CN107424189A

CN107424189A - 基于点云数据处理技术的球、圆柱、椭圆锥模型识别方法

Info

Publication number: CN107424189A
Application number: CN201710621191.7A
Authority: CN
Inventors: 孔德明; 田小强; 沈阅
Original assignee: Qianhai Shenzhen Si Tuo Tuo Technology Co Ltd
Current assignee: Qinhuangdao Yan Yan Soft Information System Co. Ltd.
Priority date: 2017-07-27
Filing date: 2017-07-27
Publication date: 2017-12-01

Abstract

本发明涉及基于点云数据处理技术的球、圆柱、椭圆锥模型识别方法，包括以下步骤：利用高精度三维扫描仪对球、圆柱和椭圆锥模型进行扫描并获取球、圆柱和椭圆锥模型的点云数据；利用Delaunay网格划分方法对所得到的球、圆柱和椭圆锥模型的点云数据进行处理，进而获取球、圆柱和椭圆锥模型点云数据的不规则三角网格模型，即TIN(TriangulatedIrregular Network)网格模型；利用最小二乘拟合方法对获得的球、圆柱和椭圆锥模型TIN网格模型上的各空间点最近邻域点集内的各个点进行计算，进而获得球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布规律。

Description

基于点云数据处理技术的球、圆柱、椭圆锥模型识别方法

【技术领域】

本发明涉及三维点云数据处理技术领域，特别涉及一种基于点云数据处理技术的球、圆柱、椭圆锥模型识别方法。

【背景技术】

球、圆柱、椭圆锥模型是形状识别领域中一种典型的被识别对象，其具有相对规则的空间轴对称图形。形状识别技术在航空航天、汽车制造业以及国防工业中起到非常重要作用。如何快速、准确的识别出球、圆柱、椭圆锥模型是三维空间内形状识别领域内的一项急需解决的重要问题。

目前，针对球、圆柱、椭圆锥模型进行检测所采用的主要是直接测量法，包括游标卡尺测量、角度样板检测、正弦规测量等。这些传统测量方法均属于接触式测量方法，在测量过程中，会引发被测物体产生弹性形变，从而引入测量误差。且上述接触式测量方法的测量过程耗时较长，已难满足实际生产检测过程中日益提高的测量需求。在宋海鹰、岑健、谢敏、周卫、冯家辉申请的发明专利(申请号：201610856719.4)所述方法中，对球体的检测采用的是轮廓识别球形目标的检测方法，该方法首先获取球体区域原始图像，利用原始图像的灰度值计算出球体的质心坐标，利用球体的质心坐标得到目标图像区域的偏心度，对当前图像进行二值化处理，利用Prewitt算子对二值化的图像轮廓点进行检测，从而确定球体是否存在。该方法采用的Prewitt算子对噪声比较敏感，对于混合多复杂的噪声图像，处理效果不理想。在郭坡、柯有勇申请的发明专利(申请号：201610854390.8)所述的方法中，采用面阵相机采集圆柱侧面图像，从而计算出圆柱直径和高度。该方法对相机的安装位置以及相机的精度要求很高，测量圆柱面的效率较低。在傅前进、赵纯锋、纪庆高、吴慎高、王继磊、李猛、王安柱、潘登申请的实用新型专利(申请号：201620105044.5)所述方法中，利用锥形支架(固定、移动)对椭圆形钢管夹紧固定，利用支架上的旋转手柄对椭圆形钢管的移动进行控制，利用椭圆度检测仪实现对椭圆形钢管的椭圆度检测。由于现场环境的影响，对测量设备的初期准备工作要求很高，测量椭圆锥体的耗时较长、效率较低。

【发明内容】

针对现有技术中的上述问题，本发明提供了一种基于点云数据处理技术的球、圆柱、椭圆锥模型识别方法，以实现对球、圆柱、椭圆锥模型的识别目的。

为实现上述发明目的，本发明提供一种基于点云数据处理技术的球、圆柱、椭圆锥模型识别方法，包括以下步骤，

步骤一：利用高精度三维扫描仪对标准的球、圆柱、椭圆锥模型进行扫描并获取球、圆柱、椭圆锥模型的点云数据；

步骤二：利用Delaunay网格划分方法对步骤一中所得到的球、圆柱、椭圆锥模型的点云数据进行处理，获取球、圆柱、椭圆锥模型点云数据的不规则三角网格模型，即，TIN网格模型；

步骤三：利用最小二乘拟合方法对步骤二中所获得的球、圆柱、椭圆锥模型TIN网格模型上的各空间点最近邻域点集内的各个点进行计算，获得球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布规律；

步骤四：利用高精度扫描仪对被测模型进行高精度扫描，获取被测模型的点云数据，利用Delaunay网格划分方法对得到的被测模型的点云数据进行处理，获取被测模型的不规则三角网格模型，利用最小二乘拟合方法对获得的被测模型TIN网格模型上的各空间点最近邻域点集内的各个点进行计算，获得被测模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布规律；

步骤五：将步骤四中获得的被测模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布规律与步骤三中获得的球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布规律进行对比，实现对被测模型的识别。

进一步地，步骤三还包括对得到的球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布点进行滤波处理，使用多项式拟合方法对球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布点进行多项式拟合，获得球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布规律。

进一步地，球模型点云数据内各空间点的最近邻域平面法向量分布于一个球面上。

进一步地，圆柱模型点云数据内各空间点的最近邻域平面法向量分布于y＝0的圆环上。

进一步地，椭圆锥模型点云数据内各空间点的最近邻域平面法向量分布于与椭圆锥点云数据中y存在一定对应关系的二次曲线内。

若被测模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布规律与步骤三中获得的球锥模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布规律完全一致，则确定被测模型为球体，同样地，根据被测模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布规律，可以将被测模型确定为是圆柱体、圆锥体或其他形状。

本发明提出一种基于点云数据处理技术的球、圆柱、椭圆锥模型识别方法。首先，对球、圆柱、椭圆锥模型在三维空间内进行高精度扫描，获取其点云数据；利用Delaunay网格划分法对所得到的球、圆柱、椭圆锥模型点云数据构建TIN(TriangulatedIrregularNetwork)网格模型，并对所获得的球、圆柱、椭圆锥模型点云数据的TIN网格模型进行分析，得出球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域点集；其次，利用最小二乘拟合方法对球、圆柱、椭圆锥模型点云数据内各空间点最近邻域点集内的各个点进行计算，获取其最小二乘拟合平面，并将拟合平面所对应的法向量作为球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域平面法向量；第三，对得到的球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布点进行滤波处理，使用多项式拟合方法对球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布点进行多项式拟合，获得球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布规律；最后，利用被测模型点云数据内各空间点在三维空间内分布规律和球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布规律之间的对应关系，从被测模型点云数据内各空间点的最近邻域平面法向量信息中识别出球、圆柱、椭圆锥模型。

与现有技术相比，本发明的有益效果：利用球、圆柱、椭圆锥模型点云数据内各空间点在三维空间内分布规律和球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布规律，得到球、圆柱、椭圆锥模型在三维空间内的空间方程中参数与球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布存在对应关系，根据球、圆柱、椭圆锥模型点云数据内各空间点在三维空间内分布规律和球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布规律之间的对应关系识别球、圆柱、椭圆锥模型。相比于传统的接触式模型的识别方法，本发明所述方法对球、圆柱、椭圆锥模型的识别速度快、准确率高。

【说明书附图】

图1是本发明所述的一种基于点云数据处理技术的球、圆柱、椭圆锥模型识别方法的流程图；

图2(a)是球模型的点云数据的示意图；

图2(b)是圆柱模型的点云数据的示意图；

图2(c)是椭圆锥模型的点云数据的示意图；

图2(d)是球模型云数据内各空间点的最近邻域平面法向量在法向量空间内的分布示意图；

图2(e)是圆柱模型云数据内各空间点的最近邻域平面法向量在法向量空间内的分布示意图；

图2(f)是椭圆锥模型云数据内各空间点的最近邻域平面法向量在法向量空间内的分布示意图；。

【具体实施方式】

参考图1、图2(a)至图2(f)，结合实例，对本发明的具体方案做进一步的描述。

本发明的一种基于点云数据处理技术的球、圆柱、椭圆锥模型识别方法，步骤如下：

步骤一、利用高精度空间扫描仪对球、圆柱、椭圆锥模型进行扫描并获取球、圆柱、椭圆锥模型的点云数据。

利用高精度空间扫描设备对球、圆柱、椭圆锥模型进行扫描，获取球、圆柱、椭圆锥模型上各点在xyz三维空间内的位置信息，利用获取到的球、圆柱、椭圆锥模型在xyz三维空间内的位置信息组成该球、圆柱、椭圆锥模型的点云数据。

步骤二、利用Delaunay网格划分方法对步骤一中所得到的球、圆柱、椭圆锥模型的点云数据进行处理，获取球、圆柱、椭圆锥模型点云数据的不规则三角网格模型，即，TIN网格模型。

利用Delaunay网格划分法对步骤一中所得到的球、圆柱、椭圆锥模型的点云数据进行处理。Delaunay三角网是Voronoi图中具有公共边的相邻多边形的中心构成的三角形。在所有三角形中Delaunay三角网中的三角形内角最大，从而得到Delaunay三角网中每个三角形为最优三角形，该三角形即为TIN网格模型。

步骤三、利用最小二乘拟合方法对步骤二中所获得的球、圆柱、椭圆锥模型TIN网格模型上的各空间点最近邻域点集内的各个点进行计算，获取其最小二乘拟合平面，并将拟合平面所对应的法向量作为球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域平面法向量，获得球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布规律。

根据本发明的一个方面，球体在xyz三维空间内的方程如式(1)所示：

x²+y²+z²＝r² (1)

式中r为任意不为零常数，球体表面上点云数据各空间点最近邻域平面法向量与法向量空间底面XOY_nv之间的夹角应该为通过原点与空间点的直线与xyz三维空间底面之间的夹角，法向量空间坐标轴分别为X_nv、Y_nv、Z_nv，球体点云数据中各空间点的最近邻域平面单位法向量在法向量空间坐标轴上的分量为NV_xi1、NV_yi1、NV_zi1，三者之间的关系如式(2)所示：

NV_xi1 ²+NV_yi1 ²+NV_zi1 ² ＝1(2)

根据式(2)得到球体点云数据内各空间点的最近邻域平面法向量分布于一个球面上。

根据本发明的一个方面，圆柱体在xyz三维空间内的方程如式(3)所示：

x²+y²＝a² (3)

式中a为任意不为零的常数,圆柱体表面上点云数据各空间点最近邻域平面法向量方向为空间点最近邻域平面的垂线的方向，法向量空间坐标轴分别为X_nv、Y_nv、Z_nv，圆柱体点云数据中各空间点的最近邻域平面单位法向量在法向量空间坐标轴上的分量为NV_xi2、NV_yi2、NV_zi2，三者之间的关系如式(4)所示：

根据式(4)得到圆柱体点云数据内各空间点的最近邻域平面法向量分布于y＝0的圆环上。

根据本发明的一个方面，椭圆锥体在xyz三维空间内的方程如式5所示：

x²/a²+y²/b²＝(h-z)²/c² (5)

由式(5)可知

式(5)、(6)中，a、b、c为任意不为零常数，h为椭圆锥体的锥高。椭圆锥底面为椭圆，椭圆的中心到椭圆上任意一点的距离为s，椭圆锥的底面椭圆的方程为：

x²+y²＝s² (7)

式中s为椭圆锥体底面椭圆中心点到椭圆上任意一点的距离，由式(6)、式(7)椭圆锥体在三维空间内的方程写成：

x²+y²＝a²h²/c²+(1-a²/b²)·y²＝s² (8)

通过椭圆锥顶点与椭圆锥底面椭圆上任意一点引一条线段，线段与坐标系原点确定直角三角形平面，椭圆锥面上的点也就是直角三角形斜边上的点，椭圆锥面上的任意一点的法向量方向为直角三角形斜边上点在三角形平面内的垂线方向，垂线与法向量空间底面之间的夹角的斜率记为k₂，三角形的斜边与圆锥体底面之间的夹角的斜率为k₁：

k₁、k₂之间的关系如式(10)所示：

k₁·k₂＝-1 (10)

由式(9)、(10)可以推导出：

法向量空间坐标轴分别为X_nv、Y_nv、Z_nv，椭圆锥体点云数据中各空间点的最近邻域平面单位法向量在法向量空间坐标轴上的分量为NV_xi3、NV_yi3、NV_zi3，三者之间的关系如式(12)所示：

式中i∈[0,N]，且i为整数，将式(11)带入式(12)计算结果如式(13)所示：

椭圆锥体点云数据内各空间点的最近邻域平面法向量在法向量空间内分布于式(13)所示的一条二次曲线内。

步骤四、利用高精度扫描仪对待识别的被测模型进行高精度扫描，所述被测模型可以是球、圆柱、椭圆锥中的任意一个，也可以是其他形状，获取被测模型的点云数据，利用Delaunay网格划分法对点云数据构建TIN网格模型，利用最小二乘拟合方法对各空间点最近邻域点集内的各个点进行计算，获取其最小二乘拟合平面，并将拟合平面所对应的法向量作为被测模型点云数据内各空间点的最近邻域平面法向量，进一步地，对被测模型点云数据内各空间点的最近邻域平面法向量进行滤波处理和多项式拟合，获取被测模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布规律。若被测模型点云数据内各空间点的最近邻域平面法向量分布于一个球面上，则被识别为球体；若被测模型点云数据内各空间点的最近邻域平面法向量分布于y＝0的圆环上，则被识别为圆柱体；若被测模型点云数据内各空间点的最近邻域平面法向量分布于与椭圆锥点云数据中y存在一定对应关系的二次曲线内，则被识别为圆锥体；若被测模型点云数据内各空间点的最近邻域平面法向量不符合任何一种分布，则被识别为非球、圆柱、椭圆锥体。优选地，被测模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布规律与步骤三中获得的球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布规律完全一致，根据被测模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布规律实现对被测模型的识别。

通过应用本发明所述方法，在三维空间内根据球、圆柱、椭圆锥模型的球、圆柱、椭圆锥方程，通过具体实施例子对本发明所述方法做进一步说明：

用进口高精度三轴数控加工中心，设计、制作出球、圆柱、椭圆锥模型曲面结构的真实模型。球体在三维空间内的方程如式14所示：

x²+y²+z²＝50² (14)

圆柱体在三维空间内的方程如式15所示：

x²+y²＝50² (15)

椭圆锥体在三维空间内的方程如式16所示：

x²/2²+y²/1²＝(25-z)²/1² (16)

模型材质为代木5166，模型加工精度为全曲面范围内±0.15mm模型图。模型中球体是由2905个空间点组成的位置信息，球体半径为50mm，圆柱体是由1583个空间点组成的位置信息，圆柱体的半径为50mm，椭圆锥体是由1970个空间点组成的位置信息，椭圆锥体锥高25mm，利用德国ATOS(V7.5)SR2扫描仪上对加工获得的曲面模型进行扫描，得到球、圆柱、椭圆锥模型的真实点云数据如图2(a)、图2(b)、图2(c)所示。利用Delaunay网格划分法对所得到的球、圆柱、椭圆锥模型点云数据构建TIN网格模型，得出球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域点集。利用最小二乘方法对球、圆柱、椭圆锥模型点云数据内各空间点最近邻域点集内的各个点进行计算，获取其最小二乘拟合平面，并将拟合平面的法向量作为球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域平面法向量。法向量参数在法向量空间内的分布如图2(d)、图2(e)、图2(f)所示，在法向量空间内半球体点云数据内各空间点的最近邻域平面法向量分布于一个半球面上，半圆柱体点云数据内各空间点的最近邻域平面法向量分布于y＝0的圆环上。椭圆锥体点云数据内各空间点的最近邻域平面法向量分布于与椭圆锥点云数据中y存在一定对应关系的二次曲线内。根据球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域平面法向量分布证明该检测方法能够实现对球、圆柱、椭圆锥模型的检测与识别。

根据球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域平面法向量识别出球、圆柱、椭圆锥模型，这说明利用该识别方法有效的实现对球、圆柱、椭圆锥模型的识别。

以上所述，仅为本发明具体实施方法的基本方案，但本发明的保护范围并不局限于此，任何熟悉本技术领域的人员在本发明公开的技术范围内，可想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。所有落入权利要求的等同的含义和范围内的变化都将包括在权利要求的范围之内。

Claims

1.一种基于点云数据处理技术的球、圆柱、椭圆锥模型识别方法，其特征在于，包括以下步骤，

2.根据权利要求1所述的识别方法，其特征在于，步骤三还包括对得到的球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布点进行滤波处理，使用多项式拟合方法对球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布点进行多项式拟合，获得球、圆柱、椭圆锥模型点云数据内各空间点的最近邻域平面法向量在法向量空间内的分布规律。

3.根据权利要求1或2所述的识别方法，其特征在于，球模型点云数据内各空间点的最近邻域平面法向量分布于一个球面上。

4.根据权利要求1或2所述的识别方法，其特征在于，圆柱模型点云数据内各空间点的最近邻域平面法向量分布于y＝0的圆环上。

5.根据权利要求1或2所述的识别方法，其特征在于，椭圆锥模型点云数据内各空间点的最近邻域平面法向量分布于与椭圆锥点云数据中y存在一定对应关系的二次曲线内。