CN112200915A - 一种基于靶标三维模型纹理影像的前后形变量检测方法 - Google Patents
一种基于靶标三维模型纹理影像的前后形变量检测方法 Download PDFInfo
- Publication number
- CN112200915A CN112200915A CN202011190498.4A CN202011190498A CN112200915A CN 112200915 A CN112200915 A CN 112200915A CN 202011190498 A CN202011190498 A CN 202011190498A CN 112200915 A CN112200915 A CN 112200915A
- Authority
- CN
- China
- Prior art keywords
- model
- target
- damage
- point
- distance
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 53
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000009466 transformation Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 10
- 238000013519 translation Methods 0.000 claims description 10
- 206010034701 Peroneal nerve palsy Diseases 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 239000012634 fragment Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 241000283007 Cervus nippon Species 0.000 description 2
- 210000003056 antler Anatomy 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于靶标三维模型纹理影像的前后形变量检测方法,包括以下步骤:S1.分别获取毁伤前后的三角网络模型,进而分别获取毁伤前后的三角网络模型相应的OBJ文件从而得到毁伤前后的模型顶点数据集,并对毁伤前后的三角网络模型分别进行预处理;S2.基于PCA算法对毁伤前后的三角网络模型进行初始定位;S3.通过改进的ICP算法对初始定位后的三角网络模型进行位置校准;S4.分别基于距离和基于相似度对局部变形量进行计算和毁伤分析。本发明针对毁伤前后的三维模型提取目标纹理影像,通过对纹理影像进行图像识别,优化变化检测算法,通过K‑D树邻近算法来提高查找对应点的速度,提供了一种高速度和高精度的形变检测方法。
Description
技术领域
本发明涉及图像检测技术领域,更具体的说是涉及一种基于靶标三维模型纹理影像的前后形变量检测方法。
背景技术
根据靶标形变量进行毁伤评估是一项要求很高而且高风险的工作,根据数据信息来源的不同,可以分为三种:基于武器目标信息的目标易损性/战斗部威力分析方法(Vulnerability and Lethality,V/L)、基于航空航天侦察图像变化检测方法、基于无人机实景三维模型的目标毁伤效果评估方法。国内相关院所开始着手于此方面的研究,但目前进展较为缓慢。
目前,在部队打靶训练中,无人机对靶标倾斜摄影数据的获取建立打击前后靶标的实景三维模型,提取模型纹理图片,通过面向对象法对纹理截图进行影像分割与影像分类,再目视判读纹理影像的变化部分,映射至模型,获得靶标的破片分布。采用此方法可以通过实景三维建模技术对毁伤前后的靶标可视化,而且可以分析目标的破片情况;但是却也存在一些问题:①无人机实景三维建模精度不能满足毁伤评估要求,需要提高建模精度;②之前的研究只是针对破片毁伤元展开研究,没有针对冲击波毁伤元的研究;③评估过程需要通过人工判图,依赖于判图员,不利于毁伤评估的严谨性。
因此,提出一种高精度高效率的基于靶标三维模型纹理影像的前后形变量检测方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于靶标三维模型纹理影像的前后形变量检测方法
为了实现上述目的,本发明采用如下技术方案:
一种基于靶标三维模型纹理影像的前后形变量检测方法,包括以下步骤:
S1.分别获取毁伤前后的三角网络模型,进而分别获取毁伤前后的三角网络模型相应的OBJ文件从而得到毁伤前后的模型顶点数据集,并对毁伤前后的三角网络模型分别进行预处理;
S2.基于PCA算法对毁伤前后的三角网络模型进行初始定位;
S3.通过改进的ICP算法对初始定位后的三角网络模型进行位置校准;其中,位置校准包括以下步骤:
S31.将毁伤前后的三角网络模型分别作为待配准模型和目标模型;
S32.通过基于迭代邻近算法的垂足法,搜索待配准模型上的顶点在目标模型上的对应点,并通过K-D树加速搜索过程,获得对应点集;求解变换矩阵,将待配准模型根据变换矩阵进行转换;
S33.对转换后的待配准模型通过S32进行迭代,直到迭代的误差值小于设定阈值,完成位置校准;
S4.分别基于距离和基于相似度对局部变形量进行计算和毁伤分析。
优选的,S1中预处理包括孔洞修补、边角去除、噪声去除、网格细分和网格简化。
优选的,S2中初始定位的具体步骤为:
S21.将S1获得的毁伤前后的模型顶点数据集分别作为源目标模型顶点数据集Pi和目标模型顶点数据集Qi;
S22.根据Pi和Qi计算毁伤前后的三角网络模型的质心坐标:
其中N为顶点的个数;
S23.计算毁伤前后的三角网络模型对应的两组点云协方差矩阵:
S24.分别计算协方差矩阵对应的特征向量和特征值;最大特征值对应的特征向量方向称为第一主方向,其余依次为第二主方向和第三主方向;
S25.对目标模型进行旋转变换,坐标轴x,y,z分别与第一主方向、第二主方向和第三主方向对齐,完成初始定位。
优选的,所述K-D树邻近搜索方法的具体步骤为:
(1)搜寻匹配点:将待配准模型的顶点与分裂维的值进行比较,若小于,则进入左子树,若大于,则进入右子树;再通过与分裂维的值进行比较的方式进入下一个二叉树,最终到达叶子结点,计算该点到叶子结点的距离,并记录;
(2)进行“回溯”操作:在搜索路径上寻找距离待查结点最近的点,并查找此结点的父节点,确定最邻近点,最邻近点则为对应点;
(3)算法迭代:反复进行①和②操作,结果为空时结束搜索。
优选的,S32中搜索待配准模型上的顶点在目标模型上的对应点的方法还包括垂足法,具体的步骤为:
对于目标模型上的一个三角面片的三个顶点,设r1(x1,y1,z1)、r2(x2,y2,z2)和r3(x3,y3,z3)为三个顶点坐标,且三个顶点唯一确定的平面S表示为:
Ax+By+Cz+D=0
则待配准模型上最邻近的一个顶点Pi(xi,yi,zi)到平面的距离为:
若点Pi在平面S上的投影在三角形内部,或者三角形上,则垂足为最邻近点,根据点到平面垂线最近原则,最邻近点距离为垂线段长度;若点Pi在平面S上的投影在三角形外部,则计算点Pi到三个顶点的距离pir1、pir2、pir3,最短距离的点为对应点,对应点之间的距离为:
dj=min{d0,|pip1|,|pip2|,|pip3|}
对于目标模型上Nt个三角面片,Pi到所有三角面片的距离为:
li=min{d1,d2,d3,...dj...dNt}
其中,dj为点Pi到第j个三角片的距离。
优选的,求解变换矩阵的具体步骤为:
目标函数F具体表示为:
式中:R为旋转矩阵,T为平移矩阵;
分别从Pi和Qi中减去相应的质心pc和qc,去除平移变换的影响,得到Pi’和Qi’如下所示:
P'i=Pi-pc,Q'i=Qi-qc
则去除平移变换的影响后的目标函数为:
则进一步推出:
若使上式结果的最大化,令H=∑P'iQ'i T,Tr表示矩阵的迹;对H矩阵进行奇异值分解,则:
H=UWVT
其中,U、V是正交矩阵,W是对角矩阵;
则变换矩阵表达为:
R=VUT,T=qc-R*pc。
优选的,待配准模型与目标模型之间的平均误差的计算方法为:
优选的,S4中基于距离对局部变形量进行计算和毁伤分析的具体方法为:计算对应点之间的最小距离,取最小距离点集中的最大值为模型局部的形变量。
优选的,S4中基于相似度对局部变形量进行计算和毁伤分析的具体方法为:
定义差值平方和函数为:
SSD=∑|Qi-RPi-T|2
定义相似度函数为:
其中,SSD为模型M,N的最小差值平方和,LM为模型M顶点至原点的距离平方和,LN为模型N中与模型M顶点相对应顶点至原点的距离平方和;
当S值越大目标模型形变量越大,S值越小目标模型形变量越小。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于靶标三维模型纹理影像的前后形变量检测方法,通过对毁伤前后三角网格模型的提取,进行基于主成分分析法的初始定位与基于改进后的迭代邻近算法的位置校准,其中通过K-D树邻近算法来对最近点进行搜寻,有效降低了邻近点搜寻的计算复杂度,且使该方法有较好的收敛速度,有效提高了搜索速度,极大程度上提高模型匹配速度和匹配准确度,且进一步分别基于距离和基于相似度对局部变形量进行计算和毁伤分析,解决了现有技术中对形变的分析依赖于人工的问题,有效提高了形变分析的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的一种基于靶标三维模型纹理影像的前后形变量检测方法的流程图;
图2附图为本发明提供的一种基于靶标三维模型纹理影像的前后形变量检测方法中PCA初始定位过程;
图3附图为本发明实施例中提供的梅花鹿模型配准结果对比图;其中图(a)为原始模型图;图(b)为PCA算法初始定位后模型图;图(c)为传统ICP算法配准后模型图;图(d)为改进后的ICP算法配准后模型图;
图4附图为本发明实施例中提供的玩具模型配准结果对比图;其中图(a)为原始模型图;图(b)为PCA算法初始定位后模型图;图(c)为传统ICP算法配准后模型图;图(d)为改进后的ICP算法配准后模型图;
图5附图为本发明实施例中提供的汽车模型配准结果对比图;其中图(a)为原始模型图;图(b)为PCA算法初始定位后模型图;图(c)为传统ICP算法配准后模型图;图(d)为改进后的ICP算法配准后模型图;
图6附图为本发明实施例中提供的ICP算法改进前后迭代次数各模型的曲线示意图;其中图(a)为梅花鹿模型改进前后迭代次数曲线示意图;图(b)为玩具模型改进前后迭代次数曲线示意图;图(c)为汽车模型改进前后迭代次数曲线示意图。
具体实施方式
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,都属于本发明保护的范围。
本发明实施例公开了一种基于靶标三维模型纹理影像的前后形变量检测方法,如图1所示,包括以下步骤:
S1.分别获取毁伤前后的三角网络模型,进而分别获取毁伤前后的三角网络模型相应的OBJ文件从而得到毁伤前后的模型顶点数据集,并对毁伤前后的三角网络模型分别进行预处理;
S2.基于PCA算法对毁伤前后的三角网络模型进行初始定位;
S3.通过改进的ICP算法对初始定位后的三角网络模型进行位置校准;其中,位置校准包括以下步骤:
S31.将毁伤前后的三角网络模型分别作为待配准模型和目标模型;
S32.通过基于迭代邻近算法的垂足法,搜索待配准模型上的顶点在目标模型上的对应点,并通过K-D树加速搜索过程,获得对应点集;求解变换矩阵,将待配准模型根据变换矩阵进行转换;
S33.对转换后的待配准模型通过S32进行迭代,直到迭代的误差值小于设定阈值,完成位置校准;
S4.分别基于距离和基于相似度对局部变形量进行计算和毁伤分析。
需要说明的是:
OBJ文件是纯文论文件,由三角网格面片组成,三角网格的数据由几何和连接关系两部分组成,几何包括顶点的x,y,z坐标及顶点的法向量等,连接关系。
在经过PCA初始定位后,还应使两模型精确对准,精确配准可以使两个模型达到最佳融合状态,使打击前后模型之间的距离或者角度最小。最近点迭代算法(ICP)可应用于点云集合的配准,但是在处理数据过程中有着一些缺陷,主要集中在最近点查找过程中,因此需要对其寻找最近点进行改进。
为了进一步实施上述技术方案,S1中预处理包括孔洞修补、边角去除、噪声去除、网格细分和网格简化。
为了进一步实施上述技术方案,S2中初始定位的具体步骤为:
S21.将S1获得的毁伤前后的模型顶点数据集分别作为源目标模型顶点数据集Pi和目标模型顶点数据集Qi;
S22.根据Pi和Qi计算毁伤前后的三角网络模型的质心坐标:
其中N为顶点的个数;
S23.计算毁伤前后的三角网络模型对应的两组点云协方差矩阵:
S24.分别计算协方差矩阵对应的特征向量和特征值;最大特征值对应的特征向量方向称为第一主方向,其余依次为第二主方向和第三主方向;
S25.对目标模型进行旋转变换,坐标轴x,y,z分别与第一主方向、第二主方向和第三主方向对齐,完成初始定位。
需要说明的是:
将预处理后的两个模型进行初始定位,初始定位的目的是缩小两个三角网格模型对应点之间的距离,使打击前后模型具有校准条件。基于主成分分析法的模型对齐全过程相对于现有技术中的手动对齐来说是自动的过程,基本思想是定义新的正交坐标系,将待配准的模型顶点构造线性变换映射到新的坐标系统下,使对齐后的模型处在特定的位置,避免模型因位置、角度和大小不同对模型量分析结果产生影响,有利于后面形变量计算,PCA初始定位过程如图2所示,分别为两个模型配准前后的位置。
为了进一步实施上述技术方案,所述K-D树邻近搜索方法的具体步骤为:
(1)搜寻匹配点:将待配准模型的顶点与分裂维的值进行比较,若小于,则进入左子树,若大于,则进入右子树;再通过与分裂维的值进行比较的方式进入下一个二叉树,最终到达叶子结点,计算该点到叶子结点的距离,并记录;
(2)进行“回溯”操作:在搜索路径上寻找距离待查结点最近的点,并查找此结点的父节点,确定最邻近点,最邻近点则为对应点;
(3)算法迭代:反复进行①和②操作,结果为空时结束搜索。
需要说明的是:
经典的ICP算法是一种多次迭代的算法,当模型数据量小的时候,运算速度很快,然而最实际应用过程中,获取的靶标模型数据量巨大,迭代运算复杂,运算时间很长。因此本实施例中提出一种基于K-D树邻近树的搜索方法,由于K-D树的数据结构在范围和近邻搜索中有着较好的适用性,且可以有效降低对近邻点搜寻的计算复杂度,拥有良好的收敛速度,能够很好地改善算法的执行效率,因此可以提高搜索速度,提升ICP算法的性能。
在本实施例中,
为了进一步实施上述技术方案,S32中搜索待配准模型上的顶点在目标模型上的对应点的方法还包括垂足法,具体的步骤为:
对于目标模型上的一个三角面片的三个顶点,设r1(x1,y1,z1)、r2(x2,y2,z2)和r3(x3,y3,z3)为三个顶点坐标,且三个顶点唯一确定的平面S表示为:
Ax+By+Cz+D=0
则待配准模型上最邻近的一个顶点Pi(xi,yi,zi)到平面的距离为:
若点Pi在平面S上的投影在三角形内部,或者三角形上,则垂足为最邻近点,根据点到平面垂线最近原则,最邻近点距离为垂线段长度;若点Pi在平面S上的投影在三角形外部,则计算点Pi到三个顶点的距离pir1、pir2、pir3,最短距离的点为对应点,对应点之间的距离为:
dj=min{d0,|pip1|,|pip2|,|pip3|}
对于目标模型上Nt个三角面片,Pi到所有三角面片的距离为:
li=min{d1,d2,d3,...dj...dNt}
其中,dj为点Pi到第j个三角片的距离。
需要说明的是:
本实施例中针对三角网格模型表达形式的特点(以文本的形式存储了模型的顶点、法线和纹理坐标),提出以垂足为基础的最近点搜索办法:将待配准模型一顶点向目标模型三角面片上投影,若投影点落在三角形内部,则垂足为最近点;若投影点落在三角形外面,则计算该点到三角形三个顶点的距离,最近距离的点对应最近点,这种最近点的查找方式使得配准精度更高。
为了进一步实施上述技术方案,求解变换矩阵的具体步骤为:
目标函数F具体表示为:
式中:R为旋转矩阵,T为平移矩阵;
分别从Pi和Qi中减去相应的质心pc和qc,去除平移变换的影响,得到Pi’和Qi’如下所示:
P′i=Pi-pc,Q′i=Qi-qc
则去除平移变换的影响后的目标函数为:
则进一步推出:
H=UWVT
其中,U、V是正交矩阵,W是对角矩阵;
则变换矩阵表达为:
R=VUT,T=qc-R*pc。
为了进一步实施上述技术方案,待配准模型与目标模型之间的平均误差的计算方法为:
为了进一步实施上述技术方案,S4中基于距离对局部变形量进行计算和毁伤分析的具体方法为:计算对应点之间的最小距离,取最小距离点集中的最大值为模型局部的形变量。
为了进一步实施上述技术方案,S4中基于相似度对局部变形量进行计算和毁伤分析的具体方法为:
定义差值平方和函数为:
SSD=∑|Qi-RPi-T|2
定义相似度函数为:
其中,SSD为模型M,N的最小差值平方和,LM为模型M顶点至原点的距离平方和,LN为模型N中与模型M顶点相对应顶点至原点的距离平方和;
当S值越大目标模型形变量越大,S值越小目标模型形变量越小。
测试试验:
本试验硬件为计算机配置为:CPU主频1.6Ghz,内存4GB,系统win10;基于Open GL开源库采用Visual C++编程。为检验算法的有效性,试验选取了三对模型,并经过初始定位和位置校准,如图3所示。每对模型的定点数量不相同,且每对模型的数据都存在一定的平移旋转关系。
在图3中,所有的图(a)均为配准前原始数据,图(b)均为PCA算法初步定为后的数据,图(c)均为传统ICP算法配准后结果,图(d)均为改进的ICP算法配准后结果;且此处的改进的ICP算法中采用的是K-D树邻近算法。
下面以图3为例进行说明。对于图3来说,其中(a)图为经典ICP算法的配准结果,可以看出鹿角,腿部,头部多处出现配准偏差,因此可以看出传统经典ICP算法不能达到配准要求。(b)图为改进后的配准结果,可以看出鹿角,腿部,头部多处位置的配准得到改善,因此通过K-D加速ICP算法可以提高配准精度。
表1改进后算法配准结果
表2改进前后算法对比表
从表1可以看出,仅经过PCA算法处理后的模型还不能满足配准要求,配准误差较大。从表2可以看出,在处理时间上,改进后的ICP算法处理速度要远远高于传统ICP算法,处理速度平均提高53%;在处理精度上,改进后ICP算法均方误差远远优于传统ICP算法,匹配精度平均提高38%。
列出三个模型迭代次数与均方误差的关系如图6所示,其中图(a)为梅花鹿模型改进前后的迭代次数,图(b)为玩具模型改进前后的迭代次数,图(c)为汽车模型改进前后的迭代次数可以看出:在处理速度上,相同的迭代次数情况下,改进后的ICP算法的收敛速度远远高于传统ICP算法,即在处理速度上改进后ICP算法优于传统ICP算法;在配准误差上,传统ICP算法最终收敛的值高于改进后ICP算法收敛值,即改进后ICP算法改进了配准误差。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于靶标三维模型纹理影像的前后形变量检测方法,包括以下步骤:
S1.分别获取毁伤前后的三角网络模型,进而分别获取毁伤前后的三角网络模型相应的OBJ文件,从而得到毁伤前后的模型顶点数据集,并对毁伤前后的三角网络模型分别进行预处理;
S2.基于PCA算法对毁伤前后的三角网络模型进行初始定位;
S3.通过改进的ICP算法对初始定位后的三角网络模型进行位置校准;其中,位置校准包括以下步骤:
S31.将毁伤前后的三角网络模型分别作为待配准模型和目标模型;
S32.通过基于迭代邻近算法的垂足法,搜索待配准模型上的顶点在目标模型上的对应点,并通过K-D树加速搜索过程,获得对应点集;求解变换矩阵,将待配准模型根据变换矩阵进行转换;
S33.对转换后的待配准模型通过S32进行迭代,直到迭代的误差值小于设定阈值,完成位置校准;
S4.分别基于距离和基于相似度对局部变形量进行计算和毁伤分析。
2.根据权利要求1所述的一种基于靶标三维模型纹理影像的前后形变量检测方法,其特征在于,S1中预处理包括孔洞修补、边角去除、噪声去除、网格细分和网格简化。
3.根据权利要求1所述的一种基于靶标三维模型纹理影像的前后形变量检测方法,其特征在于,S2中初始定位的具体步骤为:
S21.将S1获得的毁伤前后的模型顶点数据集分别作为源目标模型顶点数据集Pi和目标模型顶点数据集Qi;
S22.根据Pi和Qi计算毁伤前后的三角网络模型的质心坐标:
其中N为顶点的个数;
S23.计算毁伤前后的三角网络模型对应的两组点云协方差矩阵:
S24.分别计算协方差矩阵对应的特征向量和特征值;最大特征值对应的特征向量方向称为第一主方向,其余依次为第二主方向和第三主方向;
S25.对目标模型进行旋转变换,坐标轴x,y,z分别与第一主方向、第二主方向和第三主方向对齐,完成初始定位。
4.根据权利要求1所述的一种基于靶标三维模型纹理影像的前后形变量检测方法,其特征在于,所述K-D树邻近搜索方法的具体步骤为:
(1)搜寻匹配点:将待配准模型的顶点与分裂维的值进行比较,若小于,则进入左子树,若大于,则进入右子树;再通过与分裂维的值进行比较的方式进入下一个二叉树,最终到达叶子结点,计算该点到叶子结点的距离,并记录;
(2)进行“回溯”操作:在搜索路径上寻找距离待查结点最近的点,并查找此结点的父节点,确定最邻近点,最邻近点则为对应点;
(3)算法迭代:反复进行①和②操作,结果为空时结束搜索。
5.根据权利要求1所述的一种基于靶标三维模型纹理影像的前后形变量检测方法,其特征在于,S32中搜索待配准模型上的顶点在目标模型上的对应点的方法还包括垂足法,具体的步骤为:
对于目标模型上的一个三角面片的三个顶点,设r1(x1,y1,z1)、r2(x2,y2,z2)和r3(x3,y3,z3)为三个顶点坐标,且三个顶点唯一确定的平面S表示为:
Ax+By+Cz+D=0
则待配准模型上最邻近的一个顶点Pi(xi,yi,zi)到平面的距离为:
若点Pi在平面S上的投影在三角形内部,或者三角形上,则垂足为最邻近点,根据点到平面垂线最近原则,最邻近点距离为垂线段长度;若点Pi在平面S上的投影在三角形外部,则计算点Pi到三个顶点的距离pir1、pir2、pir3,最短距离的点为对应点,对应点之间的距离为:
dj=min{d0,|pip1|,|pip2|,|pip3|}
对于目标模型上Nt个三角面片,Pi到所有三角面片的距离为:
其中,dj为点Pi到第j个三角片的距离。
8.根据权利要求6所述的一种基于靶标三维模型纹理影像的前后形变量检测方法,其特征在于,S4中基于距离对局部变形量进行计算和毁伤分析的具体方法为:计算对应点之间的距离,取最小距离点集中的最大值为模型局部的形变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011190498.4A CN112200915B (zh) | 2020-10-30 | 2020-10-30 | 一种基于靶标三维模型纹理影像的前后形变量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011190498.4A CN112200915B (zh) | 2020-10-30 | 2020-10-30 | 一种基于靶标三维模型纹理影像的前后形变量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112200915A true CN112200915A (zh) | 2021-01-08 |
CN112200915B CN112200915B (zh) | 2024-02-02 |
Family
ID=74012120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011190498.4A Active CN112200915B (zh) | 2020-10-30 | 2020-10-30 | 一种基于靶标三维模型纹理影像的前后形变量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200915B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344924A (zh) * | 2021-08-05 | 2021-09-03 | 金成技术有限公司 | 一种基于图像处理的结构件生产管控方法及系统 |
CN113870326A (zh) * | 2021-09-01 | 2021-12-31 | 浙江大学 | 一种基于图像和三维点云配准的结构损伤映射、量化及可视化方法 |
CN115375748A (zh) * | 2022-07-12 | 2022-11-22 | 中国兵器科学研究院 | 一种形变量确定方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019157924A1 (zh) * | 2018-02-13 | 2019-08-22 | 视辰信息科技(上海)有限公司 | 三维物体的实时检测方法及系统 |
CN110335234A (zh) * | 2019-04-28 | 2019-10-15 | 武汉大学 | 一种基于古文物LiDAR点云的三维变化检测方法 |
-
2020
- 2020-10-30 CN CN202011190498.4A patent/CN112200915B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019157924A1 (zh) * | 2018-02-13 | 2019-08-22 | 视辰信息科技(上海)有限公司 | 三维物体的实时检测方法及系统 |
CN110335234A (zh) * | 2019-04-28 | 2019-10-15 | 武汉大学 | 一种基于古文物LiDAR点云的三维变化检测方法 |
Non-Patent Citations (2)
Title |
---|
何性顺;段奇三;苏健军;张俊锋;姬建荣;孔霖;: "爆炸冲击载荷下效应靶形变测量技术研究", 测绘通报, no. 11 * |
牛鹏辉;李卫华;李小春;: "基于变化检测的机场毁伤评估算法", 电光与控制, no. 07 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344924A (zh) * | 2021-08-05 | 2021-09-03 | 金成技术有限公司 | 一种基于图像处理的结构件生产管控方法及系统 |
CN113870326A (zh) * | 2021-09-01 | 2021-12-31 | 浙江大学 | 一种基于图像和三维点云配准的结构损伤映射、量化及可视化方法 |
CN113870326B (zh) * | 2021-09-01 | 2023-11-28 | 浙江大学 | 一种基于图像和三维点云配准的结构损伤映射、量化及可视化方法 |
CN115375748A (zh) * | 2022-07-12 | 2022-11-22 | 中国兵器科学研究院 | 一种形变量确定方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112200915B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113012212B (zh) | 一种基于深度信息融合的室内场景三维点云重建方法和系统 | |
Lei et al. | Fast descriptors and correspondence propagation for robust global point cloud registration | |
CN112200915B (zh) | 一种基于靶标三维模型纹理影像的前后形变量检测方法 | |
CN107123164B (zh) | 保持锐利特征的三维重建方法及系统 | |
CN108682027A (zh) | 基于点、线特征融合的vSLAM实现方法及系统 | |
Pan et al. | Iterative global similarity points: A robust coarse-to-fine integration solution for pairwise 3d point cloud registration | |
CN108229416A (zh) | 基于语义分割技术的机器人slam方法 | |
CN109241901A (zh) | 一种对具有孔洞的三维点云的检测与识别方法 | |
CN109255815B (zh) | 一种基于零阶球谐函数的物体检测与识别方法 | |
CN113706381A (zh) | 一种三维点云数据的拼接方法及装置 | |
CN117132630A (zh) | 一种基于二阶空间兼容性度量的点云配准方法 | |
Liu et al. | A novel rock-mass point cloud registration method based on feature line extraction and feature point matching | |
Xu et al. | GLORN: Strong generalization fully convolutional network for low-overlap point cloud registration | |
CN114119922A (zh) | 基于点云三维重构的复杂轮廓缺陷校验方法 | |
CN116309026A (zh) | 一种基于统计局部特征描述与匹配的点云配准方法及系统 | |
CN113313200B (zh) | 一种基于法向约束的点云精匹配方法 | |
Qiao et al. | G3reg: Pyramid graph-based global registration using gaussian ellipsoid model | |
CN115588178B (zh) | 一种高精地图要素自动化提取的方法 | |
Liu et al. | A fast weighted registration method of 3d point cloud based on curvature feature | |
Dong et al. | Pose estimation of components in 3c products based on point cloud registration | |
CN112767462B (zh) | 基于脊谷特征与深度特征描述符的点云单点对齐方法 | |
Zhang et al. | Multi-Constellation-Inspired Single-Shot Global LiDAR Localization | |
Xue et al. | Point cloud registration method for pipeline workpieces based on RANSAC and improved ICP algorithms | |
CN112766037B (zh) | 基于最大似然估计法的3d点云目标识别和定位方法 | |
Alassaf et al. | Non-rigid surface registration using cover tree based clustering and nearest neighbor search |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |