CN106846392A - 三维建模的方法和装置 - Google Patents

Abstract

本发明公开了一种三维建模的方法和装置。其中，该方法包括：通过三维激光扫描获取海量三维点云数据；对三维点云数据进行预处理；以及对经预处理的三维点云数据进行曲面重建。本发明解决了传统三维建模精度不足、效率低下、不能适用于大场景应用的技术问题。

Description

三维建模的方法和装置

技术领域

本发明涉及电力服务领域，具体而言，涉及一种三维建模的方法和装置。

背景技术

数字三维模型由于能够直观、生动地表达三维空间信息，越来越多地应用到电力行业中。变电站由于设备种类繁多、结构复杂，对三维重建的真实性和工作效率提出了更高的要求。

从真实世界中精确、有效地重建其三维数字表达一直以来都是在大型场所数字化和智能化所面临的一个难题。传统的三维建模方法无法保证三维模型的尺寸、位置关系等符合真实场景，存在建模过程耗时长、操作复杂、效率低或者建模方法对环境要求过高等缺陷，尤其对于变电站这种复杂场景，无法满足对大型复杂环境三维建模精度和效率的要求。

目前三维建模的方法主要有以下几类：

手工建模

传统的三维建模主要依靠专业美术人员，通过使用专业建模工具软件(如3DSMAX、Maya、AutoCAD、Google SketchUp、MutiGen Creator等)手工创建三维模型。如水晶石、伟景行、神州视景、火星时代、融合资讯、中视典、数虎图像、黑晶等公司都由专业美术人员操作专业工具软件完成模型制作。

手工建模的优点是能够创建出细致、内容丰富的场景模型。但是相对于应用需求，这种方法也存在几个问题：A.依赖专业人员；B.无法保证三维模型的尺寸、位置关系等符合真实场景，尤其对于复杂场景，其精度更是无法保障；C.手工操作繁琐，耗时长，效率低，在很大程度上限制了数字三维模型的广泛应用。

随着三维模型越来越多地应用到各个领域，三维模型的需求量很大，传统手工建模在效率上和精度上都无法满足应用需求，目前很多研究人员在自动化三维建模方面进行着更深入的研究。

基于2DGIS的三维建模

常规的GIS不仅含有三维场景建模所需要的几何信息，如地理目标的位置、建立三维场景所需要的等高线或高程点、建筑物的底面形状、建筑物占地边界与面积、屋顶的倾斜、建筑物的高度、层数等等，而且还有丰富的语义属性信息，如建筑物的用途、建筑年代、名称、结构、权属等等。因此，直接从GIS数据转换到三维场景模型是一个经济快捷的有效途径。

经过多年的发展，基于2DGIS数据建立大规模场景的三维模型已经得到了较为广泛的应用，涌现出了许多成熟和实用的技术，如Arc/Info的3DX模块、Gravitas的三维建筑设计软件等。但总体来说，该技术仍欠完善。例如，其应用范围局限于较规则建筑物的三维建模，对城市的精细部分表达力度不够，视觉效果不是很好；由于GIS数据庞大、复杂，现有重建方法的计算效率较低，同时，重建过程往往需要较多的手工交互，难以实现自动化的处理。

基于建筑图纸的三维建模

在建筑行业中，计算机辅助设计(Design)和绘图(Drafting)方面的研究已经比较成熟，目前已经有相当数量的应用软件，如AutoCAD、PKPM和广厦软件等。近年来，在建筑图纸的计算机三维重建领域的理论研究和应用系统的开发方面也有了一些重要的进展。国外主要的研究机构有加州大学伯克利分校、麻省理工学院、法国国家计算机与自动化科学院和洛林研究中心等；国内的研究机构主要包括清华大学、香港城市大学、浙江大学等。

基于建筑图纸的重建技术经历了多年的尝试和创新，经过国内外学者的不懈努力，在该领域已经取得了显著的成果。但是现有的成果还尚处于尝试阶段，距离产品化还具有一定的距离，存在以下几个问题难于解决：A.现有方法仅适用于满足特定要求的建筑图纸重建。建筑图纸是兼有工程性和艺术性内容的专业图纸，受主观因素的影响，给普适的通用方法带来了巨大的难度。B.输入数据的噪声为后续处理的稳定性增加了难度，同时，识别规则通常具有严格的约束，而且环环相扣，导致算法的鲁棒性大打折扣。C.建筑图纸通常包含大量的离散图元信息，使得搜索或遍历图纸非常耗时。此外，许多方法需要对图纸进行多次搜索才可以完成重建，对效率问题提出了紧迫要求。

基于图像的三维建模

基于图像的三维建模技术主要研究如何从物体或场景的单张图像、图像序列或视频中恢复出其三维模型。国内外许多学者在基于图像的建模方面作了有益的探索，如北卡罗来纳大学，剑桥大学，华盛顿大学，瑞士洛桑理工大学，香港大学、浙江大学等。

经过科研人员努力研究，在提高建模的自动性、精确性和完整性的理论和应用方面取得了很大的进步，取得了大量丰硕的成果。然而，基于图像的建模技术由于其问题本身的复杂性，仍存在一些需要解决的问题。如基于单幅图像重建方法中只适合于某些特殊场景的重建或者需要较多的手工交互、基于多幅图像的建模方法中寻找对应匹配特征点遇到了极大的困难、基于深度图像的几何建模往往需要拼合多幅深度图像才能得到一个物体的完整表示、基于视频图像的三维建模方法的建模结果仅包含部分建筑的临街表面不能完整表达等。由于从图像中提取三维模型是一个病态问题，且解决难度较大，这个问题还没有很好的解决。

基于扫描数据的三维建模

扫描数据是由专用仪器获取的海量点云数据，这些专用仪器包括航拍激光雷达和地面激光扫描仪等。通过航拍激光雷达获得的扫描数据范围大，对于大场景建模更为适用。美国南加州大学、普度大学以及俄亥俄州立大学等基于航拍激光雷达扫描数据进行了大量的研究。由于航拍激光雷达和航拍图像都是以俯瞰的角度进行扫描拍摄，因此数据仅包含建筑等物体的高度信息和屋顶信息，建模结果也是非完整的。通过地面激光扫描仪所获取的数据一般更为精确，适合范围较小的建模。德国图宾根大学、北京大学以及深圳先进研究院等基于地面激光扫描数据进行了三维建模方面的研究。地面激光扫描数据由于本身天然的精确性，其建模结果在几何细节上具有高度的真实性，不过由于数据量较大，影响了建模的速度。

针对各种应用的不同需求，主要的问题是如何有效处理超大量的扫描原始数据和重建有效的三维表达，从而使扫描物体或环境可以被有效地可视化和操控。目前扫描的物体通常只有中等大小(数米高)，现在还不存在某项通用技术对各种形状的物体都适用，从而限制了此技术的适用的范围。

激光扫描技术能够快速采集高精度的点云数据，为三维全真重建提供了基础数据。然而，由于三维扫描设备视角狭窄固定、有效测量距离短、对扫描环境要求过高等缺陷，其应用尚局限于对近距离小尺寸物体的室内几何测量，其苛刻的要求在变电站实际场景中也难以满足，还不存在对各种形状的物体都适用的通用技术。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种三维建模的方法和装置，以至少解决传统三维建模精度不足、效率低下、不能适用于大场景应用的的技术问题。

根据本发明实施例的一个方面，提供了一种三维建模的方法，包括：通过三维激光扫描获取海量三维点云数据；对三维点云数据进行预处理；以及对经预处理的三维点云数据进行曲面重建。

进一步地，对三维点云数据进行预处理至少包括进行以下处理中的一个或多个：点云缺损处理；噪声去除处理；多视对齐处理以及数据精简处理。

进一步地，点云缺损处理采用由上而下的方法生成多边形模型来进行几何重建。

进一步地，数据精简处理包括以下方式中的一个或多个：平均精简，使三维点云数据中每预定个点保留一个点；以及按距离精简，删除三维点云数据中的一些点使得保留的点云数据中点与点之间的距离均大于预定值。

进一步地，对经预处理的所述三维点云数据进行曲面重建至少包括以下步骤中的一个或多个：获取三维点云数据中优先重建的第一点云集合；遍历第一点云集合中的点，并对每个点进行局部曲面拟合以重建局部三维曲面；根据已重建的局部三维曲面，利用增长式局部拟合对与已重建的所述局部三维曲面相邻的第二点云集合中的每个点进行拟合以重建相应的局部三维曲面，直至无未重建的点为止；以及利用局部三维曲面通过局部函数全局混合方法获得三维重建曲面模型。

进一步地，获取三维点云数据中优先重建的第一点云集合包括：估算三维点云数据中的点的法线向量，根据法线向量进行聚类分析，从而获取三维点云数据中优先重建的第一点云集合，其中，法线向量为对以三维点云数据中的一个离散数据点为中心选取的多个点云数据进行平面拟合所得的平面的法线向量。

进一步地，局部函数全局混合方法包括：利用Shepard混合函数来实现局部拟合后的混合。

根据本发明实施例的另一方面，还提供了一种三维建模的装置，包括：数据获取单元，被配置为通过三维激光扫描获取海量三维点云数据；预处理单元，被配置为对三维点云数据进行预处理；以及曲面重建单元，被配置为对经预处理的三维点云数据进行曲面重建。

进一步地，预处理单元对三维点云数据进行预处理至少包括进行以下处理中的一个或多个：点云缺损处理；噪声去除处理；多视对齐处理；以及数据精简处理。

进一步地，点云缺损处理采用由上而下的方法生成多边形模型来进行几何重建。

进一步地，数据精简处理包括以下方式中的一个或多个：平均精简，使三维点云数据中每预定个点保留一个点；以及按距离精简，删除三维点云数据中的一些点使得保留的点云数据中点与点之间的距离均大于预定值。

进一步地，所述曲面重建单元在对经预处理的所述三维点云数据进行曲面重建的过程中被配置为：获取三维点云数据中优先重建的第一点云集合；遍历第一点云集合中的点，并对每个点进行局部曲面拟合以重建局部三维曲面；根据已重建的局部三维曲面，利用增长式局部拟合对与已重建的局部三维曲面相邻的第二点云集合中的每个点进行拟合以重建相应的局部三维曲面，直至无未重建的点为止；以及利用局部三维曲面通过局部函数全局混合方法获得三维重建曲面模型。

进一步地，曲面重建单元在获取三维点云数据中优先重建的第一点云集合的过程中被配置为：估算三维点云数据中的点的法线向量，根据法线向量进行聚类分析，从而获取三维点云数据中优先重建的第一点云集合，其中，法线向量为对以三维点云数据中的一个离散数据点为中心选取的多个点云数据进行平面拟合所得的平面的法线向量。

进一步地，局部函数全局混合方法包括：利用Shepard混合函数来实现局部拟合后的混合。

在本发明实施例中，采用三维激光扫描获取海量三维点云数据的方式，通过对预处理后的三维点云数据进行曲面重建，达到了精确、直观、生动地表达三维空间的目的，从而实现了对于大场景应用的三维建模精度高、速度快的技术效果，进而解决了传统三维建模精度不足、效率低下、不能适用于大场景应用的的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的三维建模的方法的流程图；

图2详细示出根据本发明实施方式的三维建模的各步骤的示意图；

图3示出了局部混合Shepard函数；

图4示出了变电站三维全真重建结果的示意图；以及

图5示出了根据本发明实施例的三维建模的装置的框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本发明实施例，提供了一种三维建模的方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的三维建模的方法的流程图，图2详细示出根据本发明实施方式的三维建模的各步骤的示意图。下面结合图1和图2对根据本发明实施例的三维建模的方法进行描述。如图1所示，该方法包括如下步骤：

步骤S102，通过三维激光扫描获取海量三维点云数据。

激光扫描已成为一种被广为接受的三维数据获取方法，与视距测量法、照相测量法、全球定位系统等其它方法相比，高清晰度三维激光扫描同时也代表着从单个表征点到精确的、细节丰富的三维数据点云的一个方案转变。尤其近几年，很多三维扫描仪的先进技术和新特性被研发出来。如电子水平、倾斜补偿、强制居中、现场物理定位以及传感器融合(例如，数字相机和全球定位系统)等新特性被陆续引入到设备中。运用开放式激光扫描设备，对任意尺度的三维场景进行远近程高精度测量。由于激光扫描仪具有快速性，不接触性、主动性、高密度、高精度等特性，用户可根据具体需要，灵活调整采样精度和测量范围。

如图2所示，三维激光扫描设备进行数据采集，获得超大数据量三维点云数据。整个数据采集过程可以并行、自动地完成，无需再对三维数据与其他信息(如二维图像)进行二次配准，从而显著提升了数据获取的效率。同时，该技术不依赖于光照条件，可在夜间全暗环境下正常工作。在获取三维扫描数据后，得到物体模型的大量离散采样点。

基于扫描数据的三维建模技术因其扫描数据的精确性，为三维场景全真模型的生成奠定了坚实的基础。

步骤S104，对三维点云数据进行预处理。

三维激光扫描系统采集的数据为海量点云数据，点云数据预处理具体至少包括以下几个步骤：点云缺损、噪声去除、多视对齐、数据精简。

步骤S106，对经预处理的三维点云数据进行曲面重建。

为了真实地还原扫描场景的本来面目，需要将扫描数据用准确的曲面表示出来，即，进行曲面重建。本发明采用一种对点云数据进行优先顺序下曲面增长式重建的方法。如图2中所述，将点云数据进行聚类分析，将点云数据划分为一级优先重建点云集合、二级优先重建点云集合、三级优先重建点云集合……、N级优先重建点云集合，对每级点云集合进行局部曲面拟合，最后将所有拟合的所有局部曲面用局部函数全局混合而对三维点云数据进行曲面重建。

通过上述步骤，可以实现海量点云数据的高精度采集，有效处理超大量的扫描原始数据，重建有效的三维表达，从而使得扫描体或环境可以被有效地可视化和操控。

根据本发明的实施例，对三维点云数据进行预处理至少包括进行以下处理中的一个或多个：点云缺损处理；噪声去除处理；多视对齐处理；以及数据精简处理。

根据本发明的实施例，点云缺损处理采用由上而下的方法生成多边形模型来进行几何重建。

根据本发明的实施例，数据精简处理包括以下方式中的一个或多个：平均精简，使三维点云数据中每预定个点保留一个点；以及按距离精简，删除三维点云数据中的一些点使得保留的点云数据中点与点之间的距离均大于预定值。具体地：

点云缺损处理

由于扫描仪位置的物理限制，在所有表面得到完整充足的采样自身存在很大的难度。在这些条件下，即使是超大数据量扫描的某些面仍会部分丢失，甚至全部缺失(如屋顶)。更严峻的是，如玻璃窗或墙等反光性表面经常不能对扫描仪返回有效信号而造成缺失。表面的采样率对扫描仪位置的距离和相对朝向也很敏感。面对这些挑战，本发明解决了如何自动地从点云数据中生成完整的几何信息的问题：采用由上而下的方法重建几何，而不是惯用的由下而上的直接三角化，将生成的多边形模型，与由常规三角化方法得到的具有上百万三角形的模型相比，有着少得多的多边形数目。用多边形取代三角形进行拟合使几何重建过程更加免疫于户外扫描情况下常有的点云缺损。

噪声去除处理

除去点云数据中扫描对象之外的数据。在扫描过程中，由于某些环境因素的影响，比如移动的车辆、行人及树木等，也会被扫描仪采集。这些数据在后处理就要删除。

多视对齐处理

由于被测件过大或形状复杂，扫描时往往不能一次测出所有数据，而需要从不同位置、多视角进行多次扫描，这些点云就需要对齐、拼接称为多视对齐。点云对齐、拼接可以通过在物体表面布设同名控制点来实现。

数据精简处理

由于点云数据是海量数据，在不影响曲面重构和保持一定精度的情况下需要对数据进行精简。常用的精简方法可采用下列方式：

平均精简——原点云中每n个点保留1个；

按距离精简——删除一些点后使保留的点云中点与点间的距离均大于某值。

根据本发明的实施例，对经预处理的所述三维点云数据进行曲面重建至少包括以下步骤中的一个或多个：获取三维点云数据中优先重建的第一点云集合；遍历第一点云集合中的点，并对每个点进行局部曲面拟合以重建局部三维曲面；根据已重建的局部三维曲面，利用增长式局部拟合对与已重建的局部三维曲面相邻的第二点云集合中的每个点进行拟合以重建相应的局部三维曲面，直至无未重建的点为止；以及利用局部三维曲面通过局部函数全局混合方法获得三维重建曲面模型。

根据本发明的实施例，获取所述三维点云数据中优先重建的第一点云集合包括：估算三维点云数据中的点的法线向量，根据法线向量进行聚类分析，从而获取三维点云数据中优先重建的所述第一点云集合，其中，法线向量为对以三维点云数据中的一个离散数据点为中心选取的多个点云数据进行平面拟合所得的平面的法线向量。

具体地，利用优先顺序下曲面增长式重建的方法对三维点云数据进行曲面重建包括：

(1)粗略计算点云数据中的点的法线向量，根据法线向量作聚类分析，得出一级优先重建的点云集合。其中，“粗略计算”的过程为：选取点云数据中的某一个离散数据点，以该点为中心选取其邻域内的n个点云数据，用局部二次函数拟合对这n个点进行平面拟合，然后求取该拟合出的平面的法线向量。

聚类分析的类别选取标准为：将低曲率和低噪声的点云数据进行聚类。低曲率是指曲面的主要区域没有剧烈的曲率变化，可以是低于预先估计的几何体平均曲率的某个比例的曲率，例如低于几何体平均曲率的20％的曲率，也可以是低于几何体最高曲率的一定比例的曲率，例如低于几何体最高曲率的10％的曲率。低噪声是指曲面的主要区域没有突变噪声,可以选取低于噪声最高值的10％的噪声。

(2)针对点云集合，遍历点云集合中的点，对其中的每个点进行局部曲面拟合，重建出几何和拓扑真实的局部三维曲面。

在进行局部曲面拟合时，用移动式最小二乘法重建出局部三维曲面。引入局部二次曲面拟合算法，首先实现局部二次函数拟合，然后通过移动式最小二乘法推进，其中的“移动”通过Shepard混合函数实现，局部二次曲面拟合算法使用隐式方程拟合的局部二次曲面拟合。

(3)根据与其相邻的一级优先已重建出的曲面，对于未被列入一级优先重建的点云集合的点云数据，利用增长式局部拟合，重建出这些点云数据对应的三维曲面；此步骤将一直重复，直至无未重建的点云数据为止。

增长式局部拟合也可以被称为优先级增长式局部回归算法，它能提供优异的平滑特性和鲁棒性。该算法的基本思路是：大多数的真实模型是由两种类型的曲面组成。一种是良好采样的低曲率和低噪声(以下简称“规则区域”)的曲面，可能含有少量(例如20％以下)的尖锐边、峰、突起的区域；另一种是高噪声(以下简称“不规则区域”)曲面。规则区域的中性扩展可以得到不规则区域的特性的预测。

在增长式局部拟合的曲面重建方法中，先反复遍历采样的“规则区域”点云集合，而后遍历“不规则区域”，如一个种子从左到右传播。通过移动式最小二乘法局部曲面拟合，当前活性点会更平滑地移动。因此，通过赋予权值，可以用已经拟合的点来指导它们邻域的点的局部拟合。当前种子没有遍历到的邻域点便被激活，每个邻域内的各点均被基于当前种子的不规则性(“不规则性”描述种子点与其邻域内点云数据的一致性，衡量邻域内的点云数据的质量好坏)赋予权值。不规则性的度量是通过局部法向/灰度变化和局部拟合误差I＝a₁k+a₂e(I为不规则性度量，α₁和α₂为权值，其和等于1，k为局部法向灰度误差，e为局部拟合误差)的组合决定的。下一个当前种子会是其中的一个具有最低不规则性的激活点。

增长式局部拟合在遍历时可以采用优先级前向传播算法。优先级前向传播算法将激活表分成若干优先级区域，采样点只能向下和向右移动，即从优先级的高向低移动，激活表的优先级区域保证了激活表中点基于不规则性的严格排序，保留了数据的三个双向链表－打开表、激活表、关闭表，将激活表分成若干优先级区域，采样点只能向下和向右移动(即从优先级的高向低移动)。激活表的优先级区域避免了激活表中点基于不规则性的严格排序。优先级前向传播算法总是遵循程序的最简单方式。所以，这些散开的规则区域会在被攻击(即遍历)之前被首先围起来。“规则”点局部区域更多拟合点的积累可以提供局部形状线索。点云数据中的任一点(也可以称为“种子”)的跳跃机理：当一些曲面部分受限于一个不规则区域屏障时，这个机理允许一个新的种子“空降”到该区域。开始时，激活表和关闭表都是空的。按照一定规则从打开表中选择一个点到激活表中进行拟合。拟合后得到局部拟合点，进而得到局部拟合的曲线，根据该曲线得到局部区域内各采样点到局部拟合曲线的距离(局部拟合误差)。然后，寻找小于一定阈值的采样点继续放在激活表中。如果该激活表不为空，则再以该激活表中的其他点为采样点进行局部拟合。没有被放在激活表中的采样点将被放在关闭表中。激活表中的多个点的遍历顺序为：以权值最高的点为拟合点做局部拟合。权值的表征方式就是局部拟合误差。

(4)使用局部函数全局混合的方法得出最终的三维重建曲面模型。

局部函数全局混合的方法包括：利用Shepard混合函数来实现局部拟合后的混合。使用移动式最小二乘法，每个曲面上的点的赋值会涉及到两级最小化，一个是基准平面计算时的最小化，另一个是局部多项式拟合的最小化。对于实际应用，这种计算的代价太大，减少计算的方法是给一个典型的测试点集合赋值，然后通过邻域内的典型点来确定所有点的位置。

如图3所示，局部混合Shepard函数的基本原理是：中间是一组以c_i为中心的基准函数和局部支持R_i。左边是基准权函数的投影。右边是两种权函数。以近似某函数R²→R(即二维函数变一维函数，用shepard函数去拟合另外一个函数)为例。

近似的函数的一组典型点的函数值是已知的(例如通过预先设定或者是通过一组曲面局部拟合邻域采样来赋值)，通过p点邻域内典型点的线性组合确定p点的函数值。赋予每个典型点c_i一个连续、正、单调递减的函数w_i(||p-c_i||)作为点c_i的权函数。请注意，这些权函数不一定是同一形式。改进Shepard算法定义函数值f(p):

当w_i(||p-p_i||)是C^∞连续时，函数f(p)的结果可能是C^∞连续。

与一些其他混合方法，比如splines、NURBS(它们有相似的公式)，相比较，改进Shepard算法不需要局部连续的限制，也没有混合核数目的限制，所以适合众多的应用。以上讨论了实函数的混合问题,混合三维曲面时，可以按照Levin局部基准框架的精神，每个曲面被隐式地表达为一个实函数的零点。

根据本发明的实施例，局部函数全局混合方法包括：利用Shepard混合函数来实现局部拟合后的混合。

根据本发明的三维建模的方法，其支持任意物体的几何形状表达及自动重建，实现对扫描场景的快速、准确、高清晰度重建，重建绘制出真实的三维扫描场景，所有尺寸均一比一真实还原，且完全适用于复杂环境，极大提高了三维重建的精度与效率。

图4示出了变电站三维全真重建结果的示意图。

在本发明中，尽管仅示出了将本发明实施例的三维建模的方法应用于变电站的三维全真重建，但本发明并不限于此。很显然，本发明的三维建模的方法同样可以应用于其他大场景的三维重建中。

实施例2

根据本发明的实施例，提供了一种三维建模的装置的装置实施例。

图5示出了根据本发明实施例的三维建模的装置的框图。如图5所示，该三维建模的装置包括：

数据获取单元502，被配置为通过三维激光扫描获取海量三维点云数据。

激光扫描已成为一种被广为接受的三维数据获取方法，与视距测量法、照相测量法、全球定位系统等其它方法相比，高清晰度三维激光扫描同时也代表着从单个表征点到精确的、细节丰富的三维数据点云的一个方案转变。尤其近几年，很多三维扫描仪的先进技术和新特性被研发出来。如电子水平、倾斜补偿、强制居中、现场物理定位以及传感器融合(例如，数字相机和全球定位系统)等新特性被陆续引入到设备中。运用开放式激光扫描设备，对任意尺度的三维场景进行远近程高精度测量。由于激光扫描仪具有快速性，不接触性、主动性、高密度、高精度等特性，用户可根据具体需要，灵活调整采样精度和测量范围。

如图2所示，由获取单元通过三维激光设备进行数据采集，获得超大数据量三维点云数据。整个数据采集过程可以并行、自动地完成，无需再对三维数据与其他信息(如二维图像)进行二次配准，从而显著提升了数据获取的效率。同时，该技术不依赖于光照条件，可在夜间全暗环境下正常工作。在获取三维扫描数据后，得到物体模型的大量离散采样点。

基于扫描数据的三维建模技术因其扫描数据的精确性，为三维场景全真模型的生成奠定了坚实的基础。

预处理单元504，被配置为对三维点云数据进行预处理。

三维激光扫描系统采集的数据为海量点云数据，通过预处理单元对点云数据预处理具体至少包括以下几个步骤：点云缺损、噪声去除、多视对齐、数据精简。

曲面重建单元506，被配置为对经预处理的三维点云数据进行曲面重建。

为了真实地还原扫描场景的本来面目，需要通过曲面重建单元将扫描数据用准确的曲面表示出来，即，进行曲面重建。本发明采用一种对点云数据进行优先顺序下曲面增长式重建的方法。如图2中所述，曲面重建单元将点云数据进行聚类分析，将点云数据划分为一级优先重建点云集合、二级优先重建点云集合、三级优先重建点云集合……、N级优先重建点云集合，对每级点云集合进行局部曲面拟合，最后将所有拟合的所有局部曲面用局部函数全局混合而对三维点云数据进行曲面重建

通过上述单元，可以实现海量点云数据的高精度采集，有效处理超大量的扫描原始数据，重建有效的三维表达，从而使得扫描体或环境可以被有效地可视化和操控。

根据本发明的实施例，预处理单元对三维点云数据进行预处理至少包括进行以下处理中的一个或多个：点云缺损处理；噪声去除处理；多视对齐处理；以及数据精简处理。

根据本发明的实施例，点云缺损处理采用由上而下的方法生成多边形模型来进行几何重建。

根据本发明的实施例，数据精简处理包括以下方式中的一个或多个：平均精简，使三维点云数据中每预定个点保留一个点；以及按距离精简，删除三维点云数据中的一些点使得保留的点云数据中点与点之间的距离均大于预定值。具体地：

点云缺损处理

由于扫描仪位置的物理限制，在所有表面得到完整充足的采样自身存在很大的难度。在这些条件下，即使是超大数据量扫描的某些面仍会部分丢失，甚至全部缺失(如屋顶)。更严峻的是，如玻璃窗或墙等反光性表面经常不能对扫描仪返回有效信号而造成缺失。表面的采样率对扫描仪位置的距离和相对朝向也很敏感。面对这些挑战，本发明解决了如何自动地从点云数据中生成完整的几何信息的问题：采用由上而下的方法重建几何，而不是惯用的由下而上的直接三角化，将生成的多边形模型，与由常规三角化方法得到的具有上百万三角形的模型相比，有着少得多的多边形数目。用多边形取代三角形进行拟合使几何重建过程更加免疫于户外扫描情况下常有的点云缺损。

噪声去除处理

除去点云数据中扫描对象之外的数据。在扫描过程中，由于某些环境因素的影响，比如移动的车辆、行人及树木等，也会被扫描仪采集。这些数据在后处理就要删除。

多视对齐处理

由于被测件过大或形状复杂，扫描时往往不能一次测出所有数据，而需要从不同位置、多视角进行多次扫描，这些点云就需要对齐、拼接称为多视对齐。点云对齐、拼接可以通过在物体表面布设同名控制点来实现。

数据精简处理

由于点云数据是海量数据，在不影响曲面重构和保持一定精度的情况下需要对数据进行精简。常用的精简方法可采用下列方式：

平均精简——原点云中每n个点保留1个；

按距离精简——删除一些点后使保留的点云中点与点间的距离均大于某值。

根据本发明的实施例，曲面重建单元在对经预处理的三维点云数据进行曲面重建的过程中被配置为：获取三维点云数据中优先重建的第一点云集合；遍历第一点云集合中的点，并对每个点进行局部曲面拟合以重建局部三维曲面；根据已重建的局部三维曲面，利用增长式局部拟合对与已重建的局部三维曲面相邻的第二点云集合中的每个点进行拟合以重建相应的局部三维曲面，直至无未重建的点为止；以及利用局部三维曲面通过局部函数全局混合方法获得三维重建曲面模型。

根据本发明的实施例，曲面重建单元在获取三维点云数据中优先重建的第一点云集合的过程中被配置为：估算三维点云数据中的点的法线向量，根据法线向量进行聚类分析，从而获取三维点云数据中优先重建的所述第一点云集合，其中，法线向量为对以三维点云数据中的一个离散数据点为中心选取的多个点云数据进行平面拟合所得的平面的法线向量。

具体地，由曲面重建单元利用优先顺序下曲面增长式重建的方法对三维点云数据进行曲面重建包括：

(1)粗略计算点云数据中的点的法线向量，根据法线向量作聚类分析，得出一级优先重建的点云集合。其中，“粗略计算”的过程为：选取点云数据中的某一个离散数据点，以该点为中心选取其邻域内的n个点云数据，用局部二次函数拟合对这n个点进行平面拟合，然后求取该拟合出的平面的法线向量。

聚类分析的类别选取标准为：将低曲率和低噪声的点云数据进行聚类。低曲率是指曲面的主要区域没有剧烈的曲率变化，可以是低于预先估计的几何体平均曲率的某个比例的曲率，例如低于几何体平均曲率的20％的曲率，也可以是低于几何体最高曲率的一定比例的曲率，例如低于几何体最高曲率的10％的曲率。低噪声是指曲面的主要区域没有突变噪声,可以选取低于噪声最高值的10％的噪声。

(2)针对点云集合，遍历点云集合中的点，对其中的每个点进行局部曲面拟合，重建出几何和拓扑真实的局部三维曲面。

在进行局部曲面拟合时，用移动式最小二乘法重建出局部三维曲面。引入局部二次曲面拟合算法，首先实现局部二次函数拟合，然后通过移动式最小二乘法推进，其中的“移动”通过Shepard混合函数实现，局部二次曲面拟合算法使用隐式方程拟合的局部二次曲面拟合。

(3)根据与其相邻的一级优先已重建出的曲面，对于未被列入一级优先重建的点云集合的点云数据，利用增长式局部拟合，重建出这些点云数据对应的三维曲面；此步骤将一直重复，直至无未重建的点云数据为止。

增长式局部拟合也可以被称为优先级增长式局部回归算法，它能提供优异的平滑特性和鲁棒性。该算法的基本思路是：大多数的真实模型是由两种类型的曲面组成。一种是良好采样的低曲率和低噪声(以下简称“规则区域”)的曲面，可能含有少量(例如20％以下)的尖锐边、峰、突起的区域；另一种是高噪声(以下简称“不规则区域”)曲面。规则区域的中性扩展可以得到不规则区域的特性的预测。

在增长式局部拟合的曲面重建方法中，先反复遍历采样的“规则区域”点云集合，而后遍历“不规则区域”，如一个种子从左到右传播。通过移动式最小二乘法局部曲面拟合，当前活性点会更平滑地移动。因此，通过赋予权值，可以用已经拟合的点来指导它们邻域的点的局部拟合。当前种子没有遍历到的邻域点便被激活，每个邻域内的各点均被基于当前种子的不规则性(“不规则性”描述种子点与其邻域内点云数据的一致性，衡量邻域内的点云数据的质量好坏)赋予权值。不规则性的度量是通过局部法向/灰度变化和局部拟合误差I＝a₁k+a₂e(I为不规则性度量，α₁和α₂为权值，其和等于1，k为局部法向灰度误差，e为局部拟合误差)的组合决定的。下一个当前种子会是其中的一个具有最低不规则性的激活点。

增长式局部拟合在遍历时可以采用优先级前向传播算法。优先级前向传播算法将激活表分成若干优先级区域，采样点只能向下和向右移动，即从优先级的高向低移动，激活表的优先级区域保证了激活表中点基于不规则性的严格排序，保留了数据的三个双向链表－打开表、激活表、关闭表，将激活表分成若干优先级区域，采样点只能向下和向右移动(即从优先级的高向低移动)。激活表的优先级区域避免了激活表中点基于不规则性的严格排序。优先级前向传播算法总是遵循程序的最简单方式。所以，这些散开的规则区域会在被攻击(即遍历)之前被首先围起来。“规则”点局部区域更多拟合点的积累可以提供局部形状线索。点云数据中的任一点(也可以称为“种子”)的跳跃机理：当一些曲面部分受限于一个不规则区域屏障时，这个机理允许一个新的种子“空降”到该区域。开始时，激活表和关闭表都是空的。按照一定规则从打开表中选择一个点到激活表中进行拟合。拟合后得到局部拟合点，进而得到局部拟合的曲线，根据该曲线得到局部区域内各采样点到局部拟合曲线的距离(局部拟合误差)。然后，寻找小于一定阈值的采样点继续放在激活表中。如果该激活表不为空，则再以该激活表中的其他点为采样点进行局部拟合。没有被放在激活表中的采样点将被放在关闭表中。激活表中的多个点的遍历顺序为：以权值最高的点为拟合点做局部拟合。权值的表征方式就是局部拟合误差。

(4)使用局部函数全局混合的方法得出最终的三维重建曲面模型。

局部函数全局混合的方法包括：利用Shepard混合函数来实现局部拟合后的混合。使用移动式最小二乘法，每个曲面上的点的赋值会涉及到两级最小化，一个是基准平面计算时的最小化，另一个是局部多项式拟合的最小化。对于实际应用，这种计算的代价太大，减少计算的方法是给一个典型的测试点集合赋值，然后通过邻域内的典型点来确定所有点的位置。

如图3所示，局部混合Shepard函数的基本原理是：中间是一组以c_i为中心的基准函数和局部支持R_i。左边是基准权函数的投影。右边是两种权函数。以近似某函数R²→R(即二维函数变一维函数，用shepard函数去拟合另外一个函数)为例。

近似的函数的一组典型点的函数值是已知的(例如通过预先设定或者是通过一组曲面局部拟合邻域采样来赋值)，通过p点邻域内典型点的线性组合确定p点的函数值。赋予每个典型点c_i一个连续、正、单调递减的函数w_i(||p-c_i||)作为点c_i的权函数。请注意，这些权函数不一定是同一形式。改进Shepard算法定义函数值f(p):

当w_i(||p-p_i||)是C^∞连续时，函数f(p)的结果可能是C^∞连续。

与一些其他混合方法，比如splines、NURBS(它们有相似的公式)，相比较，改进Shepard算法不需要局部连续的限制，也没有混合核数目的限制，所以适合众多的应用。以上讨论了实函数的混合问题,混合三维曲面时，可以按照Levin局部基准框架的精神，每个曲面被隐式地表达为一个实函数的零点。

根据本发明的实施例，局部函数全局混合方法包括：利用Shepard混合函数来实现局部拟合后的混合。

根据本发明的三维建模的装置，其支持任意物体的几何形状表达及自动重建，实现对扫描场景的快速、准确、高清晰度重建，重建绘制出真实的三维扫描场景，所有尺寸均一比一真实还原，且完全适用于复杂环境，极大提高了三维重建的精度与效率。

图4给出了变电站三维全真重建结果示意图。

在本发明中，尽管仅示出了将本发明实施例的三维建模的装置应用于变电站的三维全真重建，但本发明并不限于此。很显然，本发明的三维建模的装置同样可以应用于其他大场景的三维重建中。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (14)

1.一种三维建模的方法，其特征在于，包括：

通过三维激光扫描获取海量三维点云数据；

对所述三维点云数据进行预处理；以及

对经预处理的所述三维点云数据进行曲面重建。

2.根据权利要求1所述的方法，其特征在于，

对所述三维点云数据进行预处理至少包括进行以下处理中的一个或多个：

点云缺损处理；

噪声去除处理；

多视对齐处理；以及

数据精简处理。

3.根据权利要求2所述的方法，其特征在于，

所述点云缺损处理采用由上而下的方法生成多边形模型来进行几何重建。

4.根据权利要求2所述的方法，其特征在于，

所述数据精简处理包括以下方式中的一个或多个：

平均精简，使所述三维点云数据中每预定个点保留一个点；以及

按距离精简，删除所述三维点云数据中的一些点使得保留的点云数据中点与点之间的距离均大于预定值。

5.根据权利要求1-4中任一项所述的方法，其特征在于，对经预处理的所述三维点云数据进行曲面重建至少包括以下步骤中的一个或多个：

获取所述三维点云数据中优先重建的第一点云集合；

遍历所述第一点云集合中的点，并对每个点进行局部曲面拟合以重建局部三维曲面；

根据已重建的所述局部三维曲面，利用增长式局部拟合对与已重建的所述局部三维曲面相邻的第二点云集合中的每个点进行拟合以重建相应的局部三维曲面，直至无未重建的点为止；以及

利用所述局部三维曲面通过局部函数全局混合方法获得三维重建曲面模型。

6.根据权利要求5所述的方法，其特征在于，获取所述三维点云数据中优先重建的第一点云集合包括：

估算所述三维点云数据中的点的法线向量，根据所述法线向量进行聚类分析，从而获取所述三维点云数据中优先重建的所述第一点云集合，其中，所述法线向量为对以所述三维点云数据中的一个离散数据点为中心选取的多个点云数据进行平面拟合所得的平面的法线向量。

7.根据权利要求5所述的方法，其特征在于，

所述局部函数全局混合方法包括：利用Shepard混合函数来实现局部拟合后的混合。

8.一种三维建模的装置，其特征在于，包括：

数据获取单元，被配置为通过三维激光扫描获取海量三维点云数据；

预处理单元，被配置为对所述三维点云数据进行预处理；以及

曲面重建单元，被配置为对经预处理的所述三维点云数据进行曲面重建。

9.根据权利要求8所述的装置，其特征在于，

所述预处理单元对所述三维点云数据进行预处理至少包括进行以下处理中的一个或多个：

点云缺损处理；

噪声去除处理；

多视对齐处理；以及

数据精简处理。

10.根据权利要求9所述的装置，其特征在于，

所述点云缺损处理采用由上而下的方法生成多边形模型来进行几何重建。

11.根据权利要求9所述的装置，其特征在于，

所述数据精简处理包括以下方式中的一个或多个：

平均精简，使所述三维点云数据中每预定个点保留一个点；以及

按距离精简，删除所述三维点云数据中的一些点使得保留的点云数据中点与点之间的距离均大于预定值。

12.根据权利要求8-11中任一项所述的装置，其特征在于，所述曲面重建单元在对经预处理的所述三维点云数据进行曲面重建的过程中被配置为：

获取所述三维点云数据中优先重建的第一点云集合；

遍历所述第一点云集合中的点，并对每个点进行局部曲面拟合以重建局部三维曲面；

根据已重建的所述局部三维曲面，利用增长式局部拟合对与已重建的所述局部三维曲面相邻的第二点云集合中的每个点进行拟合以重建相应的局部三维曲面，直至无未重建的点为止；以及

利用所述局部三维曲面通过局部函数全局混合方法获得三维重建曲面模型。

13.根据权利要求12所述的装置，其特征在于，所述曲面重建单元在获取所述三维点云数据中优先重建的第一点云集合的过程中被配置为：

估算所述三维点云数据中的点的法线向量，根据所述法线向量进行聚类分析，从而获取所述三维点云数据中优先重建的所述第一点云集合，其中，所述法线向量为对以所述三维点云数据中的一个离散数据点为中心选取的多个点云数据进行平面拟合所得的平面的法线向量。

14.根据权利要求12所述的装置，其特征在于，

所述局部函数全局混合方法包括：利用Shepard混合函数来实现局部拟合后的混合。