特征在于:在步骤四中,对样点的局部样本投影点集进行凸点识别,具体步骤为:(1)在中获取任意一点,查询的最远点;(2)查询的最远点,计算以所在直线的法向;(3)在中搜索沿距离直线最远的点,就是识别的一个凸点;(4)以点,,三点作三角形,判断中的点是否在三角形内部,凡是落在三角形内的点排除,不再参与凸点的计算,否则将该点加入凸点集合中;(5)遍历采样数据内所有点,即可实现凸点的完整识别过程,输出凸点集合。
为实现发明目的,所述的基于局部样本投影轮廓形状的实物表面采样点集边界特征识别方法,其特征在于:在步骤四中,对进行凹点识别,以识别的凸点作为辅助点,依次判定的每条边是否穿过点云的凹陷区域来识别凹点所对应的直线段,通过离散化该直线段,计算离散点在内的最近点即为相应的凹点,输出凹点集合。
为实现发明目的,所述的基于局部样本投影轮廓形状的实物表面采样点集边界特征识别方法,其特征在于:在判定三角形每条边是否穿过凹陷区域时,具体步骤为:(1)对三角形的三条边进行离散化;(2)计算离散点在中的最近点并计算离散点与最近点之间的距离;(3)若该距离大于所设定的阈值,即认为该离散点所在的边对应的凹陷区域。
为实现发明目的,所述的基于局部样本投影轮廓形状的实物表面采样点集边界特征识别方法,其特征在于:在判定凹陷区域所设定的阈值,其设定方法为:a)从实物表面采样点集中随机获取个样点,形成点集;b)设为空集,对于中的每个样点,计算它到中距其最近的个样点的距离均值并将其加入集合中;c)将中所有元素的均值作为阈值。
与现有技术相比,本发明具有以下优点:
(1) 通过局部样本进行边界特征识别并将其投影至平面,降低维度,利用识别的二维边界点获取对应的三维边界点,可快识别实物表面点集的边界点;
(2) 对样本点分别提取邻域点集依次判断边界点,提高了实物表面点集边界点的识别精度。
附图说明
图1是本发明基于局部样本投影轮廓形状的实物表面采样点集边界特征识别方法的流程图;
图2是计算阈值的示意图;
图3是对点集投影至平面的示意图;
图4是凸点识别示意图;
图5是凹点识别示意图;
图6是phone模型的边界特征识别过程示意图;
图7是part、fish模型边界特征识别效果图。
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是本发明基于局部样本投影轮廓形状的实物表面采样点集边界特征识别方法的流程图,采用C语言程序设计实现,本发明所载方法的主要过程包括样点局部邻域点集的获取,对局部邻域点集投影,识别投影样本点的凸点和凹点作为投影轮廓,基于投影轮廓获取局部样本的边界点,如果该样点落入边界点集合中,则可判断该点为采样点集的边界点。
对于图2中所示的局部样本数据,该样本的点云跨度为,,……,等各距离的算术平均值。
为获取点集的投影轮廓,对于邻域点集沿样点的法向或者法向的反方向进行投影,如图3所示。
凸点识别过程实际上将样点集合中分布于凸边缘处的样点识别出来,如图4所示的局部样本数据,在点集中获取任意点,查询的最远点以及的最远点,计算距最远的点,则为识别的一个凸点。
凹点识别过程实际上将样点集合中分布于凹边缘处的样点识别出来,如图5所示,凹点提取的具体步骤为:(1) ,初始化 中所有点的标记为0;(2) 设为凸点集合中的第个点,其中,对于点,,构成的三角形,对其三条边,,进行等距划分为10段,将每个等分点作为判断点;(3) 设凹点存在判断符为,遍历中的所有标记为0的点,查找每个等分点的最近点并计算距离,如果(其中为调节系数,)则判断该线段存在凹点,将该点加入凹点集合,同时将该点标记设为1,凹点标记符为真;(4) 若为真,将该线段继续等分为个点作为参考点,遍历点云集合中中的所有标记为0的点,查找每个等分点的最近点并计算距离, 如果则将该点加入凹点集合,同时将该点标记设为1;(5),重复步骤(2)-(4)直至;(7) 输出凹点集合。
实施例一:图6是phone模型的边界特征识别过程示意图,如图6-a所示,对一个phone模型的采样数据进行边界特征提取试验,通过对样本数据进行投影,得到样本数据的二维点集合(图6-b所示),基于提出的凸点、凹点识别方法,对二维点集提取凸边界、凹边界特征(图6-c、6-d所示),完整的二维边界特征如图6-e所示,根据投影对应关系,可进一步获取phone模型的三维边界特征,如图6-f所示,从图中可以看出,phone模型的外边界以及按键、屏幕边界特征均被有效识别出来。
实施例二:为验证本发明的有效性,进一步对另外两个模型part、fish进行边界特征提取测试,如图7所示,从图中可以看出,part、fish模型的二维边界及其对应的三维边界特征均被有效识别,从而验证了本发明在提取边界特征过程中的适用性。
通过实施例可以得出,本发明能以较小的计算代价识别点云的边界特征,在边界特征识别的效率与精度等方面的综合性能优于现有技术。
以上所述,仅是本发明的较佳实例而已,并非是对本发明作其他形式的限制,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同等变化的等效实施例。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内容。
Claims (5)
1.一种基于局部样本投影轮廓形状的实物表面采样点集边界特征识别方法,其特征在于步骤依次为:一、对实物表面采样点集中的每个样点的法向进行估计;二、为中的每个样点添加标记,通过该标记可以区分样点是被标记为边界样点状态还是非边界样点状态;三、将中所有样点的标记设为边界样点状态,即假设中所有样点均为边界样点;四、对于中的每个样点,若其标记为边界样点状态,则沿样点的法向为之构建局部样本的投影轮廓,验证样点沿法向的投影点是否落入局部样本投影的凹点与凸点所构成的轮廓集合,若未落入该集合,则将样点的标记修改为非边界点状态;五、将中被标记为边界样点状态的样点所构成的子集输出。
2.如权利要求1所述的基于局部样本投影轮廓形状的实物表面采样点集边界特征识别方法,其特征在于:在步骤四中,对样点的局部样本投影点集进行凸点识别,具体步骤为:(1)在中获取任意一点,查询的最远点;(2)查询的最远点,计算以所在直线的法向;(3)在中搜索沿距离直线最远的点,就是识别的一个凸点;(4)以点,,三点作三角形,判断中的点是否在三角形内部,凡是落在三角形内的点排除,不再参与凸点的计算,否则将该点加入凸点集合中;(5)遍历采样数据内所有点,即可实现凸点的完整识别过程,输出凸点集合。
3.如权利要求1所述的基于局部样本投影轮廓形状的实物表面采样点集边界特征识别方法,其特征在于:在步骤四中,对进行凹点识别,以识别的凸点作为辅助点,依次判定的每条边是否穿过点云的凹陷区域来识别凹点所对应的直线段,通过离散化该直线段,计算离散点在内的最近点即为相应的凹点,输出凹点集合。
4.如权利要求3所述的基于局部样本投影轮廓形状的实物表面采样点集边界特征识别方法,其特征在于:在判定三角形每条边是否穿过凹陷区域时,具体步骤为:(1)对三角形的三条边进行离散化;(2)计算离散点在中的最近点并计算离散点与最近点之间的距离;(3)若该距离大于所设定的阈值,即认为该离散点所在的边对应的凹陷区域。
5.如权利要求4所述的基于局部样本投影轮廓形状的实物表面采样点集边界特征识别方法,其特征在于:在步骤(3)所设定的阈值,其设定方法为:a)从实物表面采样点集中随机获取个样点,形成点集;b)设为空集,对于中的每个样点,计算它到中距其最近的个样点的距离均值并将其加入集合中;c)将中所有元素的均值作为阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610457415.0A CN106127677B (zh) | 2016-06-22 | 2016-06-22 | 局部样本投影轮廓约束的点云边界特征识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610457415.0A CN106127677B (zh) | 2016-06-22 | 2016-06-22 | 局部样本投影轮廓约束的点云边界特征识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106127677A true CN106127677A (zh) | 2016-11-16 |
CN106127677B CN106127677B (zh) | 2019-07-12 |
Family
ID=57268354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610457415.0A Expired - Fee Related CN106127677B (zh) | 2016-06-22 | 2016-06-22 | 局部样本投影轮廓约束的点云边界特征识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127677B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274446A (zh) * | 2017-06-05 | 2017-10-20 | 河海大学 | 一种利用法向一致性的尖锐几何边缘点识别方法 |
CN107452065A (zh) * | 2017-07-05 | 2017-12-08 | 山东理工大学 | 实物表面采样数据的边界样点识别方法 |
CN108919954A (zh) * | 2018-06-29 | 2018-11-30 | 蓝色智库(北京)科技发展有限公司 | 一种动态变化场景虚实物体碰撞交互方法 |
CN112287944A (zh) * | 2019-07-23 | 2021-01-29 | 山东理工大学 | 实物表面采样数据局部形貌标架量化及特征识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4809201A (en) * | 1985-12-02 | 1989-02-28 | Schlumberger Systems, Inc. | Graphic display region defining technique |
CN1731418A (zh) * | 2005-08-19 | 2006-02-08 | 清华大学 | 复杂背景图像中鲁棒的眼睛精确定位方法 |
CN104850712A (zh) * | 2015-05-27 | 2015-08-19 | 山东理工大学 | 实物表面采样数据拓扑邻域查询方法 |
CN105160709A (zh) * | 2015-06-29 | 2015-12-16 | 山东理工大学 | 实物表面采样数据保形精简方法 |
-
2016
- 2016-06-22 CN CN201610457415.0A patent/CN106127677B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4809201A (en) * | 1985-12-02 | 1989-02-28 | Schlumberger Systems, Inc. | Graphic display region defining technique |
CN1731418A (zh) * | 2005-08-19 | 2006-02-08 | 清华大学 | 复杂背景图像中鲁棒的眼睛精确定位方法 |
CN104850712A (zh) * | 2015-05-27 | 2015-08-19 | 山东理工大学 | 实物表面采样数据拓扑邻域查询方法 |
CN105160709A (zh) * | 2015-06-29 | 2015-12-16 | 山东理工大学 | 实物表面采样数据保形精简方法 |
Non-Patent Citations (3)
Title |
---|
孙殿柱等: "散乱数据点云边界特征自动提取算法", 《华中科技大学学报》 * |
李延瑞等: "曲面边界样点逆向均值漂移识别", 《计算机集成制造系统》 * |
柯映林等: "基于点云的边界特征直接提取技术", 《机械工程学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274446A (zh) * | 2017-06-05 | 2017-10-20 | 河海大学 | 一种利用法向一致性的尖锐几何边缘点识别方法 |
CN107274446B (zh) * | 2017-06-05 | 2020-11-20 | 河海大学 | 一种利用法向一致性的尖锐几何边缘点识别方法 |
CN107452065A (zh) * | 2017-07-05 | 2017-12-08 | 山东理工大学 | 实物表面采样数据的边界样点识别方法 |
CN108919954A (zh) * | 2018-06-29 | 2018-11-30 | 蓝色智库(北京)科技发展有限公司 | 一种动态变化场景虚实物体碰撞交互方法 |
CN108919954B (zh) * | 2018-06-29 | 2021-03-23 | 蓝色智库(北京)科技发展有限公司 | 一种动态变化场景虚实物体碰撞交互方法 |
CN112287944A (zh) * | 2019-07-23 | 2021-01-29 | 山东理工大学 | 实物表面采样数据局部形貌标架量化及特征识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106127677B (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106022381B (zh) | 基于车载激光扫描点云的路灯杆自动提取方法 | |
CN105788273B (zh) | 基于低精度时空轨迹数据的城市交叉口自动识别的方法 | |
CN106127677A (zh) | 基于局部样本投影轮廓形状的实物表面采样点集边界特征识别方法 | |
CN106407925B (zh) | 基于局部区间极大值的激光扫描点云树木自动提取方法 | |
Zhang et al. | Edge detection algorithm of image fusion based on improved Sobel operator | |
CN103727930B (zh) | 一种基于边缘匹配的激光测距仪与相机相对位姿标定方法 | |
CN103021029B (zh) | 一种三维模型构件类别的自动标注方法 | |
CN110390683A (zh) | 一种基于密集点云的古城墙三维裂缝检测方法 | |
CN103559689B (zh) | 一种点云噪声点去除方法 | |
CN104504674B (zh) | 空间碎片星点提取与定位方法 | |
CN108898672A (zh) | 一种制作三维高清道路图车道线的半自动点云方法 | |
CN103745191B (zh) | 一种基于地形分析的黄土地区塬梁峁自动识别方法 | |
CN106529029B (zh) | 输电线路杆塔的点云数据提取方法及装置 | |
CN103617328A (zh) | 一种飞机三维姿态解算方法 | |
CN110047036B (zh) | 基于极坐标格网的地面激光扫描数据建筑物立面提取方法 | |
CN103632371A (zh) | 基于兼容性网格分割的骨骼参数计算方法 | |
CN104867137A (zh) | 一种基于改进ransac算法的图像配准方法 | |
Hu et al. | A fast and simple method of building detection from LiDAR data based on scan line analysis | |
CN111046735B (zh) | 一种车道线点云提取方法、电子设备及存储介质 | |
CN104282026A (zh) | 基于分水岭算法和最小生成树的分布均匀性评估方法 | |
CN104134058B (zh) | 一种人脸图像处理方法 | |
CN108108700B (zh) | 一种基于弦轴变换的猪的特征区域识别方法 | |
CN103575272A (zh) | 森林环境中移动机器人自然路标提取方法 | |
CN103971369A (zh) | 视网膜图像的视盘定位方法 | |
Ghazali et al. | Automatic detection and counting of circular and rectangular steel bars |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190712 Termination date: 20200622 |