CN112669463A - 三维点云的曲面重建方法、计算机设备和计算机可读存储介质 - Google Patents
三维点云的曲面重建方法、计算机设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN112669463A CN112669463A CN202011558263.6A CN202011558263A CN112669463A CN 112669463 A CN112669463 A CN 112669463A CN 202011558263 A CN202011558263 A CN 202011558263A CN 112669463 A CN112669463 A CN 112669463A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- overlapping area
- mesh
- triangulation
- cloud data
- 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
Images
Landscapes
- Image Generation (AREA)
Abstract
本发明的实施例提供了一种三维点云的曲面重建方法、计算机设备和计算机可读存储介质。所公开的曲面冲方法包括下述步骤:输入点云数据;构建所述点云数据的KD树空间数据索引以获取数量相等且均分分布的分块点云;对每个所述分块点云采用Delaunay逐点插入方法进行网格重建,获得与每个所述分块点云对应的三角网模型;检测与每个所述分块点云对应的三角网模型之间的重叠区域并对所述重叠区域的网格重构,拼接网格重构后重叠区域的三角网与非重叠区域的三角网,得到与输入的点云数据对应的完整三角网模型。本发明实施例所提供的技术方案有效降低了内存消耗,并具有较好的点云数据的网格重建效率和网格重建精度。
Description
技术领域
本发明实施例涉及三维重建技术领域,尤其涉及一种三维点云的曲面重建方法、计算机设备和计算机可读存储介质。
背景技术
三维点云重建,或称网格重构、曲面重建,是指在给定一组散乱的空间数据点,且已知这些空间数据点位于未知的曲面的前提下,求得一个三角网格曲面,使得这个三角网格曲面能较好的逼近原曲面。三维点云重建在逆向工程、医学扫描数据立体成像、交互曲面建模、三维传真等领域有着广泛的应用。
点云数据的重构有多种方法,包括基于显式的构网方法直接对点云数据进行三角剖分,构网速度快且所构建的网格信息丰富,但这类方法存在数据量的限制,当数据量较大时,会导致普通计算机内存不足而构网失败;基于隐式函数的构网方法通过提取隐式函数的等值面实现点云数据的网格重建,这类方法能处理含有噪声的点云数据,但构网过程中可能造成原始模型表面的细节的丢失,且通常需要大量的计算。
总体来看,已有的各种方法进行三维点云重建时会不同程度的存在冗余,计算量较大,内存占用大,运行效率不高,重建精度低的弊病。
发明内容
本发明的实施例提供了一种三维点云的曲面重建方法以及实现该方法的计算机设备和计算机可读存储介质,所提供的技术方案至少部分地克服了相关技术中的一个或多个不足,至少部分地实现了降低计算机内存占用、减少网格重建耗时,确保网格重建精度的技术效果。
在本发明的一个方面,提供了一种三维点云的曲面重建方法,包括下述步骤:
输入点云数据;
构建所述点云数据的KD树空间数据索引以获取数量相等且均分分布的分块点云;
对每个所述分块点云采用Delaunay逐点插入方法进行网格重建,获得与每个所述分块点云对应的三角网模型;
检测与每个所述分块点云对应的三角网模型之间的重叠区域并对所述重叠区域的网格重构,拼接网格重构后重叠区域的三角网与非重叠区域的三角网,得到与输入的点云数据对应的完整三角网模型。
在一些实施例中,所述构建所述点云数据的KD树空间数据索引以获取数量相等且均分分布的分块点云,包括:
计算所述点云数据的最小外包矩形,基于最小外包矩形的长轴对所述点云数据进行KD树等量迭代划分,获取数量相等且均分分布的分块点云。
在一些实施例中,获取数量相等且均分分布的分块点云,还包括:
对所述分块点云添加外部边界点使得所述分块点云之间具有重叠。
在一些实施例中,所述对每个所述分块点云采用Delaunay逐点插入方法进行网格重建,包括:
针对每个所述分块点云构建对应的初始长方体,所述初始长方体包含三维分块点云数据,连接长方体上能够组成四面体的任意四个顶点,在长方体内构建多个初始Delaunay四面体,记录该长方体的顶点;
对于新插入的三维点,识别并找出外接球包含新插入的三维点的所有四面体,删除这些四面体并保留这些四面体的边界,生成Delaunay空腔多面体;
连接新插入的三维点与空腔多面体边界的顶点形成新的四面体,验证以新插入的三维点为顶点的新四面体的有效性,确定新的四面体并更新四面体的邻接关系;
重复以上步骤,直至所有点都被插入,删除与初始长方体顶点相关的四面体,提取三角网格获得与所述分块点云对应的三角网模型。
在一些实施例中,所述检测与每个所述分块点云对应的三角网模型之间的重叠区域并对所述重叠区域的网格重构,包括:
对具有重叠区域的三角网进行碰撞检测,提取重叠区域的网格顶点以及与重叠区域相邻的非重叠区域的三角网环作为PLS,利用约束Delaunay四面体剖分和图割方法对重叠区域进行网格重构。
在一些实施例中,所述拼接网格重构后重叠区域的三角网与非重叠区域的三角网,包括:
根据重叠区域和相邻非重叠区域三角网的公共边界和顶点,将网格重构后重叠区域的三角网与相邻非重叠区域的三角网拼接在一起。
在一些实施例中,所述提取重叠区域的网格顶点以及与重叠区域相邻的非重叠区域的三角网环作为PLS,包括:
对重叠检测后重叠区域的三角网进行提取,提取与重叠区域具有公共网格顶点的相邻非重叠区域的第一三角网环和间接相邻的第二三角网环,剔除重叠区域的三角网,提取重叠区域的网格顶点,检测并剔除三角网环中的自相交网格三角形,以重叠区域的网格顶点和相邻非重叠区域的第一三角网环创建PLS约束。
在一些实施例中,将重叠区域的三角网、第一和第二三角网环保存在内存,剩余非重叠区域的网格保存在外部存储器。
在本发明的另一个方面,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如前述任意一项实施例所述的曲面重建方法。
在本发明的又一个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前述任意一项实施例所述的曲面重建方法。
附图说明
图1a显示了本发明实施例的曲面重建方法的流程图;
图1b显示了本发明实施例的曲面重建方法的原理图;
图2显示了本发明实施例的曲面重建方法的KD树点云划分示意图;
图3显示了一个利用本发明实施例的曲面重建方法实现的点云数据网格重建效果图,其中,(a)为点云分块效果图;(b)为分块点云数据网格重建效果图;(c)为网格合并最终效果图;
图4显示了一个利用本发明实施例的曲面重建方法实现的重叠区域网格合并示意图;
图5显示了一个利用本发明实施例的曲面重建方法的模型重建的时间和内存统计图;
图6显示了本发明实施例的计算机设备的框架结构示意图。
具体实施方式
下述将结合具体的实施例来详细描述本发明的各种示例性实施例。对示例性实施例的描述仅仅是说明性的,不作为对本发明及其应用或使用的任何限制。本发明可以以许多不同的形式实现,不限于这里所述的实施例。提供这些实施例是为了使本发明透彻且完整,并且向本领域技术人员充分表达本发明的范围。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置应被解释为仅仅是示例性的,而不是作为限制。
本发明使用的所有术语(包括技术术语或者科学术语)与本发明所属领域的普通技术人员理解的含义相同,除非另外特别定义。还应当理解,在诸如通用字典中定义的术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在相关技术中,例如中国专利201710882593.2公开有基于双重空间数据组织的海量点云Delaunay三角网构建方法,尽管其也旨在降低构网方法对计算机内存的需求,增强构网方法对不同点云分布类型的适应性,提高构网方法的效率,但其所公开的技术方案难以保证划分后各格网间点云数据的均匀分布。非均匀分布点云数据的Delaunay三角剖分可能会导致长细四面体的存在,后期需要对这些长细四面体进行删除和重建,比均匀分布点云数据的Delaunay三角剖分耗时要长;且其输出的三角网模型为分块点云重建的三角网模型,并非完整的三维几何模型,缺乏对多块网格合并方法的实现。
参考附图1a、1b,本发明的实施例提供了一种三维点云的曲面重建方法,包括:
101,输入点云数据;
在本发明的实施例中,并不限制点云数据的类型,诸如激光雷达点云数据、多视角立体视觉(MVS)点云数据、运动恢复结构(SfM)点云数据、RGB-D深度相机点云数据、SAR点云数据等均可适用于本发明实施例的方法。
102,构建点云数据的KD(K-Dimensional)树空间数据索引以获取数量相等且均分分布的分块点云;
在本发明的一些实施例中,构建所述点云数据的KD树空间数据索引以获取数量相等且均分分布的分块点云,包括:
计算点云数据的最小外包矩形(MBR-Minimum Bounding Rectangle),基于最小外包矩形的长轴对点云数据进行KD树等量迭代划分,获取数量相等且均分分布的分块点云。
例如,将点云数据投影至二维(X-Y)平面,计算点云数据的最小外包矩形,判断点云最小外包矩形的长轴,根据最小外包矩形的长轴方向对点云坐标进行排序,取坐标中值对点云数据进行二元垂直划分,循环直至每块点云数据的点云数量小于设定的阈值m,输出分块后的点云数据。
例如,下述具体实施例提供了一个创建KD树索引的过程。
点云数据集P的点云数量为N,设定划分后最小点云子集Pi的上限阈值为m,采用KD树索引将点云数据均匀划分为t=ceil(N/m)个点集(ceil为向上取整函数)。创建KD树索引划分点云数据的具体步骤如下:
步骤1:计算点云的最小外包矩形,并按其外包围盒的长轴对点云数据进行均匀划分。首先计算左叶子节点所包含的子集数r1=ceil(t/2)和右叶子节点所包含的子集数r2=t-r1,然后,对点云外包矩形的长轴进行判断并划分点云数据。当外包矩形的x轴长于y轴时,将数据点的x坐标从小到大排序,取第ri×m个值在x轴垂直划分;类似的,当y轴长于x轴时,在y轴对点云进行垂直划分;
步骤2:划分后左子节点中的点云数目为n1=r1×m,右子节点的点云数目为n2=N-n1,判断划分后各子节点的点云数目是否小于阈值m。若满足条件则输出叶子节点中的点云数据,否则,对划分后的点云子集重复以上操作,循环直至各叶子节点的点云数目ni≤m为止。
在本发明的一些实施例中,所述方法还包括对分块点云添加外部边界点使得分块点云之间具有重叠。通过这种方式可以避免局部表面重建的边界效应。
例如,在一个具体实施例中,为了避免局部表面重建的边界效应,对划分后的点云添加外部边界点。设置边界重叠区域点云的数量,遍历每个叶子节点及相邻叶子节点,将符合条件的点划分至各叶子节点。
例如,在一个具体实施例中,设置重叠点云的数量为0.1*m。
例如,在一个具体实施例中,为了降低大数据量点云数据在KD树索引构建过程中对计算机内存的占用,设置输入点云的最大阈值,当点云数量大于该阈值时,在外存(外部存储器)中对点云长轴进行判断,点云划分过程中不移动数据,仅在索引构建完毕后将叶节点数据存储在相应的文件。
为了便于理解,可以参考图2所示的创建KD树空间数据索引的过程示意图,L0、L1、L2分别显示了点云的最小外包矩形生成、均匀划分、根据子节点的点云数目是否小于阈值调整划分、循环直至各叶子节点的点云数目满足预设条件的过程,D0显示了对划分后的点云添加外部边界点。
图2所示仅为示意图,并不对本发明实施例的点云的数据量、区块点云划分效果构成任何限定。
103,对每个分块点云采用Delaunay逐点插入方法进行网格重建,获得与每个所述分块点云对应的三角网模型;
在本发明的一些实施例中,为了降低内存资源消耗,采用并行执行三维Delaunay逐点插入方法构建三角网,对划分后各分块点云数据进行并行构网重建以提高执行效率,获得与每个分块点云对应的三角网模型。
在一个具体实施例中,对每个分块点云采用Delaunay逐点插入方法进行网格重建包括下述步骤:
步骤1:构建一个初始长方体,该初始长方体包含所有三维点云数据,连接长方体上能够组成四面体的任意四个顶点,在长方体内构建多个初始Delaunay四面体,记录该长方体的顶点;
步骤2:对于新插入的三维点P,识别并找出外接球包含P的所有四面体,删除这些四面体并保留这些四面体的边界,生成Delaunay空腔多面体;
步骤3:连接点P与空腔多面体边界的顶点形成新的四面体,并根据Delaunay空球准则(三维Delaunay四面体剖分过程中,任一四面体的外接球内部不包含被剖分点集中的点)验证以P为顶点的新四面体的有效性,最终确定新的四面体并更新四面体的邻接关系;
步骤4:重复以上步骤,直至所有点都被插入,并删除与初始长方体顶点相关的四面体,提取三角网格。
104,检测与每个所述分块点云对应的三角网模型之间的重叠区域并对所述重叠区域的网格重构,拼接网格重构后重叠区域的三角网与非重叠区域的三角网,得到与输入的点云数据对应的完整三角网模型。
在本发明的一些实施例中,检测与每个所述分块点云对应的三角网模型之间的重叠区域并对所述重叠区域的网格重构,包括:
对具有重叠区域的三角网进行碰撞检测,提取重叠区域的网格顶点以及与重叠区域相邻的非重叠区域的三角网环作为PLS(Piecewise Linear System),利用约束Delaunay四面体剖分和图割方法对重叠区域进行网格重构。
例如,可以通过下述具体过程实现碰撞检测:
假定待合并三角网模型中的某一个三角形为ΔABC,构建ΔABC的外包围球B=(G,r),其中球心G为ΔABC的质心,半径r的计算公式如下:
r=k×max{GA,GB,GC},k>1
式中,k为经验权值,值的大小对应三角网模型重叠区域检测质量的好坏。
例如k=1.1。
通过分别构建不同叶节点网格模型中三角面片的外包围球,并采用KD树加速外包围球的碰撞检测,获取外包围球的交集,这些具有交集的外包围球对应的网格三角形的集合即为网格模型的重叠区域。
在本发明的一些实施例中,提取重叠区域的网格顶点以及与重叠区域相邻的非重叠区域的三角网环作为PLS,包括:
对重叠检测后重叠区域的三角网进行提取,提取与重叠区域具有公共网格顶点的相邻非重叠区域的第一三角网环和间接相邻的第二三角网环,剔除重叠区域的三角网,提取重叠区域的网格顶点,检测并剔除三角网环中的自相交网格三角形,以重叠区域的网格顶点和相邻非重叠区域的第一三角网环创建PLS约束。
例如,在一个具体实施例中,对重叠检测后重叠区域的三角网进行提取,并提取与重叠区域具有公共网格顶点的相邻非重叠区域的第一三角网环R1和间接相邻的第二三角网环R2(统称为R),其中R1用于创建PLS,R2用于最后的网格拼接。剔除重叠区域的三角网,提取重叠区域的网格顶点,检测并剔除三角网环R中的自相交网格三角形,以重叠区域的网格顶点和相邻非重叠区域的三角网环R创建PLS约束。
在一些实施例中,为了减少内存占用,将重叠区域的三角网与三角网环R保存在内存,剩余非重叠区域的网格保存在外存(例如计算机的硬盘等外部存储器),仅在最后的拼接步骤中使用。
例如,在一个具体实施例中,依据PLS约束,利用TetGen、Netgen、Stellar等软件进行约束Delaunay四面体剖分构建重叠区域的约束Delaunay四面体,并采用图割方法从约束Delaunay四面体中提取重叠区域的三角网,实现重叠区域的网格重构。
在一些实施例中,拼接网格重构后重叠区域的三角网与非重叠区域的三角网,包括:
根据重叠区域和相邻非重叠区域三角网的公共边界和顶点,将网格重构后重叠区域的三角网与相邻非重叠区域的三角网拼接在一起。
为了便于说明本发明实施例所提供的技术方案的效果,通过记录并统计整个网格重建过程中算法的运行时间和峰值内存分析算法的时间效率和空间效率验证其有效性,并以结构光扫描获取的模型作为真值,计算网格模型与结构光模型的最邻近距离,并以最邻近距离的平均值作为评价指标,评估网格模型的精确度和完整度。
具体地,本发明方法的时间复杂度为O(n1×t)+O(n1)+O(n2×(t-1)),空间复杂度为2O(n1)+O(n2)。其中,n1是顶点的数量,t是分块点云的数量,n2是网格三角面片的数量。其为线性分布,能够快速、高效的实现海量点云数据的高质量网格重建。
选取一组由五镜头无人机倾斜影响数据生产的点云模型进行算法的构网性能测试,共包含102116723个点。此外,对该组数据进行抽稀处理,选取七组不同数据量的点云数据进行算法运行时间和峰值占用内存的统计(图5-a、b),验证算法的时间效率和空间效率。七组点云数据的数据量分别为:100万、500万、700万、1000万、2000万、5000万、1亿。
在实施时,输入实例点云数据,如前所述创建KD树空间数据索引,基于最小外包矩形的长轴对点云数据进行等量迭代划分,获取小于设定阈值m=3200000的数量相等且均分分布的分块点云。然后利用三维Delaunay逐点插入算法并行计算实现分块点云数据的网格重建。
在上述基础上,检测网格模型间的重叠区域,提取重叠区域的网格顶点和相邻非重叠区域的三角网环作为PLS约束,采用约束Delaunay四面体剖分和图割算法实现模型重叠区域的网格重构,进而实现多块网格模型的拼接与合并,获取完整的三角网模型。
对上述数据网格重建过程中算法的运行时间和峰值内存进行统计。
同样采取上述数据,采用本领域较为常用的Ball-pivoting算法、Boltcheva的算法与本发明的发明进行时间效率和空间效率的比较。
申请人发现,在较低数据量下,例如点云数据的数据量为100万、500万、700万、1000万等时,本发明提供的方法时间效率至少提高了20%,空间效率(峰值内存占用)至少提高了30%(峰值内存占用降低至少30%);在较高数据量下,例如点云数据的数据量为2000万、5000万、1亿等时,本发明方法的时间和空间效率突破性的优于Ball-pivoting算法、Boltcheva的算法,尤其是在空间效率上,提高了50%左右的水平。
选取DUT(Technical University of Denmark)公共数据集的场景4、43和48作为精度评估实例,以结构光扫描获取的模型作为真值,计算网格模型与结构光模型的最邻近距离,并以最邻近距离平均值作为评价指标,评估重建网格模型的精确度和完整度。模型重建精度统计结果列于下表1所示,(模型重建精确度列于第二列,模型重建完整度列于第三列)。
表1:本发明实施例方法的性能评估
如表1所示,算法重建精确度误差最大为30.7846mm,完整度误差最大为6.6435mm。
以上述实施例的点云数据1亿组为例,从该组实例点云数据的网格重建结果(图3)和该实例某区域重叠区域的网格合并图(图4,对应于图3中的某局部区域)可知:本发明实施例提供的方法能够有效消除重叠区域的数据冗余,实现海量点云数据的网格重建。
从实例点云数据的网格重建运行时间和内存统计结果(图5-a、b)和表1的网格重建精度统计结果可知:本发明方法的时间和内存占用与点云数量呈线性关系,尤其是在处理1亿数量的点云数据时,内存占用不足9G,且模型重建的精确度和完整度较高。
由上述可见,本发明所提供的曲面重建方法能够获取网格合并后完整的三维几何模型,具有占用内存低、运行效率高的优势,且能够保证网格模型的重建精度,适用于海量点云数据的曲面重建。
参考图6,显示了本发明实施例所提供的一种计算机设备,包括:处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现前述任一实施例所述的曲面重建方法。
该电子设备可以以计算机通用计算设备的形式表现,如包括存储器1010、处理器1020和连接不同系统组件的总线1000。
存储器1010例如可以包括系统存储器、非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(BootLoader)以及其他程序等。系统存储器可以包括易失性存储介质,例如随机存取存储器(RAM)和/或高速缓存存储器。非易失性存储介质例如存储有执行清晰度计算方法的对应实施例的指令。非易失性存储介质包括但不限于磁盘存储器、光学存储器、闪存等。
处理器1020可以用中央处理器(CPU)、数字信号处理器(DSP)、应用专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑设备、分立门或晶体管等分立硬件组件方式来实现。
总线1000可以使用多种总线结构中的任意总线结构。例如,总线结构包括但不限于工业标准体系结构(ISA)总线、微通道体系结构(MCA)总线、外围组件互连(PCI)总线。
电子设备还可以包括输入输出接口1030、网络接口1040、存储接口1050等。这些接口1030、1040、1050以及存储器1010和处理器1020之间可以通过总线1000连接。输入输出接口1030可以为显示器、鼠标、键盘等输入输出设备提供连接接口。网络接口1040为各种联网设备提供连接接口。存储接口1040为软盘、U盘、SD卡等外部存储设备提供连接接口。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例提供的曲面重建方法中的步骤,该存储介质的实现可以参考上述存储器1010所示。
与相关技术中的技术方案相比,本发明实施例提供的技术方案至少部分地实现了如下技术进步:
1、利用KD树空间索引划分点云数据,在点云数据划分和网格合并的过程中,在内存和外存之间进行有效的数据调度,能够减少计算机一次性处理的数据量,降低数据处理过程中的计算机内存,获取拼接后完整的网格模型。基于最小外包矩形长轴的KD树空间索引能够在不受点云分布影响的情况下,划分得到点云数量相同且均匀分布的每块区域。
2、并行计算的三维Delaunay逐点插入构网过程,进一步提高构网效率,能够快速、高效的实现海量点云数据的高质量网格重建。
尽管发明人已经对本发明的基本原理、主要特征和技术方案做了较为详细的阐述和列举,应当理解,对于本领域熟练的技术人员而言,对上述实施例做出修改或者采用等同的替代方案是显而易见的,在不偏离本发明精神的基础上所做的任何修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种三维点云的曲面重建方法,其特征在于,包括:
输入点云数据;
构建所述点云数据的KD树空间数据索引以获取数量相等且均分分布的分块点云;
对每个所述分块点云采用Delaunay逐点插入方法进行网格重建,获得与每个所述分块点云对应的三角网模型;
检测与每个所述分块点云对应的三角网模型之间的重叠区域并对所述重叠区域的网格重构,拼接网格重构后重叠区域的三角网与非重叠区域的三角网,得到与输入的点云数据对应的完整三角网模型。
2.根据权利要求1所述的曲面重建方法,其特征在于,所述构建所述点云数据的KD树空间数据索引以获取数量相等且均分分布的分块点云,包括:计算所述点云数据的最小外包矩形,基于最小外包矩形的长轴对所述点云数据进行KD树等量迭代划分,获取数量相等且均分分布的分块点云。
3.根据权利要求2所述的曲面重建方法,其特征在于,还包括对所述分块点云添加外部边界点使得所述分块点云之间具有重叠。
4.根据权利要求1所述的曲面重建方法,其特征在于,所述对每个所述分块点云采用Delaunay逐点插入方法进行网格重建,包括:
针对每个所述分块点云构建对应的初始长方体,所述初始长方体包含三维分块点云数据,连接长方体上能够组成四面体的任意四个顶点,在长方体内构建多个初始Delaunay四面体,记录该长方体的顶点;
对于新插入的三维点,识别并找出外接球包含新插入的三维点的所有四面体,删除这些四面体并保留这些四面体的边界,生成Delaunay空腔多面体;
连接新插入的三维点与空腔多面体边界的顶点形成新的四面体,验证以新插入的三维点为顶点的新四面体的有效性,确定新的四面体并更新四面体的邻接关系;
重复以上步骤,直至所有点都被插入,删除与初始长方体顶点相关的四面体,提取三角网格获得与所述分块点云对应的三角网模型。
5.根据权利要求1所述的曲面重建方法,其特征在于,所述检测与每个所述分块点云对应的三角网模型之间的重叠区域并对所述重叠区域的网格重构,包括:
对具有重叠区域的三角网进行碰撞检测,提取重叠区域的网格顶点以及与重叠区域相邻的非重叠区域的三角网环作为PLS,利用约束Delaunay四面体剖分和图割方法对重叠区域进行网格重构。
6.根据权利要求1所述的曲面重建方法,其特征在于,所述拼接网格重构后重叠区域的三角网与非重叠区域的三角网,包括:
根据重叠区域和相邻非重叠区域三角网的公共边界和顶点,将网格重构后重叠区域的三角网与相邻非重叠区域的三角网拼接在一起。
7.根据权利要求5所述的曲面重建方法,其特征在于,所述提取重叠区域的网格顶点以及与重叠区域相邻的非重叠区域的三角网环作为PLS,包括:
对重叠检测后重叠区域的三角网进行提取,提取与重叠区域具有公共网格顶点的相邻非重叠区域的第一三角网环和间接相邻的第二三角网环,剔除重叠区域的三角网,提取重叠区域的网格顶点,检测并剔除三角网环中的自相交网格三角形,以重叠区域的网格顶点和相邻非重叠区域的第一三角网环创建PLS约束。
8.根据权利要求7所述的曲面重建方法,其特征在于,将重叠区域的三角网、第一和第二三角网环保存在内存,剩余非重叠区域的网格保存在外部存储器。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8任意一项所述的曲面重建方法。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至8任意一项所述的曲面重建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011558263.6A CN112669463B (zh) | 2020-12-25 | 2020-12-25 | 三维点云的曲面重建方法、计算机设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011558263.6A CN112669463B (zh) | 2020-12-25 | 2020-12-25 | 三维点云的曲面重建方法、计算机设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112669463A true CN112669463A (zh) | 2021-04-16 |
CN112669463B CN112669463B (zh) | 2022-02-15 |
Family
ID=75408832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011558263.6A Active CN112669463B (zh) | 2020-12-25 | 2020-12-25 | 三维点云的曲面重建方法、计算机设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112669463B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113148116A (zh) * | 2021-04-22 | 2021-07-23 | 王陆峰 | 一种无人机用机械式抗横风装置 |
CN113744408A (zh) * | 2021-08-31 | 2021-12-03 | 北京航空航天大学 | 网格生成方法、装置及存储介质 |
CN114357906A (zh) * | 2021-12-31 | 2022-04-15 | 浙江大学 | 激波特征曲面网格重建方法及装置、电子设备、存储介质 |
CN114627262A (zh) * | 2022-05-11 | 2022-06-14 | 武汉大势智慧科技有限公司 | 基于倾斜网格数据的图像生成方法及系统 |
CN114882189A (zh) * | 2022-05-26 | 2022-08-09 | 广州市城市规划勘测设计研究院 | 一种三维场景灾变可视化展示方法 |
CN115578429A (zh) * | 2022-11-21 | 2023-01-06 | 西北工业大学 | 一种基于点云数据的模具在线精度检测方法 |
CN115690120A (zh) * | 2022-06-06 | 2023-02-03 | 如你所视(北京)科技有限公司 | 生成三维网格的方法、装置、设备、介质和程序产品 |
CN117036647A (zh) * | 2023-10-10 | 2023-11-10 | 中国电建集团昆明勘测设计研究院有限公司 | 基于倾斜实景三维模型的地面曲面提取方法 |
CN117152369A (zh) * | 2023-09-08 | 2023-12-01 | 中南大学 | 冻土模型的构建方法、装置、设备和计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063903A (zh) * | 2014-07-08 | 2014-09-24 | 清华大学 | 三维实体模型的四面体网格生成方法和装置 |
US20150070354A1 (en) * | 2013-09-10 | 2015-03-12 | Fu Tai Hua Industry (Shenzhen) Co., Ltd. | Computing device and method for reconstructing curved surface of point cloud data |
CN105654552A (zh) * | 2014-11-10 | 2016-06-08 | 国家海洋局第海洋研究所 | 一种面向任意分布大规模点云数据的快速Delaunay构网方法 |
CN107403456A (zh) * | 2017-07-28 | 2017-11-28 | 北京大学深圳研究生院 | 一种基于kd树和优化图变换的点云属性压缩方法 |
CN107610228A (zh) * | 2017-07-05 | 2018-01-19 | 山东理工大学 | 基于海量点云的曲面增量拓扑重建方法 |
CN109636913A (zh) * | 2018-12-04 | 2019-04-16 | 山东理工大学 | 基于Delaunay剖分的三角网格增量拓扑拼接方法 |
-
2020
- 2020-12-25 CN CN202011558263.6A patent/CN112669463B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150070354A1 (en) * | 2013-09-10 | 2015-03-12 | Fu Tai Hua Industry (Shenzhen) Co., Ltd. | Computing device and method for reconstructing curved surface of point cloud data |
CN104063903A (zh) * | 2014-07-08 | 2014-09-24 | 清华大学 | 三维实体模型的四面体网格生成方法和装置 |
CN105654552A (zh) * | 2014-11-10 | 2016-06-08 | 国家海洋局第海洋研究所 | 一种面向任意分布大规模点云数据的快速Delaunay构网方法 |
CN107610228A (zh) * | 2017-07-05 | 2018-01-19 | 山东理工大学 | 基于海量点云的曲面增量拓扑重建方法 |
CN107403456A (zh) * | 2017-07-28 | 2017-11-28 | 北京大学深圳研究生院 | 一种基于kd树和优化图变换的点云属性压缩方法 |
CN109636913A (zh) * | 2018-12-04 | 2019-04-16 | 山东理工大学 | 基于Delaunay剖分的三角网格增量拓扑拼接方法 |
Non-Patent Citations (1)
Title |
---|
殷志峰: "散乱点云数据的三维重建方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113148116A (zh) * | 2021-04-22 | 2021-07-23 | 王陆峰 | 一种无人机用机械式抗横风装置 |
CN113744408A (zh) * | 2021-08-31 | 2021-12-03 | 北京航空航天大学 | 网格生成方法、装置及存储介质 |
CN113744408B (zh) * | 2021-08-31 | 2023-10-27 | 北京航空航天大学 | 网格生成方法、装置及存储介质 |
CN114357906A (zh) * | 2021-12-31 | 2022-04-15 | 浙江大学 | 激波特征曲面网格重建方法及装置、电子设备、存储介质 |
CN114627262A (zh) * | 2022-05-11 | 2022-06-14 | 武汉大势智慧科技有限公司 | 基于倾斜网格数据的图像生成方法及系统 |
CN114882189B (zh) * | 2022-05-26 | 2023-03-24 | 广州市城市规划勘测设计研究院 | 一种三维场景灾变可视化展示方法 |
CN114882189A (zh) * | 2022-05-26 | 2022-08-09 | 广州市城市规划勘测设计研究院 | 一种三维场景灾变可视化展示方法 |
CN115690120A (zh) * | 2022-06-06 | 2023-02-03 | 如你所视(北京)科技有限公司 | 生成三维网格的方法、装置、设备、介质和程序产品 |
CN115690120B (zh) * | 2022-06-06 | 2024-01-26 | 如你所视(北京)科技有限公司 | 生成三维网格的方法、装置、设备、介质和程序产品 |
CN115578429A (zh) * | 2022-11-21 | 2023-01-06 | 西北工业大学 | 一种基于点云数据的模具在线精度检测方法 |
CN117152369A (zh) * | 2023-09-08 | 2023-12-01 | 中南大学 | 冻土模型的构建方法、装置、设备和计算机可读存储介质 |
CN117036647A (zh) * | 2023-10-10 | 2023-11-10 | 中国电建集团昆明勘测设计研究院有限公司 | 基于倾斜实景三维模型的地面曲面提取方法 |
CN117036647B (zh) * | 2023-10-10 | 2023-12-12 | 中国电建集团昆明勘测设计研究院有限公司 | 基于倾斜实景三维模型的地面曲面提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112669463B (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112669463B (zh) | 三维点云的曲面重建方法、计算机设备和计算机可读存储介质 | |
CN110033519B (zh) | 基于隐式函数的三维建模方法、装置、系统及存储介质 | |
US9047674B2 (en) | Structured grids and graph traversal for image processing | |
US20130235050A1 (en) | Fully parallel construction of k-d trees, octrees, and quadtrees in a graphics processing unit | |
Zhou et al. | A streaming framework for seamless building reconstruction from large-scale aerial lidar data | |
CN113724401A (zh) | 一种三维模型切割方法、装置、计算机设备和存储介质 | |
CN116258840B (zh) | 层级细节表示树的生成方法、装置、设备及存储介质 | |
JP4175536B2 (ja) | 境界データの内外判定方法とそのプログラム | |
Merry et al. | Moving least-squares reconstruction of large models with GPUs | |
Kuhn et al. | Incremental division of very large point clouds for scalable 3d surface reconstruction | |
Horvat et al. | Ray-casting point-in-polyhedron test | |
CN112819108B (zh) | 一种多源异构模型的切片融合方法、系统及存储介质 | |
CN112669427B (zh) | 距离采样方法、装置、设备和存储介质 | |
CN113763240B (zh) | 一种点云缩略图生成方法、装置、设备及存储介质 | |
CN116681857A (zh) | 一种空间碰撞检测方法、装置及电子设备 | |
CN110837707B (zh) | 一种有限元分析系统、方法、计算机设备及存储介质 | |
CN110349265B (zh) | 一种四面体拓扑网格生成方法及电子设备 | |
Pan et al. | A visibility-based surface reconstruction method on the GPU | |
CN117058300B (zh) | 一种基于kd树加速光线与未裁剪曲面交点计算的方法 | |
CN116310226B (zh) | 三维对象层级模型生成方法、装置、设备和存储介质 | |
CN116797704B (zh) | 点云数据处理方法、系统、装置、电子设备及存储介质 | |
CN115495968B (zh) | 网格划分方法、终端以及存储介质 | |
CN117237503B (zh) | 一种地理要素数据加速渲染及装置 | |
EP3933780A1 (en) | Intersection testing in a ray tracing system | |
CN117392341A (zh) | 点云数据生成方法、装置、计算机设备和存储介质 |
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 |