CN112231848B - 一种构建车辆喷涂模型的方法及系统 - Google Patents

Abstract

本发明涉及一种构建车辆喷涂模型的方法及系统。所述方法为获取待喷涂车辆的点云数据；将所述待喷涂车辆的点云数据与数据库内存储的所有车辆模型的点云数据进行比对，确定所述待喷涂车辆的车辆类型及对应的喷涂图案；根据所述喷涂图案与所述待喷涂车辆的点云数据，采用泊松重建方法进行重构，得到所述待喷涂车辆的车辆喷涂模型；所述车辆喷涂模型用于实现对车辆的喷涂。本发明有效地建立具有高质量的融合喷涂颜色信息的车辆表面模型，为后续对车辆实现自动化、智能化的喷涂提供了高精度和高质量的模型基础。

Description

一种构建车辆喷涂模型的方法及系统

技术领域

本发明涉及车辆喷涂技术领域，特别是涉及一种构建车辆喷涂模型的方法及系统。

背景技术

随着工业现代化的快速发展和喷涂需要，对带有喷涂车辆的CAD模型和喷涂图案模型的研究，对车辆喷涂效率及质量的提升具有重要意义，由于传统的车辆喷涂方式是人工使用单色喷涂设备进行手动喷涂，喷涂时，根据喷涂的图案对待喷涂车辆表面进行色块划分，每次进行一种颜色的喷涂，同时对其他颜色的区域进行掩膜覆盖，再逐一进行一层一层颜色的喷涂。但是，手工进行喷涂存在着较大的误差，常常还需要再进行图案修补，因此这种喷涂方式存在效率不高、喷涂质量不稳定、自动化水平低等一系列问题。

发明内容

本发明的目的是提供一种构建车辆喷涂模型的方法及系统，有效地建立具有高质量的融合喷涂颜色信息的车辆表面模型，为后续对车辆实现自动化、智能化的喷涂提供了高精度和高质量的模型基础。

为实现上述目的，本发明提供了如下方案：

一种构建车辆喷涂模型的方法，包括：

获取待喷涂车辆的点云数据；

将所述待喷涂车辆的点云数据与数据库内存储的所有车辆模型的点云数据进行比对，确定所述待喷涂车辆的车辆类型及对应的喷涂图案；

根据所述喷涂图案与所述待喷涂车辆的点云数据，采用泊松重建方法进行重构，得到所述待喷涂车辆的车辆喷涂模型；所述车辆喷涂模型用于实现对车辆的喷涂。

可选的，所述获取待喷涂车辆的点云数据，具体为：

采用多传感器分别对所述待喷涂车辆进行点云扫描得到多个车辆点云数据；

将多个所述车辆点云数据进行坐标变换和点云拼接，得到所述待喷涂车辆的点云数据。

可选的，所述将所述待喷涂车辆的点云数据与数据库内存储的所有车辆模型的点云数据进行比对，确定所述待喷涂车辆的车辆类型及对应的喷涂图案，具体为：

根据所述待喷涂车辆的点云数据计算所述待喷涂车辆的点云特征，所述点云特征包括快速点特征直方图特征和重心点坐标；

将所述待喷涂车辆的点云特征与所述数据库中存储的所有车辆模型的点云特征进行匹配确定所述待喷涂车辆的车辆类型；

根据所述待喷涂车辆的车辆类型确定对应的喷涂图案。

可选的，所述根据所述喷涂图案与所述待喷涂车辆的点云数据，采用泊松重建方法进行重构，得到所述待喷涂车辆的车辆喷涂模型，具体为：

对所述待喷涂车辆的点云数据依次进行区域生长和聚类的操作得到多个点云格点；

采用点云线性插值的方法对多个所述点云格点进行操作得到多个点云团块格点；

依据所述喷涂图案对多个所述点云团块格点进行纹理映射，从而将所述点云团块格点与待喷涂颜色相对应，得到格点喷涂点云；

采用泊松重建方法对所述格点喷涂点云进行重构，得到所述待喷涂车辆的车辆喷涂模型。

可选的，所述将所述待喷涂车辆的点云特征与所述数据库中存储的所有车辆模型的点云特征进行匹配确定所述待喷涂车辆的车辆类型，具体为：

采用迭代最近点算法将所述待喷涂车辆的点云特征与所述数据库中存储的所有车辆模型的点云特征进行匹配，确定所述待喷涂车辆的车辆类型。

一种构建车辆喷涂模型的系统，包括：

数据获取模块，用于获取待喷涂车辆的点云数据；

图案确定模块，用于将所述待喷涂车辆的点云数据与数据库内存储的所有车辆模型的点云数据进行比对，确定所述待喷涂车辆的车辆类型及对应的喷涂图案；

模型确定模块，用于根据所述喷涂图案与所述待喷涂车辆的点云数据，采用泊松重建方法进行重构，得到所述待喷涂车辆的车辆喷涂模型；所述车辆喷涂模型用于实现对车辆的喷涂。

可选的，所述数据获取模块，具体包括：

扫描单元，用于采用多传感器分别对所述待喷涂车辆进行点云扫描得到多个车辆点云数据；

数据处理单元，用于将多个所述车辆点云数据进行坐标变换和点云拼接，得到所述待喷涂车辆的点云数据。

可选的，所述图案确定模块，具体包括：

点云特征确定单元，用于根据所述待喷涂车辆的点云数据计算所述待喷涂车辆的点云特征，所述点云特征包括快速点特征直方图特征和重心点坐标；

车辆类型确定单元，用于将所述待喷涂车辆的点云特征与所述数据库中存储的所有车辆模型的点云特征进行匹配确定所述待喷涂车辆的车辆类型；

喷涂图案确定单元，用于根据所述待喷涂车辆的车辆类型确定对应的喷涂图案。

可选的，所述模型确定模块，具体包括：

点云格点确定单元，用于对所述待喷涂车辆的点云数据依次进行区域生长和聚类的操作得到多个点云格点；

点云团块格点确定单元，用于采用点云线性插值的方法对多个所述点云格点进行操作得到多个点云团块格点；

格点喷涂点云确定单元，用于依据所述喷涂图案对多个所述点云团块格点进行纹理映射，从而将所述点云团块格点与待喷涂颜色相对应，得到格点喷涂点云；

车辆喷涂模型确定单元，用于采用泊松重建方法对所述格点喷涂点云进行重构，得到所述待喷涂车辆的车辆喷涂模型。

可选的，所述车辆类型确定单元，具体包括：

车辆类型确定子单元，用于采用迭代最近点算法将所述待喷涂车辆的点云特征与所述数据库中存储的所有车辆模型的点云特征进行匹配，确定所述待喷涂车辆的车辆类型。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明通过将喷涂图案与待喷涂车辆对应建模，有效地建立具有高质量的融合喷涂颜色信息的车辆表面模型，为后续对车辆实现自动化、智能化的喷涂提供了高精度和高质量的模型基础。

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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1提供的构建车辆喷涂模型的方法流程图；

图2为本发明实施例1提供的构建车辆喷涂模型的系统结构框图；

图3为本发明实施例2中的待喷涂图案；

图4为本发明实施例2中对图3进行颜色补充后的待喷涂图案；

图5为本发明实施例2提供的传感器扫描示意图；

图6为本发明实施例2提供的车辆扫描点云的结果图；

图7为本发明实施例2提供的点云数据与车辆数据库配准的结果图；

图8为本发明实施例2提供的融合后的喷涂图案。

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。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1

如图1所示，本实施例提供了一种构建车辆喷涂模型的方法，所述方法具体为：

S101：获取待喷涂车辆的点云数据。

S102：将所述待喷涂车辆的点云数据与数据库内存储的所有车辆模型的点云数据进行比对，确定所述待喷涂车辆的车辆类型及对应的喷涂图案。

S103：根据所述喷涂图案与所述待喷涂车辆的点云数据，采用泊松重建方法进行重构，得到所述待喷涂车辆的车辆喷涂模型。所述车辆喷涂模型用于实现对车辆的喷涂。

其中，S101具体为：

采用多传感器分别对所述待喷涂车辆进行点云扫描得到多个车辆点云数据。

将多个所述车辆点云数据进行坐标变换和点云拼接，得到所述待喷涂车辆的点云数据。

其中，S102具体为：

根据所述待喷涂车辆的点云数据计算所述待喷涂车辆的点云特征，所述点云特征包括快速点特征直方图特征(FPFH特征点)和重心点坐标。

将所述待喷涂车辆的点云特征与所述数据库中存储的所有车辆模型的点云特征进行匹配确定所述待喷涂车辆的车辆类型。

根据所述待喷涂车辆的车辆类型确定对应的喷涂图案。

其中，所述将所述待喷涂车辆的点云特征与所述数据库中存储的所有车辆模型的点云特征进行匹配确定所述待喷涂车辆的车辆类型，具体为：

采用迭代最近点算法将所述待喷涂车辆的点云特征与所述数据库中存储的所有车辆模型的点云特征进行匹配，确定所述待喷涂车辆的车辆类型。

其中，S103具体为：

对所述待喷涂车辆的点云数据依次进行区域生长和聚类的操作得到多个点云格点。

采用点云线性插值的方法对多个所述点云格点进行操作得到多个点云团块格点。

依据所述喷涂图案对多个所述点云团块格点进行纹理映射，从而将所述点云团块格点与待喷涂颜色相对应，得到格点喷涂点云。

采用泊松重建方法对所述格点喷涂点云进行重构，得到所述待喷涂车辆的车辆喷涂模型。

可选的，所述将所述待喷涂车辆的点云特征与所述数据库中存储的所有车辆模型的点云特征进行匹配确定所述待喷涂车辆的车辆类型，具体为：

采用迭代最近点算法将所述待喷涂车辆的点云特征与所述数据库中存储的所有车辆模型的点云特征进行匹配，确定所述待喷涂车辆的车辆类型。

如图2所示，本实施例还提供了一种与上述方法对应的构建车辆喷涂模型的系统，所述系统包括：

数据获取模块A1，用于获取待喷涂车辆的点云数据。

图案确定模块A2，用于将所述待喷涂车辆的点云数据与数据库内存储的所有车辆模型的点云数据进行比对，确定所述待喷涂车辆的车辆类型及对应的喷涂图案。

模型确定模块A3，用于根据所述喷涂图案与所述待喷涂车辆的点云数据，采用泊松重建方法进行重构，得到所述待喷涂车辆的车辆喷涂模型；所述车辆喷涂模型用于实现对车辆的喷涂。

作为一种可选的实施方式，所述数据获取模块，具体包括：

扫描单元，用于采用多传感器分别对所述待喷涂车辆进行点云扫描得到多个车辆点云数据。

数据处理单元，用于将多个所述车辆点云数据进行坐标变换和点云拼接，得到所述待喷涂车辆的点云数据。

作为一种可选的实施方式，所述图案确定模块，具体包括：

点云特征确定单元，用于根据所述待喷涂车辆的点云数据计算所述待喷涂车辆的点云特征，所述点云特征包括快速点特征直方图特征(FPFH特征点)和重心点坐标。

车辆类型确定单元，用于将所述待喷涂车辆的点云特征与所述数据库中存储的所有车辆模型的点云特征进行匹配确定所述待喷涂车辆的车辆类型。

喷涂图案确定单元，用于根据所述待喷涂车辆的车辆类型确定对应的喷涂图案。

作为一种可选的实施方式，所述模型确定模块，具体包括：

点云格点确定单元，用于对所述待喷涂车辆的点云数据依次进行区域生长和聚类的操作得到多个点云格点。

点云团块格点确定单元，用于采用点云线性插值的方法对多个所述点云格点进行操作得到多个点云团块格点。

格点喷涂点云确定单元，用于依据所述喷涂图案对多个所述点云团块格点进行纹理映射，从而将所述点云团块格点与待喷涂颜色相对应，得到格点喷涂点云。

车辆喷涂模型确定单元，用于采用泊松重建方法对所述格点喷涂点云进行重构，得到所述待喷涂车辆的车辆喷涂模型。

作为一种可选的实施方式，所述车辆类型确定单元，具体包括：

车辆类型确定子单元，用于采用迭代最近点算法将所述待喷涂车辆的点云特征与所述数据库中存储的所有车辆模型的点云特征进行匹配，确定所述待喷涂车辆的车辆类型。

实施例2

本实施例提供了一种更为具体的构建车辆喷涂模型的方法，所述方法具体为：

S1：对喷涂的车辆模型进行分析，构建车辆数据库。

S2：对实际车辆进行扫描检测，获取车辆表面点云数据。

S3：将扫描车辆的点云数据与车辆数据库匹配，判断车辆类型。

S4：结合喷涂图案，基于获得的车辆表面点云数据进行模型重构，完成喷涂模型的重建。

所述步骤S1通过以下步骤实现：

S11：对原始车辆CAD模型进行分析，提取表面并进行模型简化，车辆数据库中包括了多种需要进行喷涂的车辆模型信息、数据信息，对原始车辆CAD模型进行分析，利用Hypermesh软件提取表面模型并进行模型简化、重构。

S12：结合初始扫描帧生成车辆模型关键区域的点云数据，对简化后的车辆模型进行初始帧扫描，利用点云采集设备自动扫描车辆的指定区域获得相应点云数据，从而生成车辆模型关键区域的点云数据。

S13：计算车辆CAD模型的关键点或关键特征，选择基于快速点特征直方图(FPFH)的特征(快速点特征直方图特征)描述方法反映车辆的局部特征分布形式，通常计算得到的特征为高维度的点云特征数据，进一步提取特征点云重心点作为车辆点云的特征。

S14：对喷涂图案进行处理和构造。

所述步骤S2通过以下步骤实现：

S21：采用线激光传感器对车辆进行扫描，获得车辆表面的点云数据，得到整车点云，数据采集前，将带扫描车辆坐标系与车辆CAD模型坐标系统一，进行车辆的初始定位。

S22：整车扫描结束后，对车辆特征位置进行局部扫描，方便后面与数据库内车辆的点云数据进行匹配以确定车辆类型。

S23：对S21获取的整车点云数据进行拼接得到整车点云模型，并对点云模型进行降噪、采样等处理，结合喷涂区域，对整车点云进行分割，根据特征点、边缘点检测进行车体表面模型分割聚类，获得与二维喷涂迷彩图案相对应的点云，为后面步骤将迷彩图案映射到相应点云区域，获得融合颜色信息的迷彩团块中点的点云数据做准备，用于构造车辆表面模型，获取到理想的车辆表面模型后，用仿真软件对它进行仿真扫描可以得到车辆模型的理想点云。

所述步骤S3通过以下步骤实现：

S31：对扫描的整车点云进行计算，计算车辆点云的关键点或关键特征(计算其FPFH特征点，和特征点云的中心坐标作为点云特征)。

S32：将计算得到的点云特征与车辆CAD模型的特征进行比较，基于FPFH特征距离，快速判断与扫描的未知车辆匹配度最高的车辆类型。

S33：采用ICP算法实现局部点云数据与数据库中点云数据之间的配准，主要实现扫描车辆类型的识别和待喷涂车辆与CAD模型的坐标系配准，取配准率最高的车辆类型作为配准结果，从而确定所扫描的车辆种类。

S34：基于区域生长算法对扫描的车辆点云模型进行聚类，划分车辆表面喷涂区域，为步骤S4做准备。

所述步骤S4通过以下步骤实现：

S41：利用分割好的喷涂区域的点云数据，基于点云线性插值计算得到格点坐标，求解对应的喷涂图案格点坐标。

S42：将喷涂区域的点云边界与喷涂图案的边界相对应，基于纹理映射的原理将喷涂图案格点坐标值与相应的颜色信息进行融合，得到满足要求的表面喷涂模型。

S43：基于泊松重建方法将车辆点云模型重建成表面模型，完成模型重建。

本实施例的具体过程为：

步骤一：对需要进行喷涂的一系列车辆的CAD模型进行分析，构建它们的车辆数据库。车辆数据库包括要喷涂的多种车辆的基础信息(车辆名字，基本外形尺寸，喷涂注意事项等基础信息)、模型信息(a.CAD模型信息，b.对CAD模型进行简化处理后的表面模型信息，c.用Blensor仿真软件对CAD表面模型进行仿真扫描得到的理想点云信息，d.扫描实际车辆得到的实际点云信息(这个是后面对实际车辆进行传感器扫描后得到的)，e.各个车辆、同一车辆的不同区域有不同的喷涂图案信息)、数据信息(与点云处理过程中相关联的各种参数，例如：使用传感器扫描车辆点云时的采集频率及其他参数、车辆表面模型的关键特征点、各个喷涂区域的重心点坐标等信息)。

模型信息构建(构造CAD-点云-图案相关联的车辆模型数据库)：

a.CAD模型信息：车辆CAD装配体模型。

b.对CAD模型进行简化处理后的表面模型信息：简化成表面模型，因为零件数量多，利用Hypermesh软件提取表面模型，并进行模型简化、重构，把多个零件的细小表面合并成大的表面。简化过程中，一方面要保证模型的精细程度，采样点要密一点，另一方面，采样点过密处理速度太慢，因此实际处理时，将车辆表面的特征在5mm以内的特征简化。过程中也要考虑车辆上配件的干扰，例如车上有防护网，防护网是不用进行喷涂的，直接进行简化，如果是防护挡板，需要进行考虑和喷涂，此时需要对这部分进行区别处理，不进行简化。

c.用Blensor仿真软件对CAD表面模型进行仿真扫描得到的理想点云信息：将CAD表面模型导入Blensor仿真软件，写一个python脚本实现仿真点云数据的自动化采集，得到理想点云信息。

d.扫描得到的车辆的实际点云信息：在进行实体车辆扫描以后再将其数据补充进来。

e.各个车辆、同一车辆的不同区域有不同的喷涂图案信息：提前对不同车辆需要喷涂上去的图案进行分析和处理，如图3所示，各颜色之间还带有白色分界线，对它进行颜色补充，相邻的颜色色块之间用别的颜色绘制上，把边界上的像素颜色设置成距离该位置最近的色块的颜色，得到处理后的图案如图4所示。

数据信息的构建(构建得到点云特征，可以用来将理想点云与实际点云进行匹配)：

对使用传感器扫描实际车辆的点云时，传感器的采集频率和分辨率等参数进行设置，对上面c得到的理想点云信息，计算其与坐标系选择无关的点云的FPFH特征点(已有原理及计算方法)，计算特征点云的重心坐标，当作点云的特征。(后面实际点云也要计算一样的特征，然后匹配对应的特征，就可以将实际扫描的车辆于数据库点云进行匹配，得到扫描的车辆种类等信息)

步骤二：采用线激光传感器对车辆进行扫描，获得车辆表面的点云数据并预处理，配准，点云聚类。

本实施例中的车辆扫描采用了四个传感器，图5(a)为车辆扫描的整体示意图，图5(b)为车辆扫描的俯视图，5(c)为车辆扫描的右视图，5(d)为车辆扫描的正视图，扫描时传感器的点云初始坐标系都是以传感器的坐标系为标准，因此扫描后处理点云数据时要结合传感器位置和姿态，对每个传感器得到的点云进行坐标变换，再将各传感器的点云进行拼接，得到总的车辆点云如图6所示，具体为：使用线激光传感器Gocator2490进行点云扫描，根据其相关参数，x方向上扫描范围设计为1.5m。结合车辆的几何信息，我们使用4个线激光传感器进行车辆扫描，构建激光光幕。光幕框架为门字形，顶部放置两台线激光传感器，左右两侧各放置一台线激光传感器。车辆放定后，线激光传感器光幕从车辆前部移动到车辆尾部，即可实现车辆表面点云的采集。

先对点云进行预处理，进行滤波、降噪和重采样处理。

对实际的点云信息，计算其FPFH特征点，特征点云的重心坐标，当作点云的特征(和前面的理想点云一样，便于进行点云匹配)。

将计算得到的点云的FPFH特征与前面计算的数据库里理想点云的FPFH特征进行比较，选择最相似的几种车辆进行配准。如图7所示，将扫描得到的点云与点云数据库内的点云进行匹配。图7(a)到图7(c)为基于车辆CAD模型进行的扫描过程，图7(d)到图7(f)是将扫描得到的点云进行拼接得到的车辆整体点云模型，图7(g)到图7(i)是将两者进行配准，采用ICP算法实现局部点云数据与数据库中点云数据之间的配准，主要实现扫描车辆类型的识别和待喷涂车辆的点云与CAD模型理想点云的坐标系配准，取配准率最高的车辆类型作为配准结果，从而确定所扫描的车辆种类。配准后，在点云中寻找点云数据库中点云的每个最近点，并求解最近点对之间的欧氏距离，统计两个点云中所有最近点对之间距离的平均值，作为车辆点云模型配准程度的评价，数值即为该指标，因此可确定扫描的车辆类型为T99A。这样也知道了相应的数据库内存储的喷涂图案信息，关键的特征点等信息。因为配准时需要用到的点云特征等已经提前计算好了，所以配准时间会大大降低。(配准时找点云库里点云的每个最近点，求解这对点之间的欧氏距离，然后求两对大点云里所有最近点的距离的平均值，就可以得到我们要的评价指标。平均值最小的就是配准率最高的车辆种类)(相当于使用了FPFH特征和ICP算法相结合进行点云配准)

进行车辆类型识别与配准定位后，进行车辆表面点云聚类。对实际点云进行区域生长，对整车点云(由多个传感器测量的实际点云进行拼接后得到)进行分割和聚类。(计算各点的法向量，例如收集法向量夹角为20度的点，把他们视为一个点集，这样，对得到的点的个数多于1000个点的区域进行降序排列，取点数最多的前30个区域，实现了点云分割和聚类)这样，就划分了车辆表面的区域，方便后面进行喷涂。

步骤三：已经确定了车辆种类，对应的喷涂图案也就确定了，接下来将喷涂图案与车辆实际点云进行结合，实现模型重构，完成喷涂模型的重建。

喷涂模型可以视为是一个个色块的组成，而车辆点云的点和喷涂图案颜色块的格点不能完全对应，因此要通过分割车辆点云的数据，并相应的求解相应位置的颜色色块格点的坐标，把它们对应起来。

基于点云线性插值方法，对分割好的点云格点进行求解，给点云设置一个初始格点，指定一个方向开始延伸，不断通过线性插值得到新的点，构造出团块的一条边界曲线，每得到新的点时计算边界长度有没有达到设置的团块边长。最终得到指定某边长长度的图案边界，得到点云团块的格点。

然后对每个团块格点赋予相应的颜色信息，将喷涂区域的点云团块边界与喷涂图案的边界相对应，基于纹理映射的原理将格点坐标值与相应的颜色信息进行融合，结果如图8所示，(基于边界点这样的控制点进行图案的放缩，保证每个像素代表我们需要的喷涂色块的最小尺寸)，然后基于二维图像的区域生长，填充每个团块区域的颜色信息，得到满足要求的表面喷涂模型。

最后，基于泊松重建方法，将得到的车辆点云模型重建成表面模型，从而完成整个模型的重构。

采用上述技术方案后，本发明具有以下有益效果：本实施例提供的方法，可利用激光传感器对喷涂车辆进行高精度数据扫描，并能对扫描车辆进行识别，与数据库内CAD模型进行匹配从而判断车辆类型，结合喷涂模型，通过点云处理可以有效地建立具有高质量的融合喷涂颜色信息的车辆表面模型，为后续自动化、智能化喷涂的实现提供了高精度高质量的模型基础。

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。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种构建车辆喷涂模型的方法，其特征在于，包括：

获取待喷涂车辆的点云数据；

将所述待喷涂车辆的点云数据与数据库内存储的所有车辆模型的点云数据进行比对，确定所述待喷涂车辆的车辆类型及对应的喷涂图案；

根据所述喷涂图案与所述待喷涂车辆的点云数据，采用泊松重建方法进行重构，得到所述待喷涂车辆的车辆喷涂模型；所述车辆喷涂模型用于实现对车辆的喷涂；

所述将所述待喷涂车辆的点云数据与数据库内存储的所有车辆模型的点云数据进行比对，确定所述待喷涂车辆的车辆类型及对应的喷涂图案，具体为：

根据所述待喷涂车辆的点云数据计算所述待喷涂车辆的点云特征，所述点云特征包括快速点特征直方图特征和重心点坐标；

将所述待喷涂车辆的点云特征与所述数据库中存储的所有车辆模型的点云特征进行匹配确定所述待喷涂车辆的车辆类型；

根据所述待喷涂车辆的车辆类型确定对应的喷涂图案；

所述根据所述喷涂图案与所述待喷涂车辆的点云数据，采用泊松重建方法进行重构，得到所述待喷涂车辆的车辆喷涂模型，具体为：

对所述待喷涂车辆的点云数据依次进行区域生长和聚类的操作得到多个点云格点；

采用点云线性插值的方法对多个所述点云格点进行操作得到多个点云团块格点；

依据所述喷涂图案对多个所述点云团块格点进行纹理映射，从而将所述点云团块格点与待喷涂颜色相对应，得到格点喷涂点云；

采用泊松重建方法对所述格点喷涂点云进行重构，得到所述待喷涂车辆的车辆喷涂模型。

2.如权利要求1所述的构建车辆喷涂模型的方法，其特征在于，所述获取待喷涂车辆的点云数据，具体为：

采用多传感器分别对所述待喷涂车辆进行点云扫描得到多个车辆点云数据；

将多个所述车辆点云数据进行坐标变换和点云拼接，得到所述待喷涂车辆的点云数据。

3.如权利要求1所述的构建车辆喷涂模型的方法，其特征在于，所述将所述待喷涂车辆的点云特征与所述数据库中存储的所有车辆模型的点云特征进行匹配确定所述待喷涂车辆的车辆类型，具体为：

采用迭代最近点算法将所述待喷涂车辆的点云特征与所述数据库中存储的所有车辆模型的点云特征进行匹配，确定所述待喷涂车辆的车辆类型。

4.一种构建车辆喷涂模型的系统，其特征在于，包括：

数据获取模块，用于获取待喷涂车辆的点云数据；

图案确定模块，用于将所述待喷涂车辆的点云数据与数据库内存储的所有车辆模型的点云数据进行比对，确定所述待喷涂车辆的车辆类型及对应的喷涂图案；

模型确定模块，用于根据所述喷涂图案与所述待喷涂车辆的点云数据，采用泊松重建方法进行重构，得到所述待喷涂车辆的车辆喷涂模型；所述车辆喷涂模型用于实现对车辆的喷涂；

所述图案确定模块，具体包括：

点云特征确定单元，用于根据所述待喷涂车辆的点云数据计算所述待喷涂车辆的点云特征，所述点云特征包括快速点特征直方图特征和重心点坐标；

车辆类型确定单元，用于将所述待喷涂车辆的点云特征与所述数据库中存储的所有车辆模型的点云特征进行匹配确定所述待喷涂车辆的车辆类型；

喷涂图案确定单元，用于根据所述待喷涂车辆的车辆类型确定对应的喷涂图案；

所述模型确定模块，具体包括：

点云格点确定单元，用于对所述待喷涂车辆的点云数据依次进行区域生长和聚类的操作得到多个点云格点；

点云团块格点确定单元，用于采用点云线性插值的方法对多个所述点云格点进行操作得到多个点云团块格点；

格点喷涂点云确定单元，用于依据所述喷涂图案对多个所述点云团块格点进行纹理映射，从而将所述点云团块格点与待喷涂颜色相对应，得到格点喷涂点云；

车辆喷涂模型确定单元，用于采用泊松重建方法对所述格点喷涂点云进行重构，得到所述待喷涂车辆的车辆喷涂模型。

5.如权利要求4所述的构建车辆喷涂模型的系统，其特征在于，所述数据获取模块，具体包括：

扫描单元，用于采用多传感器分别对所述待喷涂车辆进行点云扫描得到多个车辆点云数据；

数据处理单元，用于将多个所述车辆点云数据进行坐标变换和点云拼接，得到所述待喷涂车辆的点云数据。

6.如权利要求4所述的构建车辆喷涂模型的系统，其特征在于，所述车辆类型确定单元，具体包括：

车辆类型确定子单元，用于采用迭代最近点算法将所述待喷涂车辆的点云特征与所述数据库中存储的所有车辆模型的点云特征进行匹配，确定所述待喷涂车辆的车辆类型。

Images