CN106127677B - 局部样本投影轮廓约束的点云边界特征识别方法 - Google Patents
局部样本投影轮廓约束的点云边界特征识别方法 Download PDFInfo
- Publication number
- CN106127677B CN106127677B CN201610457415.0A CN201610457415A CN106127677B CN 106127677 B CN106127677 B CN 106127677B CN 201610457415 A CN201610457415 A CN 201610457415A CN 106127677 B CN106127677 B CN 106127677B
- Authority
- CN
- China
- Prior art keywords
- point
- sampling point
- boundary
- sampling
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005070 sampling Methods 0.000 claims abstract description 87
- 238000013459 approach Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 241000251468 Actinopterygii Species 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- 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《Segmentationofawrap-around modelusinganactivecontour》(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S中的每个样点的法向进行估计;二、为S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S中所有样点的标记设为边界样点状态,即假设S中所有样点均为边界样点;四、对于S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S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si的局部样本投影点集N(si)进行凸点识别,具体步骤为:(1)在N(si)中获取任意一点a,查询a的最远点b;(2)查询b的最远点c,计算以所在直线的法向(3)在N(si)中搜索沿距离直线最远的点v,v就是识别的一个凸点;(4)以点b,c,v三点作三角形,判断N(si)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T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T。
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N(si)进行凹点识别,以识别的凸点ti∈T作为辅助点,依次判定Δbcti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N(si)内的最近点即为相应的凹点,输出凹点集合A。
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Δbcti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N(si)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N(si)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S中随机获取m个样点,形成点集S′;b)设D为空集,对于S′中的每个样点,计算它到S中距其最近的k个样点的距离均值并将其加入集合D中;c)将D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ζ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ζ为d1,d2,……,d7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a,查询a的最远点b以及b的最远点c,计算距最远的点v,则v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)i←1,初始化N(si)中所有点的标记为0;(2)设Ti为凸点集合T中的第i个点,其中i=1,2,...,n,对于点Ti,b,c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N(si)中的所有标记为0的点,查找每个等分点的最近点si并计算距离d,如果d>δ·ζ(其中δ为调节系数,1<δ<2)则判断该线段存在凹点,将该点加入凹点集合A,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102个点作为参考点,遍历点云集合中N(si)中的所有标记为0的点,查找每个等分点的最近点si并计算距离d,如果d>δ·ζ则将该点加入凹点集合A,同时将该点标记设为1;(5)i←i+1,重复步骤(2)-(4)直至i>n;(7)输出凹点集合A。
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 (3)
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S中的每个样点的法向进行估计;二、为S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S中所有样点的标记设为边界样点状态,即假设S中所有样点均为边界样点;四、对于S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,其中对样点si的局部样本投影点集N(si)进行凸点与凹点识别的具体步骤为:(1)在N(si)中获取任意一点a,查询a的最远点b,(2)查询b的最远点c,计算以所在直线的法向(3)在N(si)中搜索沿距离直线最远的点v,v就是识别的一个凸点,(4)以点b,c,v三点作三角形,判断N(si)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T中,(5)遍历采样数据内所有点,输出凸点集合T,(6)以识别的凸点ti∈T作为辅助点,依次判定Δbcti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N(si)内的最近点即为相应的凹点,输出凹点集合A;五、将S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,在判定三角形Δbcti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N(si)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N(si)的凹陷区域。
3.如权利要求2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S中随机获取m个样点,形成点集S′;b)设D为空集,对于S′中的每个样点,计算它到S中距其最近的k个样点的距离均值并将其加入集合D中;c)将D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 CN106127677A (zh) | 2016-11-16 |
CN106127677B true 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) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Family Cites Families (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 |
CN100336071C (zh) * | 2005-08-19 | 2007-09-05 | 清华大学 | 复杂背景图像中鲁棒的眼睛精确定位方法 |
CN104850712B (zh) * | 2015-05-27 | 2018-10-26 | 山东理工大学 | 实物表面采样数据拓扑邻域查询方法 |
CN105160709B (zh) * | 2015-06-29 | 2018-09-28 | 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
Also Published As
Publication number | Publication date |
---|---|
CN106127677A (zh) | 2016-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106127677B (zh) | 局部样本投影轮廓约束的点云边界特征识别方法 | |
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 | |
CN103870845B (zh) | 点云聚类去噪过程中新的k值优化方法 | |
CN109636829A (zh) | 一种基于语义信息和场景信息的多目标跟踪方法 | |
CN106780524A (zh) | 一种三维点云道路边界自动提取方法 | |
CN108415975A (zh) | 基于bdch-dbscan的出租车载客热点识别方法 | |
CN111291790B (zh) | 一种基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法 | |
CN106529029B (zh) | 输电线路杆塔的点云数据提取方法及装置 | |
CN110390683A (zh) | 一种基于密集点云的古城墙三维裂缝检测方法 | |
CN103745191B (zh) | 一种基于地形分析的黄土地区塬梁峁自动识别方法 | |
CN106548484A (zh) | 基于二维凸包的产品模型散乱点云边界特征提取方法 | |
CN109102538B (zh) | 利用等值线数据提取槽脊特征点与槽脊特征线的方法、天气图分析方法 | |
CN105468899B (zh) | 基于micaps风场信息低空急流自动识别及绘制方法 | |
CN113516105B (zh) | 一种车道检测方法、装置及计算机可读存储介质 | |
Zhao et al. | A new method of road network updating based on floating car data | |
CN112364890B (zh) | 利用出租车轨迹制作城市可导航路网的交叉口引导方法 | |
CN110490166A (zh) | 基于深度学习技术的高铁接触网管帽自动检测方法 | |
CN108108700B (zh) | 一种基于弦轴变换的猪的特征区域识别方法 | |
JP2018097424A (ja) | クラスタリング装置、人工物識別装置、幹検出装置、方法、及びプログラム | |
CN106772424B (zh) | 一种交跨线确定方法和装置 | |
CN110992375B (zh) | 逐层LiDAR点云的弦角判别聚类单木分割方法 | |
CN104794723A (zh) | 一种基于概率的遥感影像建筑物位置检测方法 | |
CN112733696B (zh) | 一种基于多模型拟合的车载lidar道路边线提取方法 | |
CN105116373B (zh) | 基于间接时延的目标ip区域城市级定位算法 | |
CN103530905B (zh) | 一种针对等高线平三角区域的消除方法 |
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 |
Granted publication date: 20190712 Termination date: 20200622 |
|
CF01 | Termination of patent right due to non-payment of annual fee |