CN106157371A - 基于自适应周向扩张策略的散乱点云高效网格化方法 - Google Patents

Abstract

本发明提供一种基于自适应周向扩张策略的散乱点云高效网格化方法，包括：在对点云数据完成Hash‑Grid空间划分的基础上，建立活跃边链表，用于记录自适应区域增长过程中动态更迭的边界边信息；设置筛选规则，从初始点云中选择初始三角片，将初始三角片的三条边加入活跃边链表，并将初始三角片添加到网格曲面，以初始三角片为中心动态扩张；每次扩张过程中取出活跃边链表的表头元素作为当前活跃边，利用Hash‑Grid搜索结构查找当前活跃边的候选点集；设置筛选条件从候选点集中选择最优点，与当前活跃边构建新的三角片并添加到网格曲面中，更新活跃边链表；迭代执行直至活跃边链表为空，完成网格曲面重构。本发明的方法可显著提高最优点的筛选效率以及筛选质量。

Description

基于自适应周向扩张策略的散乱点云高效网格化方法

技术领域

本发明涉及三维点云网格化技术领域，尤其是一种基于自适应周向扩张策略的散乱点云高效网格化方法。

背景技术

随着三维测量技术与测量设备的快速发展，如何快速、高质量地将随之得到的海量点云数据重建为具有正确拓扑连接关系的三角网格曲面，一直是科学计算可视化、逆向工程、计算机图形学、数字化设计领域中的难点问题。

区域增长算法是一类主流的点云网格化方法，其主要是根据一定的准则在点云中选取三个点构建三角面片，形成初始增长点，然后依据曲面在局部邻域范围内连续性分布的特点，构造三角网格。其中，周向扩张策略是一类典型的区域增长算法，然而传统的基于周向扩张策略的区域增长方法存在两点局限性：(1)因点云分布不均而导致孔洞区域较多，且附加异常三角片，导致重建质量差；(2)因点云数据量大而导致区域增长的重建效率较低。

发明内容

为解决传统区域增长方法的重建效率较低、重建质量不高的问题，本发明提出一种自适应周向扩张策略(AHES,Adaptive Hoop Expanding Strategy)的三维点云高效网格化方法。

为达成上述目的，本发明所采用的技术方案如下：

一种基于自适应周向扩张策略的散乱点云高效网格化方法，包括：

(1)在对点云数据完成Hash-Grid空间划分的基础上，建立活跃边链表，用于记录自适应区域增长过程中动态更迭的边界边信息；

(2)设置筛选规则，从初始点云中定义初始三角片，将初始三角片的三条边加入活跃边链表，并将初始三角片添加到网格曲面ST中，以初始三角片为中心动态地向其周边不断扩张；

(3)每次扩张过程中取出活跃边链表的表头元素作为当前活跃边(记作CurrentE)，利用Hash-Grid搜索结构查找当前活跃边的候选点集；

(4)设置筛选条件从候选点集中选择最优点BestP，与当前活跃边构建新的三角片NewT并将NewT添加到网格曲面ST中，更新活跃边链表；

(5)迭代执行(3)-(4)，直至活跃边链表为空，完成网格曲面的重构。

进一步，所述第(2)步中，为了可以快速、可靠地选取初始三角片，本发明提出一种新的初始三角片选取方法，从最近邻点集中顺次筛选的两个点与随机选定的初始点需要满足以下三个条件：(a)三点不共线；(b)经过三点的圆球内部不包含最近邻点集的其它点；(c)最近邻点集中的其它任意点都在该三点构成三角形的同一侧。

进一步，所述第(3)步中，通过估算当前活跃边邻近区域的点云密度确定搜索半径，并且通过设置边角度约束以及面角度约束，提出了一种新的候选点集查找方法：根据活跃边所属三角片的形状对搜索半径分两种情况计算：(a)若所属三角形为非钝角三角形，则分别计算三个顶点的邻边长度，根据邻边长度的平均值计算搜索半径；(b)若所属三角形为钝角三角形，则参考该三角形的最长边长计算搜索半径。

进一步，所述第(4)步中，通过计算新三角片构建代价将候选点集排序，然后对候选三角片进行质量检测，提出一种新的筛选最优点的方法；并且根据最优点的添加位置，给出更新活跃边的三种类型，涵盖本方法执行过程中所有可能出现的情况，提高方法的稳定性与可靠性。

由以上技术方案可知，与现有技术相比，本发明的有益效果在于：

1、基于Hash-Grid搜索结构高效查找最近邻点集，相比k-d树结构具有更高的搜索效率；

2、网格动态增长过程中根据点云密度大小自动调节最近邻搜索半径，尤其对于点云分布不均匀的区域，能够根据活跃边邻近区域的网格均匀度自动调节搜索半径，使得重建结果不易产生孔洞；

3、通过定义候选点的添加代价，提高了最优点的筛选效率以及筛选质量，能够处理具有少量噪声的点云数据；

4、通过对每个候选三角片设置网格拓扑质量检测，使得重建结果中基本没有非流形数据。

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例。本发明的附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，每个图中并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的实施例，其中：

图1是本发明某些实施例的基于自适应周向扩张策略的散乱点云高效网格化方法的流程图。

图2是本发明某些实施例的查找当前活跃边的最近邻点集示意图。

图3是本发明某些实施例的当前活跃边的候选点区域示意图。

图4是本发明某些实施例的最优点筛选流程图。

图5是本发明某些实施例的活跃边更新方式一的示意图。

图6是本发明某些实施例的活跃边更新方式二的示意图。

图7是本发明某些实施例的活跃边更新方式三的示意图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

结合图1所示，根据本发明的实施例，提出一种基于自适应周向扩张策略的散乱点云高效网格化方法，其具体包含以下步骤：在对点云数据完成Hash-Grid空间划分的基础上，建立活跃边链表以存储动态更迭的边界边信息；按照设定的选取原则从点云数据中选定初始三角片并将其三条边加入活跃边链表；将初始三角片添加到网格曲面中，以其为中心动态地向周边持续扩张。扩张过程中每次取活跃边链表的表头元素作为当前活跃边，利用Hash-Grid搜索结构搜索当前活跃边的候选点集；根据所设置的筛选原则从候选点集中选择最优点与当前活跃边构造新的三角片，将新三角片添加到网格曲面中并更新活跃边链表，迭代此过程直至活跃边链表为空。本发明相比于现有技术，可以提高点云重建效率和重建质量，在保持模型曲面精度及拓扑准确度的条件下实现大规模散乱点云的网格化处理。

在一些例子中，选取初始三角片方法中利用Hash-Grid查找与初始随机选定点的欧氏距离小于搜索半径的最近邻点集，并按距离大小将点集升序排序。搜索半径r通过估算点云的平均点距得到，计算公式为：

$r=\sqrt{\frac{\left(\right|x_{max}-x_{min}|\·|y_{max}-y_{min}|\·|z_{max}-z_{min}\left|\right)}{n}}$

选取初始三角片方法中从最近邻点集中顺次筛选的两个点与随机选定的初始点需要满足以下三个条件：(a)三点不共线；(b)经过三点的圆球内部不包含最近邻点集的其它点；(c)最近邻点集中的其它任意点都在该三点构成三角形的同一侧。

最优点的候选点集查找方法中，根据活跃边所属三角片的形状对搜索半径分两种情况计算：(a)若所属三角形为非钝角三角形，则分别计算三个顶点的邻边长度，根据邻边长度的平均值计算搜索半径；(b)若所属三角形为钝角三角形，则参考该三角形的最长边长计算搜索半径。

最优点的候选点集查找方法中通过约束边角度以及约束面角度简化自由点，进而完成对最近邻点集的简化。

筛选最优点时，通过定义每个候选点与当前活跃边构建新三角片的构造代价，选择代价最小的点作为最优点，构造代价由法矢角度代价、最大内角代价、边长代价三部分构成。

本发明的方法中，通过检测非流形点、非流形边、自交三角片、冗余点以对最优点的候选点进行网格质量检测。

尽管以上内容给出了本发明在执行中可能出现的三种更新活跃边链表的方式。实际过程中，本方法还可以自动根据最优点的添加位置来更新活跃边链表。

下面结合附图1-7所示，更加具体地说明前述方法的具体实现实例。

所述按照选取原则选定初始三角片的具体方法为：从点云数据中随机选定一点作为初始点计算其搜索半径r，利用Hash-Grid查找与该点欧氏距离小于搜索半径的点构成最近邻点集，并从中顺次筛选两个点与初始点构成初始三角片。其中，搜索半径通过计算点云的平均距离得到，即所述顺次筛选的两个点所需满足的筛选条件为：

(1)该两点与初始点不在同一直线上；

(2)经过该两点与初始点的圆球内不包含最近邻点集中的其它点；

(3)最近邻点集中的任意其它点都在这三点所构成的三角形的同一侧。若上述步骤执行完毕后仍未找到合适的初始三角片，则重新选择初始点。这样能够快速、可靠地选取初始三角片。初始三角片选定之后，其三条边被最先加入到活跃边链表中。

所述网格曲面扩张过程中，搜索当前活跃边的候选点集主要分为查找、简化两步：

(1)查找最近邻点集。如图2所示，p_ip_j表示当前活跃边，p_k表示活跃边所在三角片Δp_ip_jp_k的第三个顶点，p_m为活跃边p_ip_j的中点，以点p_m为中心，以r为半径，利用Hash-Grid搜索结构搜索p_m的最近邻点集。其中，搜索半径r的计算方式根据活跃边所属三角片Δp_ip_jp_k的形状r分为：a.若Δp_ip_jp_k属于非钝角三角形，则分别计算p_i、p_j、p_k三点的邻边长度，根据所有点邻边长度的平均值l计算搜索半径；b.若Δp_ip_jp_k为钝角三角形，则通过参考Δp_ip_jp_k的最长边长l计算搜索半径。图2示例中，Δp_ip_jp_k为锐角三角形，虚线圆圈内的点表示搜索半径r＝l时，活跃边中点p_m的最近邻点集。

(2)简化最近邻点集。如(1)所述查找到的点集中除了容易过滤掉的内点、噪声点外，还有大量的自由点需要进行简化，本发明主要通过约束边角度和面角度来简化最近邻点集，具体方法为：

a.滤除最近邻点集中的所有内点、噪声点；

b.若此时最近邻点集为空，则将当前边视为边界并结束当前查找操作，若最近邻点集不为空则继续c步骤；

c.约束边角度。如图3所示，首先以当前活跃边及其前后两条活跃边为界构建影响域A；然后以当前活跃边的两端点为中心，分别构建夹角为135°的两条虚线l₁和l₂，以当前活跃边以及两虚线为界构建影响域B，A、B两影响域的交集部分构成了最终影响区域。最近邻点集中不属于最终影响区域的点将被滤除。图3中的两个空心点即为被滤除的不符合要求的点，阴影区域内的点即为用约束边角度方法简化后的点。分别存储此时的最近邻点集中的每个点与当前活跃边两个端点的夹角，以便用于后续筛选最优点。若此时最近邻点集为空集，则将当前边视为边界并结束当前查找操作，若最近邻点集不为空则继续d步骤；d.约束面角度。计算最近邻点集中的每个点与活跃边构成的三角片法矢与活跃边所在三角片法矢之间的夹角，若角度大于120°，将该点从最近邻点集中滤除。将此时的最近邻点集中每个点的面角度分别存储，以便用于后续最优点的筛选；e.若此时最近邻点集非空，则将其内的所有点作为最终的候选点集，继续进行最优点的筛选操作；否则将当前活跃边视为边界，结束当前的查找操作。按本方法得到的候选点集能够较好地适应当前活跃边附近的点云密度，并能提高对抗噪声点干扰的能力。

图4所示为所述从候选点集中筛选最优点与当前活跃边构造新的三角片的筛选流程。

所述方法通过计算每个候选点的三角片构造代价(JoinCost)优先考虑代价最小的点作最优点，计算公式为JoinCost＝Cost_Angle1+Cost_Angle2+Cost_Edge，其中：Cost_Angle1＝sin(θ_Normal)为法矢角度代价，θ_Normal表示新构建的三角片与当前活跃边相邻三角片之间的法矢变化，其越小表示新构建的三角片相对邻接三角片的变化越平缓；为最大内角代价，表示候选点所构建的新三角片集合中的各个最大内角之间的差异。Angle_cur表示当前候选点所构成三角片的最大内角，其越小表示当前三角片形态越规则，Angle_max、Angle_min分别表示所有候选点与当前活跃边构成的新三角片中最大的最大内角和最小的最大内角；为边长代价，表示候选点与当前活跃边构建的三角片周长对于新三角片质量的影响，Len_cur表示当前候选三角片的周长，周长越小则新三角片的形态越规则，Len_max、Len_min分别表示所有候选点构成的新三角片集合中三角片的最大的周长和最小周长。计算完成每个候选点的三角片构造代价，将所有候选点按照代价值从小到大的顺序排列并存入堆栈StackP。

所述方法为保证新构建的三角片是具有二维流形的三角网格，根据堆栈中候选点的顺序对候选新三角片进行质量检测，流程为：

(1)弹出栈顶元素p_c，与当前活跃边p_ip_j构建三角片Δp_ip_jp_c；

(2)查找p_c的所有邻接三角片，检测其与候选三角片Δp_ip_jp_c是否共边，若所有的邻接三角片与候选三角片均不存在共边，则p_c点为非流形点，返回(1)；

(3)判断新边p_ip_c、p_jp_c是否已存在于网格中，若存在则统计该边的相邻三角片数目，若该边有2个相邻三角片，则返回(1)；若网格不包含新边，执行(4)；

(4)检测新三角片Δp_ip_jp_c与当前活跃边的两端点的一环邻域三角片是否相交，若存在相交，则返回(1)，否则将当前候选点p_c作为最优点BestP；

(5)将候选点集中除最优点外的所有点向新三角片所在的平面投影，将投影点落入新三角片内部的候选点删除，以防止冗余点成为后续活跃边的候选点，简化后续质量检测的步骤。

图5、6、7分别为所述方法根据最优点的添加位置来更新活跃边链表的三种类型：

(1)当最优点是自由点时，如图5所示，活跃边p_ip_j与最佳点p_c构建新三角片Δp_ip_jp_c之后，将活跃边p_ip_j从活跃边链表中删除，同时将p_ip_j的状态改为内部边，两条新边p_ip_c和p_cp_j按顺时针方向加入活跃边边链表中；

(2)当最优点与活跃边构建的新三角片已有两条边属活跃边时，如图6所示，将活跃边p_ip_j以及p_jp_c从活跃边链表中删除并将两边的状态改为内部边，同时将新边p_ip_c按顺时针方向加入活跃边链表中；

(3)当最优点位于当前活跃边上且与当前活跃边没有相邻关系时，如图7所示，新三角片Δp_ip_jp_c的边p_jp_c与顶点p_j到p_c之间的活跃边构建了一个孔洞区域A，为保证后续网格生长的稳定性与可靠性，本方法对孔洞区域单独进行网格化操作：

a.首先将Δp_ip_jp_c加入到网格曲面ST，同时删除p_i点到p_c点之间所有的活跃边，并将p_j点到p_c点之间所有的活跃边连同边p_jp_c转存到临时链表中；

b.对临时链表中的活跃边单独执行本网格化过程，填补孔洞区域A；

c.最后将孔洞区域内所有的活跃点的状态更改为内点，同时将新边p_ip_c加入活跃边链表中。三种更新方式涵盖了所述方法执行中所有可能出现的情况，提高了算法的稳定性与可靠性。

这里已经对本发明进行了详细描述以使本领域的技术人员制造或适用本发明，对于本发明的各种修改对于本领域的技术人员来说是容易理解的。本发明的范围通过附加的权利要求进行详细说明。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (5)

1.一种基于自适应周向扩张策略的散乱点云高效网格化方法，其特征在于，包括：

(1)在对点云数据完成Hash-Grid空间划分的基础上，建立活跃边链表，用于记录自适应区域增长过程中动态更迭的边界边信息；

(2)设置筛选规则，从初始点云中选择初始三角片，将初始三角片的三条边加入活跃边链表，并将初始三角片添加到网格曲面ST中，以初始三角片为中心动态地向其周边不断扩张；

(3)每次扩张过程中取出活跃边链表的表头元素作为当前活跃边，记作CurrentE，利用Hash-Grid搜索结构查找当前活跃边的候选点集；

(4)设置筛选条件从候选点集中选择最优点BestP，与当前活跃边构建新的三角片NewT并将NewT添加到网格曲面ST中，更新活跃边链表；

(5)迭代执行(3)-(4)，直至活跃边链表为空，完成网格曲面的重构。

2.如权利要求1所述的方法，其特征在于，所述选取初始三角片方法具体包括：

从点云数据中随机选定一点作为初始点计算其搜索半径r，利用Hash-Grid查找与该点欧氏距离小于搜索半径的点构成最近邻点集，并从中顺次筛选两个点与初始点构成初始三角片，其中，搜索半径通过计算点云的平均距离得到，即

所述顺次筛选的两个点所需满足的筛选条件为：

(1)该两点与初始点不在同一直线上；

(2)经过该两点与初始点的圆球内不包含最近邻点集中的其它点；

(3)最近邻点集中的任意其它点都在这三点所构成的三角形的同一侧。

3.如权利要求1所述的方法，其特征在于，最优点的候选点集查找方法中，根据活跃边所属三角片的形状对搜索半径分两种情况计算：(a)若所属三角形为非钝角三角形，则分别计算三个顶点的邻边长度，根据邻边长度的平均值计算搜索半径；(b)若所属三角形为钝角三角形，则参考该三角形的最长边长计算搜索半径。

4.如权利要求1所述的方法，其特征在于，最优点的候选点集查找方法中，通过约束边角度以及约束面角度简化自由点，进而完成对最近邻点集的简化。

5.如权利要求1所述的方法，其特征在于，筛选最优点时，通过定义每个候选点与当前活跃边构建新三角片的构造代价，选择代价最小的点作为最优点，构造代价由法矢角度代价、最大内角代价、边长代价三部分构成。