CN110322415A - 基于点云的高精度表面三维重构方法 - Google Patents
基于点云的高精度表面三维重构方法 Download PDFInfo
- Publication number
- CN110322415A CN110322415A CN201910606848.1A CN201910606848A CN110322415A CN 110322415 A CN110322415 A CN 110322415A CN 201910606848 A CN201910606848 A CN 201910606848A CN 110322415 A CN110322415 A CN 110322415A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- voxel
- point
- unit
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 238000013480 data collection Methods 0.000 claims description 15
- 230000005484 gravity Effects 0.000 claims description 7
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 238000013144 data compression Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 238000001035 drying Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 230000006835 compression Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000000717 retained effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Generation (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于点云的高精度表面三维重构方法，包括如下步骤：步骤1，在三维虚拟空间中，对原始点云数据集进行体素分割，将原始点云数据集划分为若干个点云数据子集；所述体素分割的方法为：用大量的单位体素包裹住原始点云数据集，使得每一个点云数据都包含在单位体素内；步骤2，将每一个单位体素内的点云数据进行压缩，并在点云数据压缩的同时保留该单位体素内点云数据子集所描述的区域特征；步骤3，基于RANSAC算法，融合压缩后的点云数据，获取去燥处理后的新点云数据集，用于高精度表面三维重构。本发明提升了点云去噪处理的速度。
Description
技术领域
本发明属于三维重构技术领域，具体涉及一种基于点云的高精度表面三维重构方法。
背景技术
三维重构技术一直是图形图像处理和三维视觉效果优化的热门研究领域。面对现代化工业和制造业设计生产的需求发展，三维曲面重构能降低生产时的设计成本和设计周期，而且能应用到很多其他相关领域，对三维曲面重构的研究具有重要实用价值。
三维重构技术涉及的计算机专业领域较多，包括图形图像、视觉处理和三维可视化等方面。随着点云数据采集设备的更新换代和获取方式的不断发展，借助三维激光扫描仪器等容易采集到模型物体的三维空间几何数据，获得的三维空间几何数据被称为点云数据。该数据集包含所测物体的空间几何特征，利用点云数据重构出曲面图以构建原型的三维几何表达，具有重要的理论意义和实用价值。三维重构的任务就是利用虚拟现实的三维仿真技术，将从传感器或者其他设备获得的点云数据进行了逆向处理,在计算机中复现并重构出点云模型的三角曲面图以构建出三维几何表达。三维重构技术在工业高精零件误差检测、数字文物工程、城乡建设与规划、精准医疗分析、虚拟现实和增强现实技术、军事模拟训练等领域中有着广泛的应用。
受到目前点云数据采集方式的影响，模型数据集中的点云数据数量往往是海量数据，这些数据虽能反映器件真实表面特征，但还存在着大量的噪声点。
RANSAC算法，在点云数据预处理中应用颇多。在处理扫描时产生的一些孤立点和冗余点上有着不错的效果。这是一个随机抽样删除模型外部的离群点，并创建仅由模型上的点组成的数据集的过程。主要思想不是在估计参数中没有选择地散乱处理所有的点，而是先设计该特定问题的标准模型和标准，并用此策略来删除那些参数不同的数据。该算法作为一种估计方法，从概率的角度上分析，RANSAC的不确定性也决定了，一个合理、理想的结果是特定的概率才能得到，只有不断增加迭代次数结果越接近理想值。对大量的待处理点云数据而言，不断增加的迭代次数意味着模型重构精度提升不大，但重构的效率却在下降。
发明内容
本发明的目的是提供一种基于点云的高精度表面三维重构方法，针对RANSAC算法的不足之处，从孤立点和冗余点处理的角度上着手，提出基于体素栅格思想的RANSAC算法，在进行大量迭代计算任务前，降低原点云数据集中待处理的点云数量，从而提升点云去噪处理和曲面重构的效率。
本发明提供了一种基于点云的高精度表面三维重构方法，包括如下步骤：
步骤1，在三维虚拟空间中，对原始点云数据集进行体素分割，将原始点云数据集划分为若干个点云数据子集；所述体素分割的方法为：用大量的单位体素包裹住原始点云数据集，使得每一个点云数据都包含在单位体素内；
步骤2，将每一个单位体素内的点云数据进行压缩，并在点云数据压缩的同时保留该单位体素内点云数据子集所描述的区域特征；
步骤3，基于RANSAC算法，融合压缩后的点云数据，获取去燥处理后的新点云数据集，用于高精度表面三维重构。
进一步地，步骤2中所述保留该单位体素内点云数据子集所描述的区域特征，通过选取最接近单位体素重心的数据点作为该点云数据子集中数据点的特征信息保留点得到。
与现有技术相比本发明的有益效果是：
通过在现有RANSAC随机采样一致性算法基础上，从孤立点和冗余点处理的角度上着手，提出体素栅格划分空间的思想，并提出了一种基于体素分割思想的RANSAC算法，从而实现了点云去噪处理速度的有效提升。
附图说明
图1是本发明点云数据集的体素分割示意图；
图2是本发明单位体素空间状态示意图；
图3是本发明点云压缩前后体素内数据点的变化示意图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。
本实施例提供了一种基于点云的高精度表面三维重构方法，包括如下步骤：
步骤1，在三维虚拟空间中，对原始点云数据集进行体素分割，将原始点云数据集划分为若干个点云数据子集；所述体素分割的方法为：用大量的单位体素包裹住原始点云数据集，使得每一个点云数据都包含在单位体素内；
步骤2，将每一个单位体素内的点云数据进行压缩，并在点云数据压缩的同时保留该单位体素内点云数据子集所描述的区域特征；
步骤3，基于RANSAC算法，融合压缩后的点云数据，获取去燥处理后的新点云数据集，用于高精度表面三维重构。
该基于点云的高精度表面三维重构方法，在现有RANSAC随机采样一致性算法基础上，从孤立点和冗余点处理的角度上着手，提出体素栅格划分空间的思想，并提出了一种基于体素分割思想的RANSAC算法，从而实现了点云去噪处理速度的有效提升。
在本实施例中，步骤2中所述保留该单位体素内点云数据子集所描述的区域特征，通过选取最接近单位体素重心的数据点作为该点云数据子集中数据点的特征信息保留点得到。
下面对本发明作进一步详细说明。
首先根据原始点云数据N，在三维虚拟空间中，使用空间体素分割化，即用大量的单位体素包裹住点云数据集，使得每一个点云数据都包含在单位体素内，每一个单位体素内可能会有多个点云数据。图1是点云数据集的体素分割示意图；图2则是单位体素空间状态。
在体素划分完成之后，原始点云数据集被划分为若干个点云数据子集。需要按照一定的标准将每一个单位体素内的点云数据进行压缩，但在点云压缩的同时，又要保留部分该单位体素内点云数据子集所描述的区域特征。本算法选取最接近单位体素重心G(x,y,z)的数据点Q(x,y,z)作为该点云数据子集中n个数据点的特征信息保留点。
设每个体素内最靠近坐标系原点的顶点为Dijh(xi,yj,zh)，其中表示该体素是x轴方向上的第i个体素，是y轴方向上的第j个体素，是z轴方向上的第h个体素，位置向量为坐标向量为p＝(xi,yj,zh)。体素边长为l＝(lx,ly,lz)，分别代表x,y,z轴方向的体素边长。故而通过p＝dl求得的顶点Dijh(xi,yj,zh)。单位体素内的重心G(x,y,z)坐标向量g＝(x,y,z)可由g＝dl+0.5l计算得出。
单位体素的边长l＝(lx,ly,lz)直接影响到单位体素内的点云数据数量，因而需要进行合理的估算。l过大会影响点云压缩的效率，l过小会产生空体素格。单位体素为正方体，即lx＝ly＝lz，计算公式(1)，(2)如下。其中α是比例因子，用来调节单位体素的边长；θ是比例系数；n′是理想状态下单位体积内的点云数据数量；Lx，Ly，Lz是整个点云数据集中分别沿x轴、y轴、z轴的最大坐标值，V为覆盖所有点云数据所需的最小体素。
V＝Lx×Ly×Lz (3)
单位体素边长的最终公式表达为：
重心G(x,y,z)坐标向量g＝(x,y,z)为：
g＝((i+0.5)l′,(j+0.5)l′,(h+0.5)l′) (5)
遍历体素内的每一个点云数据Qk(xk,yk,zk)，(k＝1,2,…,n)。计算每个数据点到体素重心G(x,y,z)的空间欧氏距离sk，(k＝1,2,…,n)。
sk＝((x-xk)2+(y-yk)2+(z-zk)2)1/2 (6)
得到最小的sk，(k＝1,2,…,n)，保留该点云数据，并舍去点云数据子集中剩余的n-1个点云数据。图3展示了在一个单位体素内，体素分割化点云压缩前后的变化。
在RANSAC的经典公式中，求解模型的关键在于从一组数据点中找到所有有效的内点，所谓内点即是符合“最佳”模型的数据点。有效的内点数量通常是未知的。RANSAC算法通过从输入的数据点集重复绘制随机样本，以一定的概率找到所有符合要求的内点和相应的模型。m是用于判断在数据集中模型适用度的数量标准。
假设t为当前迭代计算的次数，初值为0。
1)当t小于目标迭代次数r时，从数据集中随机选取num个数据点，然后构造一个适用于num的模型mb_model。
2)对剩余(N-num)个点进行遍历，从中寻找能满足于模型mb_model的数据点，并计入适用于该模型的数据点数量中。
3)当适用于该模型的数据点数量大于设定的标准数量m时，则认为找到了本次迭代计算中的最优模型b_model。
4)然后通过一定的策略来判断b_model对于数据集中所有点的适用度。
5)若b_model的适用度高于前(t-1)次迭代计算中的最优模型model，则更新model和当前最佳适用度。
6)重复执行1)，不断寻找最优模型model直至迭代计算结束。
在原RANSAC算法中，假设w是每次从点云数据集N中选取一个点恰好是内点的概率。w的值通常是未知的，但是可以通过公式(7)进行粗略地估算。
P是原RANSAC算法在运行后提供有效模型的理想概率。迭代次数r是P的函数。min是适用于该模型数据点数量的最小值。满足公式(8)。
融入体素划分思想后的改进RANSAC算法中，可以根据公式(1)(2)(7)推算出V中的单位体素的数量N′,即
由于改进后的算法会在单位体素内进行点云压缩,故而N′＜N一定成立。在对原RANSAC算法的模型适用度数量标准m不变的前提下，每次从点云数据集中选取内点的概率w′高于w。这意味着经过体素划分后，有效地提高了改进RANSAC算法的生成模型对同一点云数据集的适用性。
同样地，体素分割将单位体素内的有限数据点进行优化选择，从公式推演可以得出一个另结论：r′是在改进后RANSAC算法的迭代次数，在有效模型的理想概率P和适用于该模型数据点的最小数量min不变的前提下，将迭代次数缩减，显著提升效率。
融合体素分割思想后的改进RANSAC算法能更高概率、更快速地求出有效地除噪模型，为后续的点云重构提供了更加规则、更加易于处理的新点云数据集。
本发明具有如下技术效果。
(1)在进行曲面重构的过程中常常会借助RANSAC(随机采样一致性)进行去噪处理，但是传统的RANSAC算法应用于曲面重构时会耗费大量的时间。相比传统RANSAC算法，本发明能有效减少迭代计算的次数，达到降低耗时的目的，平均降低47.51％的算法执行时间。
(2)本发明提出的基于体素分割思想的RANSAC算法，通过实验验证证明，该算法能使处理后模型误差仅在小数点后千分位。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
Claims (2)
1.一种基于点云的高精度表面三维重构方法，其特征在于，包括如下步骤：
步骤1，在三维虚拟空间中，对原始点云数据集进行体素分割，将原始点云数据集划分为若干个点云数据子集；所述体素分割的方法为：用大量的单位体素包裹住原始点云数据集，使得每一个点云数据都包含在单位体素内；
步骤2，将每一个单位体素内的点云数据进行压缩，并在点云数据压缩的同时保留该单位体素内点云数据子集所描述的区域特征；
步骤3，基于RANSAC算法，融合压缩后的点云数据，获取去燥处理后的新点云数据集，用于高精度表面三维重构。
2.根据权利要求1所述的基于点云的高精度表面三维重构方法，其特征在于，步骤2中所述保留该单位体素内点云数据子集所描述的区域特征，通过选取最接近单位体素重心的数据点作为该点云数据子集中数据点的特征信息保留点得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910606848.1A CN110322415A (zh) | 2019-07-06 | 2019-07-06 | 基于点云的高精度表面三维重构方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910606848.1A CN110322415A (zh) | 2019-07-06 | 2019-07-06 | 基于点云的高精度表面三维重构方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110322415A true CN110322415A (zh) | 2019-10-11 |
Family
ID=68122995
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910606848.1A Pending CN110322415A (zh) | 2019-07-06 | 2019-07-06 | 基于点云的高精度表面三维重构方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110322415A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116520289A (zh) * | 2023-07-04 | 2023-08-01 | 东莞市新通电子设备有限公司 | 五金件加工过程智能控制方法及相关装置 |
| CN117409152A (zh) * | 2023-12-15 | 2024-01-16 | 山东绿城家居有限公司 | 一种用于自动化编织筐三维仿真方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1783143A (zh) * | 2005-09-09 | 2006-06-07 | 天津大学 | 彩色三维点云数据前期处理算法 |
-
2019
- 2019-07-06 CN CN201910606848.1A patent/CN110322415A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1783143A (zh) * | 2005-09-09 | 2006-06-07 | 天津大学 | 彩色三维点云数据前期处理算法 |
Non-Patent Citations (1)
| Title |
|---|
| MA LI等: "An Improved RANSAC Surface Reconstruction Study", 《PROCEEDINGS OF 2019 3RD INTERNATIONAL CONFERENCE ON DATA MINING, COMMUNICATIONS AND INFORMATION TECHNOLOGY》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116520289A (zh) * | 2023-07-04 | 2023-08-01 | 东莞市新通电子设备有限公司 | 五金件加工过程智能控制方法及相关装置 |
| CN116520289B (zh) * | 2023-07-04 | 2023-09-01 | 东莞市新通电子设备有限公司 | 五金件加工过程智能控制方法及相关装置 |
| CN117409152A (zh) * | 2023-12-15 | 2024-01-16 | 山东绿城家居有限公司 | 一种用于自动化编织筐三维仿真方法 |
| CN117409152B (zh) * | 2023-12-15 | 2024-03-15 | 山东绿城家居有限公司 | 一种用于自动化编织筐三维仿真方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100559398C (zh) | 自动的深度图像配准方法 | |
| CN104268934B (zh) | 一种由点云直接重建三维曲面的方法 | |
| Zhang et al. | An efficient approach to directly compute the exact Hausdorff distance for 3D point sets | |
| CN105654483B (zh) | 三维点云全自动配准方法 | |
| CN103310481B (zh) | 一种基于模糊熵迭代的点云精简方法 | |
| CN111415379B (zh) | 一种基于布谷鸟优化的三维点云数据配准方法 | |
| CN111696210A (zh) | 一种基于三维点云数据特征轻量化的点云重构方法及系统 | |
| CN106780458B (zh) | 一种点云骨架提取方法及装置 | |
| Chen et al. | Point cloud resampling using centroidal Voronoi tessellation methods | |
| CN109903319B (zh) | 一种基于多分辨率的快速迭代最近点配准算法 | |
| CN108920765B (zh) | 一种基于建筑物三维线段模型的假设平面拟合方法 | |
| CN112233249B (zh) | 基于密集点云的b样条曲面拟合方法及装置 | |
| CN110378175A (zh) | 道路边沿的识别方法和装置 | |
| CN110070567A (zh) | 一种地面激光点云配准方法 | |
| CN111710023B (zh) | 一种三维点云数据特征点提取方法及应用 | |
| CN113034554B (zh) | 基于混沌反向学习的鲸鱼优化的破损俑体碎片配准方法 | |
| CN112288859B (zh) | 一种基于卷积神经网络的三维人脸建模方法 | |
| CN110322415A (zh) | 基于点云的高精度表面三维重构方法 | |
| CN113312778A (zh) | 一种自适应于模型几何特征的非结构网格生成方法 | |
| CN112767552A (zh) | 基于支持向量机的散乱点云三角化方法 | |
| CN117274339A (zh) | 一种基于改进的iss-3dsc特征结合icp的点云配准方法 | |
| CN105869210A (zh) | 三维地质表面模型中的插值数据处理方法 | |
| CN105931297A (zh) | 三维地质表面模型中的数据处理方法 | |
| CN117058311A (zh) | 一种基于隐表示的大规模园林场景点云曲面重建方法 | |
| CN110738726B (zh) | 一种基于八叉树的机器人视觉引导三维物体重建方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191011 |
|
| RJ01 | Rejection of invention patent application after publication |