CN111696210A - 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 - Google Patents

Abstract

本发明涉及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，对被测物进行高精度海量三维点云数据采集，点云数据结果更趋近于被测物的真实形貌。本发明对采集得到的海量三维点云数据进行特征点云提取，采用离群点提取法对被测物的表面形貌进行处理，获取被测物表面上的特征点云数据，采用点云区域增长分割法，结合法线夹角准则，获取被测物边缘处的特征点云数据。本发明在保留特征点云数据的前提下，对剩余点云数据进行降采样，实现点云的轻量化处理。本发明对轻量化处理后的点云数据进行滑动最小二乘法拟合，使点云数据能够保留表面的细微特征，并对拟合后的点云数据进行点云重构，从而生成保留关键形貌特征的被测物实体模型。

Description

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

技术领域

本发明涉及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，主要是面向海量三维点云数据的特征轻量化及重构的技术和方法。

背景技术

三维点云是在同一空间参考系下通过测量仪器得到的表达空间分布和表面特征的海量点空间坐标的集合，点云处理技术应用在逆向工程、CAD/CAM、机器人学、激光遥感测量、机器视觉、虚拟现实、人机交互、立体3D影像等诸多领域，涉及计算机学、图形学、人工智能、模式识别、几何计算、传感器等诸多学科。

目前，三维点云测量设备能够高效率、高精度的获取几万甚至几十万的数据点，一方面，海量点云数据能够表征更复杂精细的被测物表面形貌，但另一方面，海量的点云数据会影响后续点云数据处理及重构的效率。

因此，如何在不破坏表征被测物特征点云数据的同时，实现海量数据的轻量化，提高后续点云处理及重构的效率，是本领域亟待解决的技术问题。

发明内容

本发明的目的在于：克服现有技术的不足，提供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，通过对采集到的高精度海量三维点云数据进行点云处理，分别采用离群点提取和区域增长法分割实现被测物特征点云的提取，并对剩余点云进行网格降采样，得到保留特征的轻量化点云，对处理后的点云数据进行滑动最小二乘法拟合，对拟合后的轻量化点云数据进行重构，获取保留关键形貌特征的被测物实体模型。该方法能够在保留被测物特征的基础上，实现点云数据量的轻量化，有效地提高了后续点云处理及重构的效率。

本发明目的通过如下技术方案予以实现：

一种基于三维点云数据特征轻量化的点云重构方法，包括以下步骤：

(1)获取表征被测物表面信息的三维点云数据，即初始点云数据；

进一步的，获取表征被测物表面信息的三维点云数据的具体方法为：采用白光干涉仪对被测物进行扫描，获取表征被测物表面信息的三维点云数据，数据量不低于十万个数据点。

(2)对被测物的初始点云数据进行离群点提取，得到构成被测物表面上的特征点云数据；

进一步的，对被测物的三维点云数据进行离群点提取，获取被测物表面上的特征点云数据的具体方法为：

通过对查询点与邻域点集之间的距离统计判断该查询点是否为离群点，对每个点计算该点到其邻域点的平均距离，统计所有点的平均距离分布，计算整个点集的距离平均值μ和样本标准差σ，通过设置标准差倍数阈值std_mul，计算得到判断查询点是否为离群点的距离阈值范围dis为：

dis＝μ±σ*std_mul

依次判断每个点的平均距离是否在距离阈值范围内，若不在该范围内，则该点为离群点，提取出被测物表面上的离群特征点，从而得到被测物表面上的特征点云数据。

(3)对被测物的初始点云数据进行区域增长法分割，结合法线夹角准则，获取被测物边缘处的特征点云数据；

进一步的，对被测物的三维点云数据进行区域增长法分割，结合法线夹角准则，获取被测物边缘处的特征点云数据的具体方法为：

(3.1)计算三维点云数据中每个点的曲率值，将输入点云的曲率值按照从小到大的方式重新排列，从而确定曲率值最小的点作为种子点，对于初始点云Q上的任一点p，设点p与其邻域点构成的协方差矩阵为C，则点p的曲率k的计算方法如下所示：

式中，p₁...p_k为p点的邻域点，

为邻域点均值，k₀、k₁、k₂是协方差矩阵C的特征值，其中k₀为最小特征值参数；

(3.2)对当前设定的种子点的邻域点进行搜索，并且计算两点表面法线的方向向量，通过两个法线方向向量对夹角进行计算，若种子点与邻域点的法线夹角比设置的夹角阈值小，则将邻域点合并至该种子点产生的点云聚类中；

(3.3)对当前点云聚类中的每一个点云数据的每一个邻域点的曲率值进行计算，并将其与设置的曲率阈值参数进行比较，若点云的曲率值小于设置的阈值参数，则将该点作为新的种子点重复执行上述步骤，同时将处理过的种子点进行剔除，直到所有点云都被分割为不同的区域，并得到目标点云的点云聚类；

(3.4)统计每个目标点云的点云聚类中的点云个数n和聚类中的每一点的曲率值k_i，计算每个点云聚类的平均曲率

如下所示：

对计算得到的平均曲率

从小到大进行排序，若点云聚类的平均曲率大于设置的曲率阈值，则该点云聚类为被测物边缘处的特征点云数据。

(4)在初始点云数据中除去步骤(2)和步骤(3)中提取得到的特征点云数据，对初始点云数据中的剩余点云数据进行网格降采样，将网格降采样得到的点云数据与步骤(2)和步骤(3)中提取得到特征点云数据结合，即得到保留被测物关键形貌特征的轻量化点云数据；

进一步的，对初始点云数据中的剩余点云进行网格降采样的具体方法为：

首先，除去初始点云数据中的步骤(2)和步骤(3)得到的特征点云数据，只对剩余点云进行网格降采样处理，在剩余点云数据范围内建立一组空间型的三维体素网格，该网格大小能够设置，然后，计算每个体素内点云数据的近似质心，作为该体素网格的降采样结果，对剩余的体素网格进行相同的降采样处理，从而得到剩余点云数据的网格降采样结果。

(5)对所述轻量化点云数据进行滑动最小二乘法拟合；

进一步的，对轻量化点云数据进行滑动最小二乘法拟合的具体方法为：

在点云平面的局部域上，拟合函数表示为以下形式：

式中，α(x)＝[α₁(x)...α_m(x)]^T为待求系数，p(x)＝[p₁(x)...p_m(x)]^T是项数为m的基函数，并且是一个k阶完备的多项式；通过具有权函数的最小二乘拟合得到α(x)的系数，如下所示：

式中，n是局部区域中的节点数目，y_i为x＝x_i处的节点值，ω(x-x_i)是节点的权函数，对α求导可得：

α(x)＝A^-1(x)B(x)y

其中

B(x)＝[ω(x-x₁)p(x₁)，ω(x-x₂)p(x₂)...ω(x-x_n)p(x_n)]

将求导结果带入到拟合函数中，即可得到滑动最小二乘法的拟合函数，如下所示：

式中，k表示基函数的阶数，

称为形函数，

的定义如下所示：

进一步的，滑动最小二乘法点云拟合的权函数ω(x-x_i)，采用高斯权函数进行点云拟合，如下所示：

式中，h为反映邻域点间期望距离的固定参数。

(6)对拟合后的轻量化点云数据进行重构，获取保留关键形貌特征的被测物实体模型。

进一步的，采用Lawson算法的Delaunay三角剖分法对轻量化三维点云数据进行重构。

进一步的，本发明还提出一种点云重构系统，包括：

初始数据获取模块：获取表征被测物表面信息的三维点云数据，即初始点云数据；

表面特征点云提取模块：对被测物的初始点云数据进行离群点提取，得到构成被测物表面上的特征点云数据；

边缘特征点云提取模块：对被测物的初始点云数据进行区域增长法分割，结合法线夹角准则，获取被测物边缘处的特征点云数据；

降采样模块：在初始点云数据中除去提取得到的特征点云数据，对初始点云数据中的剩余点云数据进行网格降采样，将网格降采样得到的点云数据与提取得到特征点云数据结合，即得到保留被测物关键形貌特征的轻量化点云数据；

平滑模块：对所述轻量化点云数据进行滑动最小二乘法拟合；

重构模块：对拟合后的轻量化点云数据进行重构，获取保留关键形貌特征的被测物实体模型。

本发明与现有技术相比具有如下优点：

(1)本发明通过被测物的三维点云数据进行离群点提取，获取被测物表面上的特征点云数据，能够保留点云表面的细节特征，为后续点云拟合及形貌分析提供更趋近于真实形貌的点云数据。

(2)本发明通过对被测物的三维点云数据进行区域增长法分割，获取被测物边缘处的特征点云数据，能够保留点云边缘处的装配形貌信息，为后续虚拟装配提供关键的装配信息。

(3)本发明通过对剩余点云进行网格降采样，结合保留的特征点云数据，获取被测物特征轻量化点云数据，该点云能够保留被测物的形貌特征，提高后续点云拟合与重构的效率，提升被测物海量点云数据进行点云分析的总效率。

(4)本发明采用滑动最小二乘拟合法和基于Lawson算法的Delaunay三角剖分法对被测物进行三维点云重构，能够使点云保持原始数据，并且能够保留点云表面的细微特征，拟合结果更趋近于零件的真实形貌。

附图说明

图1为本发明的被测物点云特征轻量化及重构流程图；

图2为本发明的初始点云数据采集结果示意图；

图3为本发明的离群点提取结果示意图；

图4为本发明的区域增长分割法结果示意图；

图5为本发明的网格降采样结果示意图；

(1)—为剩余点云结果示意图；

(2)—为点云网格降采样结果示意图；

(3)—为点云特征轻量化结果示意图。

图6为本发明的点云重构结果示意图；

(1)—为点云重构模型示意图；

(2)—为点云重构三角网格示意图。

具体实施方式

本发明实施例提供了一种基于三维点云数据特征轻量化的点云重构方法，该方法包括以下步骤，如图1所示：

步骤一：选用基于多波长干涉原理的白光干涉仪，将被测物放置在一个可360度旋转的工作台上，通过控制传感器沿水平、垂直方向的位移以及转台的旋转角度，利用基于多波干涉技术的点传感器连续测量传感器到被测被测物的距离，获取表征被测物表面信息的高精度海量初始点云数据。

步骤二：被测物的初始点云数据包括十万左右个数据点，点云数据量较大，点云处理消耗时间较长，需要进行点云特征轻量化处理，根据点云特征规则及后续点云重构的需要，采用离群点提取法对被测物表面上的特征点云数据进行提取。

首先，设置点集中每个数据点的邻域点范围为50，计算每个点到其50个邻域点的平均距离d，统计点集中所有点平均距离d的分布，根据该分布计算出整个点集的距离平均值μ和样本标准差σ，通过设置标准差倍数阈值std_mul，计算得到判断点集中某一点是否为离群点的距离阈值范围dis为：

dis＝μ±σ*std_mul

根据点云表面特征分布的实际情况，确定标准差倍数阈值std_mul，依次判断每个点的平均距离d是否在距离阈值范围dis内，若不在该范围内，则该点为离群点，需将该点进行提取。

因此，根据上述方法能够提取出被测物表面上的离群特征点，从而得到被测物表面上的特征点云。

步骤三：采用区域增长分割法对被测物边缘处的特征点云数据进行提取，获取被测物边缘处的特征点云数据。

首先，计算点云中曲率值最小的点，并将该点作为算法的种子点，因为从曲率值最低的部分向四周增长能够有效地控制点云聚类的分割数量，且加快算法的运行速度，因此，需要将输入点云的曲率值按照从小到大的方式重新排列，从而确定曲率值最小的点作为种子点，对于初始点云Q上的任一点p，设点p与其邻域点构成的协方差矩阵为C，则点p的曲率k的计算方法如下所示：

式中，p₁…p_k为p点的邻域点，p为邻域点均值，k₀、k₁、k₂是协方差矩阵C的特征值，其中k₀为最小特征值参数；对当前设定的种子点的邻域点进行搜索，并且计算两点表面法线的方向向量，通过两个法线方向向量对夹角进行计算，若种子点与邻域点的法线夹角比设置的夹角阈值小，则将邻域点合并至该种子点产生的点云聚类中；对当前点云聚类中的每一个点云数据的每一个邻域点的曲率值进行计算，并将其与设置的曲率阈值参数进行比较，若点云的曲率值小于设置的阈值参数，则将该点作为新的种子点重复执行上述步骤，同时将处理过的种子点进行剔除，直到所有点云都被分割为不同的区域，并得到目标点云的点云聚类，统计每个聚类中的点云个数n和聚类中的每一点的曲率值k_i，计算每个点云聚类的平均曲率

如下所示：

对计算得到的平均曲率

从小到大进行排序，若点云聚类的平均曲率大于设置的曲率阈值，则该点云聚类为被测物边缘处的特征点云数据。

步骤四：首先，除去初始点云数据中步骤二和步骤三中得到的特征点云数据，只对剩余点云进行网格降采样处理，在点云数据范围内建立一组空间型的三维体素网格，根据需要的点云降采样程度确定网格大小，然后，计算每个体素内点云数据的近似质心，作为该体素网格的降采样结果，如下所示：

其中(x’,y’,z’)为体素的质心坐标，对剩余的体素网格进行相同的降采样处理，从而得到点云数据的网格降采样结果。

步骤五：将网格降采样处理后的点云数据与步骤二和步骤三提取得到的特征点云数据合并，得到特征轻量化点云数据，对特征轻量化点云数据进行滑动最小二乘法拟合。

在点云平面的局部域上，点云的拟合函数可以表示为以下形式：

式中，α(x)＝[α₁(x)...α_m(x)]^T为待求系数，p(x)＝[p₁(x)...p_m(x)]^T是项数为m的基函数，并且是一个k阶完备的多项式。通过具有权函数的最小二乘拟合得到α(x)的系数，如下所示：

式中，n是局部区域中的节点数目，y_i为x＝x_i处的节点值，ω(x-x_i)是节点的权函数，对α求导可得：

α(x)＝A^-1(x)B(x)y

其中

B(x)＝[ω(x-x₁)p(x₁)，ω(x-x₂)p(x₂)...ω(x-x_n)p(x_n)]

将求导结果带入到拟合函数中，即可得到滑动最小二乘法的拟合函数，如下所示：

式中，k表示基函数的阶数，

称为形函数，

的定义如下所示：

滑动最小二乘法点云拟合的精度主要取决于权函数ω(x-x_i)，采用高斯权函数进行点云拟合，如下所示：

式中，h为反映领域点间期望距离的固定参数，设置合适的h值能够使点云拟合更具全局性，且保留点云的表面特征，通常h值设置为1～1.2内。

步骤六：采用基于Lawson算法的Delaunay三角剖分法完成点云拟合后的三维点云重构。

构造一个包含所有点云数据的超级三角形，放入建立的三角形链表中；将点云序列中的散乱点云依次逐点插入，在三角形链表中查找外接圆包含插入点的三角形(称为该点的影响三角形)，删除影响三角形的公共边，将插入点同影响三角形的全部顶点连接起来，从而完成一个点在三角形链表中的插入；将三角网格中具有公共边的三角形合并为一个四边形，依据最大空圆准则进行检查，看其第四个顶点是否在三角形的外接圆之内，从而完成局部最优化处理，并将优化后的三角形放入Delaunay三角形链表；循环执行直到所有点云插入完毕，完成特征轻量化三维点云重构。

进一步的，本发明还提出一种点云重构系统，包括：

初始数据获取模块：获取表征被测物表面信息的三维点云数据，即初始点云数据；

表面特征点云提取模块：对被测物的初始点云数据进行离群点提取，得到构成被测物表面上的特征点云数据；

边缘特征点云提取模块：对被测物的初始点云数据进行区域增长法分割，结合法线夹角准则，获取被测物边缘处的特征点云数据；

降采样模块：在初始点云数据中除去提取得到的特征点云数据，对初始点云数据中的剩余点云数据进行网格降采样，将网格降采样得到的点云数据与提取得到特征点云数据结合，即得到保留被测物关键形貌特征的轻量化点云数据；

平滑模块：对所述轻量化点云数据进行滑动最小二乘法拟合；

重构模块：对拟合后的轻量化点云数据进行重构，获取保留关键形貌特征的被测物实体模型。

实施例：

本发明通过白光干涉仪获取壳体零件的初始海量三维点云数据，分别采用离群点提取和区域增长法分割实现壳体零件表面及边缘处的特征点云提取，并对初始点云中除去特征点云的剩余点云进行网格降采样，得到保留特征的轻量化点云数据，对轻量化点云数据进行滑动最小二乘法拟合，对拟合后的轻量化点云数据进行重构，获取保留关键形貌特征的壳体零件实体模型，点云处理流程如图1所示。

壳体零件点云数据的具体处理流程如下：

(1)采用白光干涉仪对壳体零件进行表面形貌数据采集，获取表征壳体零件特征的高精度初始海量三维点云数据，图2所示为壳体零件的初始三维点云数据。

(2)对壳体零件的初始点云数据进行特征点云提取，图3所示为采用离群点提取法得到的壳体零件的表面特征点云数据，如壳体零件的凸起或凹陷等特征点云，该方法能够保留壳体零件表面的形貌信息；图4所示为采用区域增长法分割得到的壳体零件的边缘特征点云数据，如壳体零件的倒角等特征点云，该方法能够保留壳体零件边缘的形貌信息。

(3)在壳体零件初始点云中除去图3和图4中的壳体零件特征点云，得到剩余点云数据，如图5(1)所示，将剩余点云部分进行网格降采样，采样结果如图5(2)所示，将网格降采样处理后的剩余点云数据与提取得到的特征点云数据合并，得到特征轻量化点云数据，如图5(3)所示。

(4)对壳体零件特征轻量化点云数据进行滑动最小二乘法拟合，对拟合后的点云进行基于Lawson算法的Delaunay三角剖分重构，如图6(1)所示为壳体零件重构模型示意图，图6(2)所示为壳体零件三角网格示意图。

通过上述步骤，有效地保留了壳体零件表面与边缘处的关键装配信息，提高了点云处理过程的效率，并且最终能够得到保留零件特征信息的壳体零件实体模型。

以上所述，仅为本发明最佳的具体实施方式，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技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。

Claims (10)

1.一种基于三维点云数据特征轻量化的点云重构方法，其特征在于：包括以下步骤：

(1)获取表征被测物表面信息的三维点云数据，即初始点云数据；

(2)对被测物的初始点云数据进行离群点提取，得到构成被测物表面上的特征点云数据；

(3)对被测物的初始点云数据进行区域增长法分割，结合法线夹角准则，获取被测物边缘处的特征点云数据；

(4)在初始点云数据中除去步骤(2)和步骤(3)中提取得到的特征点云数据，对初始点云数据中的剩余点云数据进行网格降采样，将网格降采样得到的点云数据与步骤(2)和步骤(3)中提取得到特征点云数据结合，即得到保留被测物关键形貌特征的轻量化点云数据；

(5)对所述轻量化点云数据进行滑动最小二乘法拟合；

(6)对拟合后的轻量化点云数据进行重构，获取保留关键形貌特征的被测物实体模型。

2.根据权利要求1所述的基于三维点云数据特征轻量化的点云重构方法，其特征在于：获取表征被测物表面信息的三维点云数据的具体方法为：采用白光干涉仪对被测物进行扫描，获取表征被测物表面信息的三维点云数据，数据量不低于十万个数据点。

3.根据权利要求1所述的基于三维点云数据特征轻量化的点云重构方法，其特征在于，对被测物的三维点云数据进行离群点提取，获取被测物表面上的特征点云数据的具体方法为：

通过对查询点与邻域点集之间的距离统计判断该查询点是否为离群点，对每个点计算该点到其邻域点的平均距离，统计所有点的平均距离分布，计算整个点集的距离平均值μ和样本标准差σ，通过设置标准差倍数阈值std_mul，计算得到判断查询点是否为离群点的距离阈值范围dis为：

dis＝μ±σ*std_mul

依次判断每个点的平均距离是否在距离阈值范围内，若不在该范围内，则该点为离群点，提取出被测物表面上的离群特征点，从而得到被测物表面上的特征点云数据。

4.根据权利要求1所述的基于三维点云数据特征轻量化的点云重构方法，其特征在于，对被测物的三维点云数据进行区域增长法分割，结合法线夹角准则，获取被测物边缘处的特征点云数据的具体方法为：

(3.1)计算三维点云数据中每个点的曲率值，将输入点云的曲率值按照从小到大的方式重新排列，从而确定曲率值最小的点作为种子点，对于初始点云Q上的任一点p，设点p与其邻域点构成的协方差矩阵为C，则点p的曲率k的计算方法如下所示：

式中，p₁...p_k为p点的邻域点，

为邻域点均值，k₀、k₁、k₂是协方差矩阵C的特征值，其中k₀为最小特征值参数；

(3.2)对当前设定的种子点的邻域点进行搜索，并且计算两点表面法线的方向向量，通过两个法线方向向量对夹角进行计算，若种子点与邻域点的法线夹角比设置的夹角阈值小，则将邻域点合并至该种子点产生的点云聚类中；

(3.3)对当前点云聚类中的每一个点云数据的每一个邻域点的曲率值进行计算，并将其与设置的曲率阈值参数进行比较，若点云的曲率值小于设置的阈值参数，则将该点作为新的种子点重复执行上述步骤，同时将处理过的种子点进行剔除，直到所有点云都被分割为不同的区域，并得到目标点云的点云聚类；

(3.4)统计每个目标点云的点云聚类中的点云个数n和聚类中的每一点的曲率值k_i，计算每个点云聚类的平均曲率

如下所示：

对计算得到的平均曲率

从小到大进行排序，若点云聚类的平均曲率大于设置的曲率阈值，则该点云聚类为被测物边缘处的特征点云数据。

5.根据权利要求1所述的基于三维点云数据特征轻量化的点云重构方法，其特征在于，对初始点云数据中的剩余点云进行网格降采样的具体方法为：

首先，除去初始点云数据中的步骤(2)和步骤(3)得到的特征点云数据，只对剩余点云进行网格降采样处理，在剩余点云数据范围内建立一组空间型的三维体素网格，该网格大小能够设置，然后，计算每个体素内点云数据的近似质心，作为该体素网格的降采样结果，对剩余的体素网格进行相同的降采样处理，从而得到剩余点云数据的网格降采样结果。

6.根据权利要求1所述的基于三维点云数据特征轻量化的点云重构方法，其特征在于：对轻量化点云数据进行滑动最小二乘法拟合的具体方法为：

在点云平面的局部域上，拟合函数表示为以下形式：

式中，α(x)＝[α₁(x) ... α_m(x)]^T为待求系数，p(x)＝[p₁(x) ... p_m(x)]^T是项数为m的基函数，并且是一个k阶完备的多项式；通过具有权函数的最小二乘拟合得到α(x)的系数，如下所示：

式中，n是局部区域中的节点数目，y_i为x＝x_i处的节点值，ω(x-x_i)是节点的权函数，对α求导可得：

α(x)＝A^-1(x)B(x)y

其中

B(x)＝[ω(x-x₁)p(x₁)，ω(x-x₂)p(x₂) ... ω(x-x_n)p(x_n)]

将求导结果带入到拟合函数中，即可得到滑动最小二乘法的拟合函数，如下所示：

式中，k表示基函数的阶数，

称为形函数，

的定义如下所示：

7.根据权利要求6所述的基于三维点云数据特征轻量化的点云重构方法，其特征在于：滑动最小二乘法点云拟合的权函数ω(x-x_i)，采用高斯权函数进行点云拟合，如下所示：

式中，h为反映邻域点间期望距离的固定参数。

8.根据权利要求1所述的基于三维点云数据特征轻量化的点云重构方法，其特征在于：采用Lawson算法的Delaunay三角剖分法对轻量化三维点云数据进行重构。

9.一种根据权利要求1所述的基于三维点云数据特征轻量化的点云重构方法实现的点云重构系统，其特征在于包括：

初始数据获取模块：获取表征被测物表面信息的三维点云数据，即初始点云数据；

表面特征点云提取模块：对被测物的初始点云数据进行离群点提取，得到构成被测物表面上的特征点云数据；

边缘特征点云提取模块：对被测物的初始点云数据进行区域增长法分割，结合法线夹角准则，获取被测物边缘处的特征点云数据；

降采样模块：在初始点云数据中除去提取得到的特征点云数据，对初始点云数据中的剩余点云数据进行网格降采样，将网格降采样得到的点云数据与提取得到特征点云数据结合，即得到保留被测物关键形貌特征的轻量化点云数据；

平滑模块：对所述轻量化点云数据进行滑动最小二乘法拟合；

重构模块：对拟合后的轻量化点云数据进行重构，获取保留关键形貌特征的被测物实体模型。

10.根据权利要求9所述的点云重构系统，其特征在于：对被测物的三维点云数据进行离群点提取，获取被测物表面上的特征点云数据的具体方法为：

通过对查询点与邻域点集之间的距离统计判断该查询点是否为离群点，对每个点计算该点到其邻域点的平均距离，统计所有点的平均距离分布，计算整个点集的距离平均值μ和样本标准差σ，通过设置标准差倍数阈值std_mul，计算得到判断查询点是否为离群点的距离阈值范围dis为：

dis＝μ±σ*std_mul

依次判断每个点的平均距离是否在距离阈值范围内，若不在该范围内，则该点为离群点，提取出被测物表面上的离群特征点，从而得到被测物表面上的特征点云数据。

Images