CN112802194B - 一种基于点云数据的核设施高精度重构方法 - Google Patents
一种基于点云数据的核设施高精度重构方法 Download PDFInfo
- Publication number
- CN112802194B CN112802194B CN202110345518.9A CN202110345518A CN112802194B CN 112802194 B CN112802194 B CN 112802194B CN 202110345518 A CN202110345518 A CN 202110345518A CN 112802194 B CN112802194 B CN 112802194B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- voting
- point
- vector
- plane
- 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.)
- Active
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/08—Volume rendering
-
- 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
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于点云数据的核设施高精度重构方法,包括以下步骤:步骤1、从多个视角获取待重构核设施的点云数据;步骤2、采用基于PPF点对特征的霍夫投票算法,自动识别出需要进行重构的核设施点云数据中的所有基本形面,提取出所有基本形面的位姿参数,并提取所有形面的领域点云;步骤3、基于Levenberg‑Marquard算法拟合各个形面领域点云的最优参数:步骤4、基于Brep数据结构实现对形面的重构,并对重构出的形面进行实体布尔运算,得到该核设施最终的三维实体模型。本发明结合Brep、CSG树数据结构,创新性地提出了一种基于形面检测的三维重构技术,利用LM算法优化三维霍夫投票算法识别后的形面结果,得出最优的形面参数,提高了三维重构的精度。
Description
技术领域
本发明属于三维模型构建技术领域,特别涉及一种基于点云数据的核设施高精度重构方法。
背景技术
核能作为一种新能源,以其高效、清洁的优势逐渐替代传统的高污染化石燃料。然而,不断发生的核事故对人类的安全造成了严重威胁。对核设施进行定期检测,将严重变形及损伤的核设施退役,是保障核安全的关键措施。虚拟仿真技术是核设施退役过程的主要手段,所有仿真技术的应用都建立在有精确的三维模型的基础上,然而早期建立的核设施工程资料多不齐全,即使有图纸资料的工程也没有三维实体模型,加上核设施处于人员无法到达的高放射性毒性及空间狭小的区域,退役人员难以采集核设施的信息对其进行三维建模,导致制定退役方案时无法使用先进的虚拟仿真工具,大大增加了退役过程的难度。通过对核设施进行三维重构,能直接解决退役过程中由于缺乏三维资料而无法使用先进虚拟仿真技术的难题,大大减小退役的难度和提高退役的效率。
激光三维扫描重构技术是目前一项崭新的检测技术,在不接触被测物体的情况下就能获得精确的三维信息。将该技术应用于核设施退役领域,可以充分发挥激光三维扫描技术独特的优势,比如可以实现在线测量和无损测量,使用灵活,速度快,有效弥补了传统测量方法在实际工业现场的诸多限制。但目前激光三维扫描重构技术在核设施退役这一领域还缺少深入的研究和应用,目前仍存在以下问题:(1)核电厂房内核设施安装环境复杂,激光三维扫描设备采集到的点云数据多存在数据量大、多噪声、数据缺失等问题,传统的特征检测算法如Ransac算法无法准确、高效地完成核设施点云数据的特征提取;(2)核设施结构较为复杂且重构精度要求较高,传统的三维重构技术难以高效率、高准确率的直接应用于核电厂房内核设施的重构。
因此需要针对核设施设计高精度的三维重构方法。
发明内容
本发明的目的在于克服现有技术的不足,提供一种结合Brep、CSG树数据结构,创新性地提出了一种基于形面检测的三维重构技术,利用LM算法优化三维霍夫投票算法识别后的形面结果,得出最优的形面参数,提高了三维重构的精度的基于点云数据的核设施高精度重构方法。
本发明的目的是通过以下技术方案来实现的:一种基于点云数据的核设施高精度重构方法,包括以下步骤:
步骤1、从多个视角获取满足精度要求的待重构核设施的点云数据;
步骤2、采用基于PPF点对特征的霍夫投票算法,自动识别出步骤1中需要进行重构的核设施点云数据中的所有基本形面,提取出所有基本形面的位姿参数,并针对位姿参数提取所有形面的领域点云;
步骤3、基于Levenberg-Marquard算法拟合步骤2中各个形面领域点云的最优参数:
步骤4、基于Brep数据结构实现对形面的重构,并对重构出的形面进行实体布尔运算,得到该核设施最终的三维实体模型。
进一步地,所述步骤1包括以下子步骤:
步骤1.1、通过结构光双目扫描仪对重构精度要求高的核设施进行多视角扫描,获取该核设施的有向点云数据Local_PointCloud[1]、Local_PointCloud[2]、……、Local_PointCloud[n],点云数据的每个点均带有法向量信息,其中n为扫描视角的总数量;
步骤1.2、以某一视角下的点云为基准点云,通过改进的ICP算法求得其余视角下的待配准点云到基准点云的变换矩阵[RM TM;01],分别对其进行齐次坐标变换,使得待配准点云数据都统一到基准点云数据的基准坐标系中,合并所有视角下的点云数据以获得完整、高精度的核设施点云数据Nuclear_PointCloud[n];具体包括如下步骤:
步骤1.2.1、初始化,以Local_PointCloud[1]为基准点云,令k=2;
步骤1.2.2、通过改进的ICP算法计算Local_PointCloud[k]到Local_PointCloud[1]的变换矩阵[RM TM;01],对点云数据Local_PointCloud[k]进行齐次坐标变换,得到Local_PointCloud[k]′,令Local_PointCloud[1]=Local_PointCloud[k]′+Local_PointCloud[1];
步骤1.2.3、令k=k+1,返回步骤1.2.2;当k=n时终止循环得到最终的点云数据Nuclear_PointCloud[n]=Local_PointCloud[1]。
进一步地,所述步骤2具体实现方法为:用NuclearEquipment_para[i][k]表示识别到的第i个形面的第k维位姿参数;其中1≤i≤n,1≤k≤D,n为Nuclear_PointCloud[m]所识别到的基本形面的总数量,D为形面位姿参数的维数;对于平面ax+by+cz+d=0,D=4,位姿参数分别为a、b、c、d;对于圆柱面,D=7,位姿参数分别为轴线向量n(nx,ny,nz)、定位点P(px,py,pz)以及半径R;对于球面,D=4,位姿参数分别为定位点P(px,py,pz)以及半径R;对于圆锥面,D=8,位姿参数分别为轴线向量n(nx,ny,nz)、锥顶点Pf(px,py,pz)以及锥顶角θ;具体包括以下子步骤:
步骤2.1、对待重构的核设施点云进行下采样得到点云子集Sr,将对全部点云的形面识别转换到下采样所得到的关键点上;下采样算法采用FPS算法,具体包括如下步骤:
步骤2.1.1、令K=1,N为该核设施点云总数量的1/10,初始化点云子集Sr由核设施点云数据Nuclear_PointCloud[m]中任意一点P组成,Pr为Nuclear_PointCloud[m]中除P外所有点组成的集合;
步骤2.1.2、计算Sr与Pr中所有点之间的欧式距离,记最大欧式距离为D(si,pj),si∈Sr,pj∈Pr,令Sr=Sr∪pj,同时从集合Pr中移除点pj;
步骤2.1.3、令K=K+1,若K=N,则结束循环,得到采样点集合Sr,否则跳转至步骤2.1.2;
步骤2.2、计算Sr中所有不重复点对的PPF向量:pr∈Sr,其法向量分别为ni、nr,令d=pi-pr,按照下式计算所有不重复点对pi与pr的PPF向量:
上标T表示列向量的转置;
步骤2.3、初始化形面位姿列表NuclearEquipment_para以及霍夫投票空间Voting_space,投票空间设计采用维度为3的单位球;
步骤2.4、针对PPF向量对所有平面位姿进行投票:若pi与pr处于同一平面,则ni、nr⊥d,所述F(pi,pr)=(||d||2,0,0,1),设pi与pr所处平面方程为nix(x-pix)+niy(y-piy)+niz(z-piz)=0,其中,pix、piy、piz分别为点pi的xyz坐标,nix、niy、niz分别为点pi法向量的xyz坐标,且平面参数自由度为3,于投票空间Voting_space中对该平面参数对应单元的投票数加1;遍历所述PPF向量,对所有平面位姿进行投票,最终将投票空间Voting_space中投票数≥100的位姿参数放进所述NuclearEquipment_para中;
步骤2.5、针对所述PPF向量对所有圆柱面位姿进行投票:令根据所述PPF定义有nTni=nTnr=0,对于处于同一圆柱面上的两点pi与pr,法向量分别为ni与nr,所述PPF向量满足:F(pr,pi)=(F1,F2,F3,F4)=(||d||2,-λR,λR,1-λ),令F1、F2、F3、F4分别为F(pr,pi)向量对应下标元素的计算值,计算pi与pr所处圆柱面的半径为:/>圆柱轴线向量/>定位点P=pi-Rni,故圆柱面的投票维度为3,分别为R、nx、ny;nx、ny分别为圆柱轴线向量/>的xy坐标,/>的z坐标/>对满足此PPF向量特征的两点pi与pr,计算R、nx、ny,并于投票空间Voting_space中对该圆柱面参数对应单元的投票数加1;遍历所述PPF向量,对所有圆柱面位姿进行投票,最终将投票空间Voting_space中投票数≥100的位姿参数放进所述NuclearEquipment_para中;
步骤2.6、针对所述PPF向量对所有圆锥面位姿进行投票:对于处于同一圆锥面上的两点pi与pr,令qi、qr分别为ni、nr与圆锥面轴线向量的交点,si为pi与qi的欧式距离,sr为pr与qr的欧式距离,F1、F2、F3、F4分别为F(pi,pr)向量对应下标元素的计算值,则根据圆锥面特征计算/>轴线向量/>根据sr与n计算圆锥面参数锥顶点Pf(px,py,pz)以及锥顶角θ;因此圆锥面的投票维度为3,分别为sr、nx、ny;对PPF向量F(pr,pi),计算sr、nx、ny,并于投票空间Voting_space中对该圆锥面参数对应单元的投票数加1;遍历PPF向量,对所有圆锥面位姿进行投票,最终将投票空间Voting_space中投票数≥100的位姿参数放进NuclearEquipment_para中;
步骤2.7、针对所述PPF向量对所有球面位姿进行投票:令α=∠(ni,nr),若pi与pr处于同一半径为R的球面上,则PPF向量满足:
F(pr,pi)=(F1,F2,F3,F4)=(2λR2,-λR,λR,1-λ),计算pi与pr所处球面的半径同时根据R计算球面定位点P=pr-Rnr;因此球面的投票维度为1,即为R,于投票空间Voting_space中对该球面半径参数对应单元的投票数加1;遍历PPF向量,对所有球面位姿进行投票,将投票空间Voting_space中投票数≥100的位姿参数放进NuclearEquipment_para中;
步骤2.8、针对NuclearEquipment_para中的位姿参数,提取所有对应形面的领域点云。
进一步地,所述步骤2.8包括以下子步骤:
步骤2.8.1、遍历点云数据Nuclear_PointCloud[m]中的点,将到NuclearEquipment_para中参数对应的平面方程nix(x-pix)+niy(y-piy)+niz(z-piz)=0的距离≤ε以及法向量平行于平面法向量的点放进平面领域点云plane_region中,其中ε为预设阈值,并剔除所有平面区域的点;
步骤2.8.2、遍历Nuclear_PointCloud[m]中剩下的点,将到NuclearEquipment_para中参数对应的圆柱面轴线的距离≤R±ε以及法向量垂直于圆柱面法向量的点放进圆柱面领域点云cylinder_region中,并剔除所有圆柱区域的点;
步骤2.8.3、遍历Nuclear_PointCloud[m]中剩下的点,将到NuclearEquipment_para中参数对应的球面定位点的距离≤R±ε的点放进球面领域点云sphere_region中,并剔除所有球面区域的点;
步骤2.8.4、遍历Nuclear_PointCloud[m]中剩下的点,将到NuclearEquipment_para中参数对应的锥面距离≤ε以及法向量与锥面法向量夹角为θ的点放进锥面领域点云cone_region中,θ为所述圆锥面的锥顶角。
进一步地,所述步骤3包括以下子步骤:
步骤3.1、对于平面点云plane_region中的点,建立优化目标函数如下:
其中,优化参数为nx、ny,为plane_region点云的重心;利用Levenberg-Marquard迭代求解优化目标函数的最优解nx、ny,令/>则平面最终法向量nM=(nx,ny,nz),并更新NuclearEquipment_para中对应的值;
步骤3.2、对于球面点云sphere_region中的点,建立优化目标函数如下:
其中,优化参数为R,Px、Py、Pz为球面定位点P的x、y、z坐标,R为该球面的半径,同理利用Levenberg-Marquard算法迭代求解所述优化问题的最优解,得到该球面优化后的半径R及定位点P,并更新NuclearEquipment_para中对应的值;
步骤3.3、对于圆柱面点云cylinder_region中的点,建立优化目标函数如下:
其中,Li=nx(yi-y0)-ny(xi-x0),Mi=nx(zi-z0)-nz(xi-x0),Ni=ny(zi-z0)-nz(yi-y0),优化参数为nx、ny及R,x0、y0、z0为圆柱面定位点P的x、y、z坐标,R为拟合前该圆柱面的半径,同理利用Levenberg-Marquard算法迭代求解优化问题的最优解,得到该圆柱面优化后的nx、ny及R,并更新NuclearEquipment_para中对应的值;
步骤3.4、对于圆锥面点云cone_region中的点,建立优化目标函数如下:
其中,qi为pi法向量ni与该圆锥面轴线向量的交点,θ为锥顶角;优化参数为nx、ny及θ,同理利用Levenberg-Marquard算法迭代求解优化问题的最优解,得到该圆锥面优化后的nx、ny及θ,并更新NuclearEquipment_para中对应的值。
进一步地,所述步骤4包括以下子步骤:
步骤4.1、基于Brep对NuclearEquipment_para中NuclearEquipment_para[k]对应的形面进行Brep数据结构描述,形面类型包括平面、圆柱面、圆锥面、球面,具体包括如下步骤:
步骤4.1.1、对于NuclearEquipment_para中的所有平面参数,分别根据平面定位点P及轴线向量计算平面四个角点p1、p2、p3、p4,根据Brep数据结构构造边p1p2、p2p3、p3p4、p4p1,按照p1p2→p2p3→p3p4→p4p1→p1p2的顺序构造闭合环W,最终根据W构造面plane_face,面plane_face直接构成体plane_solid;
步骤4.1.2、对于NuclearEquipment_para中的所有圆柱面参数,根据圆柱半径R、轴线向量及定位点P,计算圆柱面上下圆上同一母线上的两点V1、V2,根据Brep数据结构构造边V1V2、C1、C2,其中,C1、C2为圆柱底面圆边,按照C1→V1V2→C2→V2V1的顺序构造闭合环W1,W2、W3为C1、C2组成的闭合环,W1、W2、W3分别对应面Face1、Face2及Face3,根据Brep数据结构由面Face1、Face2、Face3构成圆柱体cylinder_solid;
步骤4.1.3、对于NuclearEquipment_para中的所有圆锥面参数,根据圆锥轴线向量锥顶点及Pf及底面半径Sr,计算圆锥面底面圆上一点V1及锥顶点V2,根据Brep数据结构构造边C1、V1V2、V2V1,其中,C1为圆锥底面圆边,按照V1V2→C1→V2V1的顺序构造闭合环W1,W2为C1组成的闭合环,W1、W2分别对应面Face1、Face2,根据Brep数据结构由面Face1、Face2构成圆锥体cone_solid;
步骤4.1.4、对于NuclearEquipment_para中的所有球面参数,根据球半径R定位点P,计算球面上直径上的两点V1、V2,根据Brep数据结构构造边E1、E2、E3;其中,E1为圆心为定位点P,半径为R,且位于XOZ平面上的半圆边组成;E2、E3是退化边,即球面参数方程的奇点,为V1、V2为圆心的半径极小圆边;按照的顺序构造闭合环W1,W1对应球面Face1,其中/>表示边E1反向后的边,最后根据Brep数据结构由面Face1构成体sphere_solid;
步骤4.2、基于CSG树数据结构,按照核设施的实体构造方式,对形面实体plane_solid、cylinder_solid、cone_solid、sphere_solid进行布尔运算;CSG树为记录形面实体之间布尔运算类型的一颗二叉树,在CSG树中,叶子节点保存的是实体的拓扑关系信息,分支节点保存的是实体之间的布尔运算类型;从底层叶子节点出发,逐层往上进行核设施实体构造方式对应的布尔交、并、差运算,最终到达CSG树的顶点,即得到该核设施最终的三维实体模型Nuclear_mode。
本发明的有益效果是:
1、针对传统的形面检测算法如Ransac算法无法准确、高效地完成海量数据、多噪声的核设施点云的形面特征提取,本发明基于点对特征描述子PPF及三维霍夫投票算法,提出了一种高效的形面检测算法,同时通过设置最低投票标准来提高形面识别的准确度;
2、针对重构精度要求较高的核设施,传统的三维重构技术,如三角网格化等,无法准确还原核设施的特征形貌,本发明结合Brep、CSG树数据结构,创新性地提出了一种基于形面检测的三维重构技术,利用LM算法优化三维霍夫投票算法识别后的形面结果,得出最优的形面参数,提高了三维重构的精度,通过实例表明,本发明算法重构的核设施精度在0.2mm/s以内,满足核设施重构精度的要求。
附图说明
图1是本发明使用的核设施试验样件的实物图;
图2是本发明的一种基于点云数据的核设施高精度重构方法的整体流程图;
图3是结构光双目扫描仪扫描试验样件上阀门的多视角点云数据;
图4是拼接后阀门的完整点云数据;
图5是阀门点云形面位姿识别及领域点云提取后的爆炸效果图;
图6是阀门形面点云的最优参数拟合效果图;
图7是基于Brep及CSG树数据结构的阀门形面实体构造效果图;
图8是试验样件上阀门的三维重构效果图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
本发明的一种针对核设施扫描点云的高精度重构方法,在windows操作系统中通过VS2019平台用C++编程语言实现核设施扫描点云的高精度重构方法的全部步骤及过程。本发明以核设施试验样件上的阀门为例,阀门的实物图如图1所示。
如图2所示,本发明的一种基于点云数据的核设施高精度重构方法,包括以下步骤:
步骤1、通过基于高精度的结构光双目扫描仪,高效率的从多个视角获取满足精度要求的待重构核设施的点云数据;包括以下子步骤:
步骤1.1、通过结构光双目扫描仪对重构精度要求高的核设施进行多视角扫描,获取该核设施的有向点云数据Local_PointCloud[1]、Local_PointCloud[2]、……、Local_PointCloud[n],如图3所示,点云数据的每个点均带有法向量信息,其中n为扫描视角的总数量,以Nuclear_PointCloud[m]表示核电厂房内第m个需要重构的核设施多视角拼接后的点云;
步骤1.2、由于待拼接的多视角点云数据基于不同的基准坐标系,故为统一坐标系,以某一视角下的点云为基准点云,通过改进的ICP(Iterative Closest Point)算法求得其余视角下的待配准点云到基准点云的变换矩阵[RM TM;01],分别对其进行齐次坐标变换,使得待配准点云数据都统一到基准点云数据的基准坐标系中,合并所有视角下的点云数据以获得完整、高精度的核设施点云数据Nuclear_PointCloud[n],结果如图4所示;具体包括如下步骤:
步骤1.2.1、初始化,以Local_PointCloud[1]为基准点云,令k=2;
步骤1.2.2、通过改进的ICP算法计算Local_PointCloud[k]到Local_PointCloud[1]的变换矩阵[RM TM;01],对点云数据Local_PointCloud[k]进行齐次坐标变换,得到Local_PointCloud[k]′,令Local_PointCloud[1]=Local_PointCloud[k]′
+Local_PointCloud[1];改进的ICP算法可参考文献“徐兆阳.三维重建中的点云配准技术研究[D].2020”;
步骤1.2.3、令k=k+1,返回步骤1.2.2;当k=n时终止循环得到最终的点云数据Nuclear_PointCloud[n]=Local_PointCloud[1]。
步骤2、核电厂房内绝大多数核设施均由四种基本形面组成,即平面、圆柱面、圆锥面、球面。故本发采用基于PPF(Point Pair Feature)点对特征的霍夫投票算法,自动识别出步骤1中需要进行重构的核设施点云数据Nuclear_PointCloud[m]中的所有基本形面,提取出所有基本形面的位姿参数,并针对位姿参数提取所有形面的领域点云。
具体实现方法为:用NuclearEquipment_para[i][k]表示识别到的第i个形面的第k维位姿参数;其中1≤i≤n,1≤k≤D,n为Nuclear_PointCloud[m]所识别到的基本形面的总数量,D为形面位姿参数的维数;对于平面ax+by+cz+d=0,D=4,位姿参数分别为a、b、c、d;对于圆柱面,D=7,位姿参数分别为轴线向量n(nx,ny,nz)、定位点P(px,py,pz)以及半径R;对于球面,D=4,位姿参数分别为定位点P(px,py,pz)以及半径R;对于圆锥面,D=8,位姿参数分别为轴线向量n(nx,ny,nz)、锥顶点Pf(px,py,pz)以及锥顶角θ;具体包括以下子步骤:
步骤2.1、由于高精度结构光扫描仪扫描得到的核设施点云数量较大,因此为提高识别效率首先对待重构的核设施点云进行下采样得到点云子集Sr,将对全部点云的形面识别转换到下采样所得到的关键点上,降低计算量;下采样算法采用FPS算法,具体包括如下步骤:
步骤2.1.1、令K=1,N为该核设施点云总数量的1/10,初始化点云子集Sr由核设施点云数据Nuclear_PointCloud[m]中任意一点P组成,Pr为Nuclear_PointCloud[m]中除P外所有点组成的集合;
步骤2.1.2、计算Sr与Pr中所有点之间的欧式距离,记最大欧式距离为D(si,pj),si∈Sr,pj∈Pr,令Sr=Sr∪pj,同时从集合Pr中移除点pj;
步骤2.1.3、令K=K+1,若K=N,则结束循环,得到采样点集合Sr,否则跳转至步骤2.1.2;
步骤2.2、计算Sr中所有不重复点对的PPF向量:pr∈Sr,其法向量分别为ni、nr,令d=pi-pr,按照下式计算所有不重复点对pi与pr的PPF向量:
上标T表示列向量的转置;
步骤2.3、初始化形面位姿列表NuclearEquipment_para以及霍夫投票空间Voting_space,投票空间设计采用维度为3的单位球,投票空间设计的具体实施方法可参考文献“Borrmann D,Elseberg J,Lingemann K,et al.The 3D Hough Transform for planedetection in point clouds:A review and a new accumulator design[J].3DResearch,2011,0202(2):3”;本发明不再赘述。
步骤2.4、针对PPF向量对所有平面位姿进行投票:若pi与pr处于同一平面,则ni、nr⊥d,所述F(pi,pr)=(||d||2,0,0,1),设pi与pr所处平面方程为nix(x-pix)+niy(y-piy)+niz(z-piz)=0,其中,pix、piy、piz分别为点pi的xyz坐标,nix、niy、niz分别为点pi法向量的xyz坐标,且平面参数自由度为3,于投票空间Voting_space中对该平面参数对应单元的投票数加1;遍历所述PPF向量,对所有平面位姿进行投票,最终将投票空间Voting_space中投票数≥100的位姿参数放进所述NuclearEquipment_para中;
步骤2.5、针对所述PPF向量对所有圆柱面位姿进行投票:令根据所述PPF定义有nTni=nTnr=0,对于处于同一圆柱面上的两点pi与pr,法向量分别为ni与nr,所述PPF向量满足:F(pr,pi)=(F1,F2,F3,F4)=(||d||2,-λR,λR,1-λ),令F1、F2、F3、F4分别为F(pr,pi)向量对应下标元素的计算值,计算pi与pr所处圆柱面的半径为:/>圆柱轴线向量/>定位点P=pi-Rni,故圆柱面的投票维度为3,分别为R、nx、ny;nx、ny分别为圆柱轴线向量/>的xy坐标,/>的z坐标/>对满足此PPF向量特征的两点pi与pr,计算R、nx、ny,并于投票空间Voting_space中对该圆柱面参数对应单元的投票数加1;遍历所述PPF向量,对所有圆柱面位姿进行投票,最终将投票空间Voting_space中投票数≥100的位姿参数放进所述NuclearEquipment_para中;
步骤2.6、针对所述PPF向量对所有圆锥面位姿进行投票:对于处于同一圆锥面上的两点pi与pr,其法向量分别为ni、nr,所述PPF向量为令qi、qr分别为ni、nr与圆锥面轴线向量/>的交点,si为pi与qi的欧式距离,sr为pr与qr的欧式距离,F1、F2、F3、F4分别为F(pi,pr)向量对应下标元素的计算值,则根据圆锥面特征计算轴线向量/>根据sr与/>计算圆锥面参数锥顶点Pf(px,py,pz)以及锥顶角θ;因此圆锥面的投票维度为3,分别为sr、nx、ny;对PPF向量F(pr,pi),计算sr、nx、ny,并于投票空间Voting_space中对该圆锥面参数对应单元的投票数加1;遍历PPF向量,对所有圆锥面位姿进行投票,最终将投票空间Voting_space中投票数≥100的位姿参数放进NuclearEquipment_para中;
步骤2.7、针对所述PPF向量对所有球面位姿进行投票:对于点云中两点pi与pr,其法向量分别为ni、nr,令d=pi-pr,α=∠(ni,nr),
若pi与pr处于同一半径为R的球面上,则PPF向量满足:
F(pr,pi)=(F1,F2,F3,F4)=(2λR2,-λR,λR,1-λ),计算pi与pr所处球面的半径同时根据R计算球面定位点P=pr-Rnr;因此球面的投票维度为1,即为R,于投票空间Voting_space中对该球面半径参数对应单元的投票数加1;遍历PPF向量,对所有球面位姿进行投票,将投票空间Voting_space中投票数≥100的位姿参数放进NuclearEquipment_para中;
步骤2.8、针对NuclearEquipment_para中的位姿参数,提取所有对应形面的领域点云。
步骤2.8具体包括以下子步骤:
步骤2.8.1、遍历点云数据Nuclear_PointCloud[m]中的点,将到NuclearEquipment_para中参数对应的平面方程nix(x-pix)+niy(y-piy)+niz(z-piz)=0的距离≤ε以及法向量平行于平面法向量的点放进平面领域点云plane_region中,如图5中平面点云所示,其中ε为预设阈值,并剔除所有平面区域的点;
步骤2.8.2、遍历Nuclear_PointCloud[m]中剩下的点,将到NuclearEquipment_para中参数对应的圆柱面轴线的距离≤R±ε以及法向量垂直于圆柱面法向量的点放进圆柱面领域点云cylinder_region中,如图5中圆柱面点云所示,并剔除所有圆柱区域的点;
步骤2.8.3、遍历Nuclear_PointCloud[m]中剩下的点,将到NuclearEquipment_para中参数对应的球面定位点的距离≤R±ε的点放进球面领域点云sphere_region中,并剔除所有球面区域的点;
步骤2.8.4、遍历Nuclear_PointCloud[m]中剩下的点,将到NuclearEquipment_para中参数对应的锥面距离≤ε以及法向量与锥面法向量夹角为θ的点放进锥面领域点云cone_region中,θ为所述圆锥面的锥顶角。
步骤3、基于Levenberg-Marquard算法拟合步骤2中各个形面领域点云的最优参数,优化后的形面位姿如图6所示。
步骤3具体包括以下步骤:
步骤3.1、对于平面点云plane_region中的点,建立优化目标函数如下:
其中,优化参数为nx、ny,为plane_region点云的重心;利用Levenberg-Marquard迭代求解优化目标函数的最优解nx、ny,令/>则平面最终的法向量nM=(nx,ny,nz),更新NuclearEquipment_para中对应的值;Levenberg-Marquard算法可参考文献“More J J.The Levenberg-Marquardt algorithm:Implementation and theory[J].Lecture Notes in Mathematics,1978,630”,本发明不再赘述。
步骤3.2、对于球面点云sphere_region中的点,建立优化目标函数如下:
其中,优化参数为R,Px、Py、Pz为球面定位点P的x、y、z坐标,R为该球面的半径,同理利用Levenberg-Marquard算法迭代求解所述优化问题的最优解,得到该球面优化后的半径R及定位点P,并更新NuclearEquipment_para中对应的值;
步骤3.3、对于圆柱面点云cylinder_region中的点,建立优化目标函数如下:
其中,Li=nx(yi-y0)-ny(xi-x0),Mi=nx(zi-z0)-nz(xi-x0),Ni=ny(zi-z0)-nz(yi-y0),优化参数为nx、ny及R,x0、y0、z0为圆柱面定位点P的x、y、z坐标,R为拟合前该圆柱面的半径,同理利用Levenberg-Marquard算法迭代求解优化问题的最优解,得到该圆柱面优化后的nx、ny及R,并更新NuclearEquipment_para中对应的值;
步骤3.4、对于圆锥面点云cone_region中的点,建立优化目标函数如下:
其中,qi为pi法向量ni与该圆锥面轴线向量的交点,θ为锥顶角;优化参数为nx、ny及θ,同理利用Levenberg-Marquard算法迭代求解优化问题的最优解,得到该圆锥面优化后的nx、ny及θ,并更新NuclearEquipment_para中对应的值。
步骤4、基于Brep(实体构造法)数据结构实现对形面的重构,并对重构出的形面进行实体布尔运算,得到该核设施最终的三维实体模型。包括以下子步骤:
步骤4.1、基于Brep对NuclearEquipment_para中NuclearEquipment_para[k]对应的形面进行Brep数据结构描述,形面类型包括平面、圆柱面、圆锥面、球面,具体包括如下步骤:
步骤4.1.1、对于NuclearEquipment_para中的所有平面参数,分别根据平面定位点P及轴线向量计算平面四个角点p1、p2、p3、p4,根据Brep数据结构构造边p1p2、p2p3、p3p4、p4p1,按照p1p2→p2p3→p3p4→p4p1→p1p2的顺序构造闭合环W,最终根据W构造面plane_face,面plane_face直接构成体plane_solid,如图7中对应平面实体所示;Brep数据结构描述方法可参考文献“王鑫.实体模型边界表示向构造实体几何表示转换方法研究[D].2013”,本发明不再赘述。
步骤4.1.2、对于NuclearEquipment_para中的所有圆柱面参数,根据圆柱半径R、轴线向量及定位点P,计算圆柱面上下圆上同一母线上的两点V1、V2,根据Brep数据结构构造边V1V2、C1、C2,其中,C1、C2为圆柱底面圆边,按照C1→V1V2→C2→V2V1的顺序构造闭合环W1,W2、W3为C1、C2组成的闭合环,W1、W2、W3分别对应面Face1、Face2及Face3,根据Brep数据结构由面Face1、Face2、Face3构成圆柱体cylinder_solid,如图7中对应圆柱实体所示;
步骤4.1.3、对于NuclearEquipment_para中的所有圆锥面参数,根据圆锥轴线向量锥顶点及Pf及底面半径Sr,计算圆锥面底面圆上一点V1及锥顶点V2,根据Brep数据结构构造边C1、V1V2、V2V1,其中,C1为圆锥底面圆边,按照V1V2→C1→V2V1的顺序构造闭合环W1,W2为C1组成的闭合环,W1、W2分别对应面Face1、Face2,根据Brep数据结构由面Face1、Face2构成圆锥体cone_solid;
步骤4.1.4、对于NuclearEquipment_para中的所有球面参数,根据球半径R定位点P,计算球面上直径上的两点V1、V2,根据Brep数据结构构造边E1、E2、E3;其中,E1为圆心为定位点P,半径为R,且位于XOZ平面上的半圆边组成;E2、E3是退化边,即球面参数方程的奇点,为V1、V2为圆心的半径极小圆边;按照的顺序构造闭合环W1,W1对应球面Face1,其中/>表示边E1反向后的边,最后根据Brep数据结构由面Face1构成体sphere_solid;
步骤4.2、基于CSG树数据结构,按照核设施的实体构造方式,对形面实体plane_solid、cylinder_solid、cone_solid、sphere_solid进行布尔运算;CSG树描述布尔运算的具体算法可参考文献“吉王博.三维实体的人机交互建模技术研究[D].2018”,本发明不再赘述。CSG树为记录形面实体之间布尔运算类型的一颗二叉树,在CSG树中,叶子节点保存的是实体的拓扑关系信息,分支节点保存的是实体之间的布尔运算类型;从底层叶子节点出发,逐层往上进行核设施实体构造方式对应的布尔交、并、差运算,最终到达CSG树的顶点,即得到该核设施最终的三维实体模型Nuclear_mode,本实施例阀门最终的三维实体模型Nuclear_mode如图8所示。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (3)
1.一种基于点云数据的核设施高精度重构方法,其特征在于,包括以下步骤:
步骤1、从多个视角获取满足精度要求的待重构核设施的点云数据;包括以下子步骤:
步骤1.1、通过结构光双目扫描仪对重构精度要求高的核设施进行多视角扫描,获取该核设施的有向点云数据Local_PointCloud[1]、Local_PointCloud[2]、……、Local_PointCloud[n],点云数据的每个点均带有法向量信息,其中n为扫描视角的总数量;
步骤1.2、以某一视角下的点云为基准点云,通过改进的ICP算法求得其余视角下的待配准点云到基准点云的变换矩阵[RM TM;0 1],分别对其进行齐次坐标变换,使得待配准点云数据都统一到基准点云数据的基准坐标系中,合并所有视角下的点云数据以获得完整、高精度的核设施点云数据Nuclear_PointCloud[n];具体包括如下步骤:
步骤1.2.1、初始化,以Local_PointCloud[1]为基准点云,令k=2;
步骤1.2.2、通过改进的ICP算法计算Local_PointCloud[k]到Local_PointCloud[1]的变换矩阵[RM TM;01],对点云数据Local_PointCloud[k]进行齐次坐标变换,得到
Local_PointCloud[k]′,令Local_PointCloud[1]=Local_PointCloud[k]′+Local_PointCloud[1];
步骤1.2.3、令k=k+1,返回步骤1.2.2;当k=n时终止循环得到最终的点云数据Nuclear_PointCloud[n]=Local_PointCloud[1];
步骤2、采用基于PPF点对特征的霍夫投票算法,自动识别出需要进行重构的核设施点云数据中的所有基本形面,提取出所有基本形面的位姿参数,并针对位姿参数提取所有形面的领域点云;具体实现方法为:用NuclearEquipment_para[i][k]表示识别到的第i个形面的第k维位姿参数;其中1≤i≤n,1≤k≤D,n为Nuclear_PointCloud[n]所识别到的基本形面的总数量,D为形面位姿参数的维数;对于平面ax+by+cz+d=0,D=4,位姿参数分别为a、b、c、d;对于圆柱面,D=7,位姿参数分别为轴线向量、定位点P(px,py,pz)以及半径R;对于球面,D=4,位姿参数分别为定位点P(px,py,pz)以及半径R;对于圆锥面,D=8,位姿参数分别为轴线向量/>、锥顶点Pf(px,py,pz)以及锥顶角θ;具体包括以下子步骤:
步骤2.1、对待重构的核设施点云进行下采样得到点云子集Sr,将对全部点云的形面识别转换到下采样所得到的关键点上;下采样算法采用FPS算法,具体包括如下步骤:
步骤2.1.1、令K=1,N为该核设施点云总数量的1/10,初始化点云子集Sr由核设施点云数据Nuclear_PointCloud[n]中任意一点P组成,Pr为Nuclear_PointCloud[n]中除P外所有点组成的集合;
步骤2.1.2、计算Sr与Pr中所有点之间的欧式距离,记最大欧式距离为D(si,pj),si∈Sr,pj∈Pr,令Sr=Sr∪pj,同时从集合Pr中移除点pj;
步骤2.1.3、令K=K+1,若K=N,则结束循环,得到采样点集合Sr,否则跳转至步骤2.1.2;
步骤2.2、计算Sr中所有不重复点对的PPF向量:pr∈Sr,pi≠pr,其法向量分别为ni、nr,令d=pi-pr,按照下式计算所有不重复点对pi与pr的PPF向量:
上标T表示列向量的转置;
步骤2.3、初始化形面位姿列表NuclearEquipment_para以及霍夫投票空间Voting_space,投票空间设计采用维度为3的单位球;
步骤2.4、针对PPF向量对所有平面位姿进行投票:若pi与pr处于同一平面,则ni、nr⊥d,F(pi,pr)=||d||2,0,0,1),设pi与pr所处平面方程为nix(x-pix)+niy(y-piy)+niz(z-piz)=0,其中,pix、piy、piz分别为点pi的xyz坐标,nix、niy、niz分别为点pi法向量的xyz坐标,且平面参数自由度为3,于投票空间Voting_space中对该平面参数对应单元的投票数加1;遍历所述PPF向量,对所有平面位姿进行投票,最终将投票空间Voting_space中投票数≥100的位姿参数放进所述NuclearEquipment_para中;
步骤2.5、针对所述PPF向量对所有圆柱面位姿进行投票:令根据所述PPF定义有nTni=nTnr=0,对于处于同一圆柱面上的两点pi与pr,法向量分别为ni与nr,所述PPF向量满足:F(pr,pi)=(F1,F2,F3,F4)=(||d||2,-λR,λR,1-λ),令F1、F2、F3、F4分别为F(pr,pi)向量对应下标元素的计算值,计算pi与pr所处圆柱面的半径为:/>圆柱轴线向量定位点P=pi-Rni,故圆柱面的投票维度为3,分别为R、nx、ny;nx、ny分别为圆柱轴线向量/>的 xy坐标,/>的z坐标/>对满足此PPF向量特征的两点pi与pr,计算R、nx、ny,并于投票空间Voting_space中对该圆柱面参数对应单元的投票数加1;遍历所述PPF向量,对所有圆柱面位姿进行投票,最终将投票空间Voting_space中投票数≥100的位姿参数放进所述NuclearEquipment_para中;
步骤2.6、针对所述PPF向量对所有圆锥面位姿进行投票:对于处于同一圆锥面上的两点pi与pr,令qi、qr分别为ni、nr与圆锥面轴线向量的交点,si为pi与qi的欧式距离,sr为pr与qr的欧式距离,F1、F2、F3、F4分别为F(pi,pr)向量对应下标元素的计算值,则根据圆锥面特征计算/>轴线向量/>根据sr与n计算圆锥面参数锥顶点Pf(px,py,pz)以及锥顶角θ;因此圆锥面的投票维度为3,分别为sr、nx、ny;对PPF向量F(pr,pi),计算sr、nx、ny,并于投票空间Voting_space中对该圆锥面参数对应单元的投票数加1;遍历PPF向量,对所有圆锥面位姿进行投票,最终将投票空间Voting_space中投票数≥100的位姿参数放进NuclearEquipment_para中;
步骤2.7、针对所述PPF向量对所有球面位姿进行投票:令α=∠(ni,nr),若pi与pr处于同一半径为R的球面上,则PPF向量满足:
F(pr,pi)=(F1,F2,F3,F4)=(2λR2,-λR,λR,1-λ),计算pi与pr所处球面的半径同时根据R计算球面定位点P=pr-Rnr;因此球面的投票维度为1,即为R,于投票空间Voting_space中对该球面半径参数对应单元的投票数加1;遍历PPF向量,对所有球面位姿进行投票,将投票空间Voting_space中投票数≥100的位姿参数放进NuclearEquipment_para中;
步骤2.8、针对NuclearEquipment_para中的位姿参数,提取所有对应形面的领域点云;包括以下子步骤:
步骤2.8.1、遍历点云数据Nuclear_PointCloud[n]中的点,将到NuclearEquipment_para中参数对应的平面方程nix(x-pix)+niy(y-piy)+niz(z-piz)=0的距离≤ε以及法向量平行于平面法向量的点放进平面领域点云plane_region中,其中ε为预设阈值,并剔除所有平面区域的点;
步骤2.8.2、遍历Nuclear_PointCloud[n]中剩下的点,将到NuclearEquipment_para中参数对应的圆柱面轴线的距离≤R±ε以及法向量垂直于圆柱面法向量的点放进圆柱面领域点云cylinder_region中,并剔除所有圆柱区域的点;
步骤2.8.3、遍历Nuclear_PointCloud[n]中剩下的点,将到NuclearEquipment_para中参数对应的球面定位点的距离≤R±ε的点放进球面领域点云sphere_region中,并剔除所有球面区域的点;
步骤2.8.4、遍历Nuclear_PointCloud[n]中剩下的点,将到NuclearEquipment_para中参数对应的锥面距离≤ε以及法向量与锥面法向量夹角为θ的点放进锥面领域点云cone_region中,θ为所述圆锥面的锥顶角;步骤3、基于Levenberg-Marquard算法拟合步骤2中各个形面领域点云的最优参数:
步骤4、基于Brep数据结构实现对形面的重构,并对重构出的形面进行实体布尔运算,得到该核设施最终的三维实体模型。
2.根据权利要求1所述的一种基于点云数据的核设施高精度重构方法,其特征在于,所述步骤3包括以下子步骤:
步骤3.1、对于平面点云plane_region中的点,建立优化目标函数如下:
其中,优化参数为nx、ny,为plane_region点云的重心;利用Levenberg-Marquard迭代求解优化目标函数的最优解nx、ny,令/>则平面最终法向量nM=(nx,ny,nz),并更新NuclearEquipment_para中对应的值;
步骤3.2、对于球面点云sphere_region中的点,建立优化目标函数如下:
其中,优化参数为R,Px、Py、Pz为球面定位点P的x、y、z坐标,R为该球面的半径,同理利用Levenberg-Marquard算法迭代求解优化目标函数的最优解,得到该球面优化后的半径R及定位点P,并更新NuclearEquipment_para中对应的值;
步骤3.3、对于圆柱面点云cylinder_region中的点,建立优化目标函数如下:
其中,Li=nx(yi-y0)-ny(xi-x0),Mi=nx(zi-z0)-nz(xi-x0),Ni=ny(zi-z0)-nz(yi-y0),优化参数为nx、ny及R,x0、y0、z0为圆柱面定位点P的x、y、z坐标,R为拟合前该圆柱面的半径,同理利用Levenberg-Marquard算法迭代求解优化问题的最优解,得到该圆柱面优化后的nx、ny及R,并更新NuclearEquipment_para中对应的值;
步骤3.4、对于圆锥面点云cone_region中的点,建立优化目标函数如下:
其中,qi为pi法向量ni与该圆锥面轴线向量的交点,θ为锥顶角;优化参数为nx、ny及θ,同理利用Levenberg-Marquard算法迭代求解优化问题的最优解,得到该圆锥面优化后的nx、ny及θ,并更新NuclearEquipment_para中对应的值。
3.根据权利要求1所述的一种基于点云数据的核设施高精度重构方法,其特征在于,所述步骤4包括以下子步骤:
步骤4.1、基于Brep对NuclearEquipment_para中NuclearEquipment_para[k]对应的形面进行Brep数据结构描述,形面类型包括平面、圆柱面、圆锥面、球面,具体包括如下步骤:
步骤4.1.1、对于NuclearEquipment_para中的所有平面参数,分别根据平面定位点P及轴线向量计算平面四个角点p1、p2、p3、p4,根据Brep数据结构构造边p1p2、p2p3、p3p4、p4p1,按照p1p2→p2p3→p3p4→p4p1→p1p2的顺序构造闭合环W,最终根据W构造面plane_face,面plane_face直接构成体plane_solid;
步骤4.1.2、对于NuclearEquipment_para中的所有圆柱面参数,根据圆柱半径R、轴线向量及定位点P,计算圆柱面上下圆上同一母线上的两点V1、V2,根据Brep数据结构构造边V1V2、C1、C2,其中,C1、C2为圆柱底面圆边,按照C1→V1V2→C2→V2V1的顺序构造闭合环W1,W2、W3为C1、C2组成的闭合环,W1、W2、W3分别对应面Face1、Face2及Face3,根据Brep数据结构由面Face1、Face2、Face3构成圆柱体cylinder_solid;
步骤4.1.3、对于NuclearEquipment_para中的所有圆锥面参数,根据圆锥轴线向量、锥顶点及Pf及底面半径Sr,计算圆锥面底面圆上一点V1及锥顶点V2,根据Brep数据结构构造边C1、V1V2、V2V1,其中,C1为圆锥底面圆边,按照V1V2→C1→V2V1的顺序构造闭合环W1,W2为C1组成的闭合环,W1、W2分别对应面Face1、Face2,根据Brep数据结构由面Face1、Face2构成圆锥体cone_solid;
步骤4.1.4、对于NuclearEquipment_para中的所有球面参数,根据球半径R定位点P,计算球面上直径上的两点V1、V2,根据Brep数据结构构造边E1、E2、E3;其中,E1为圆心为定位点P,半径为R,且位于XOZ平面上的半圆边组成;E2、E3是退化边,即球面参数方程的奇点,为V1、V2为圆心的半径极小圆边;按照的顺序构造闭合环W1,W1对应球面Face1,其中/>表示边E1反向后的边,最后根据Brep数据结构由面Face1构成体sphere_solid;
步骤4.2、基于CSG树数据结构,按照核设施的实体构造方式,对形面实体plane_solid、cylinder_solid、cone_solid、sphere_solid进行布尔运算;CSG树为记录形面实体之间布尔运算类型的一颗二叉树,在CSG树中,叶子节点保存的是实体的拓扑关系信息,分支节点保存的是实体之间的布尔运算类型;从底层叶子节点出发,逐层往上进行核设施实体构造方式对应的布尔交、并、差运算,最终到达CSG树的顶点,即得到该核设施最终的三维实体模型Nuclear_mode。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110345518.9A CN112802194B (zh) | 2021-03-31 | 2021-03-31 | 一种基于点云数据的核设施高精度重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110345518.9A CN112802194B (zh) | 2021-03-31 | 2021-03-31 | 一种基于点云数据的核设施高精度重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112802194A CN112802194A (zh) | 2021-05-14 |
CN112802194B true CN112802194B (zh) | 2023-09-19 |
Family
ID=75816094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110345518.9A Active CN112802194B (zh) | 2021-03-31 | 2021-03-31 | 一种基于点云数据的核设施高精度重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112802194B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516750B (zh) * | 2021-06-30 | 2022-09-27 | 同济大学 | 三维点云地图构建方法、系统、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104167020A (zh) * | 2014-08-19 | 2014-11-26 | 电子科技大学 | 基于约束Delaunay三角网的空间倒转曲面重建方法 |
CN104240300A (zh) * | 2014-08-29 | 2014-12-24 | 电子科技大学 | 基于分布式并行的大规模点云复杂空间曲面重构方法 |
CN107481274A (zh) * | 2017-08-11 | 2017-12-15 | 武汉理工大学 | 一种三维作物点云的鲁棒性重构方法 |
CN111882658A (zh) * | 2020-07-02 | 2020-11-03 | 电子科技大学 | 一种针对核电厂房内核设施的自动重构方法 |
CN112116553A (zh) * | 2020-07-23 | 2020-12-22 | 哈尔滨岛田大鹏工业股份有限公司 | 一种基于k-d树的无源三维点云模型缺陷识别方法 |
CN112381945A (zh) * | 2020-11-27 | 2021-02-19 | 中国科学院自动化研究所 | 三维模型过渡面的重建方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3671645A1 (de) * | 2018-12-20 | 2020-06-24 | Carl Zeiss Vision International GmbH | Verfahren und vorrichtung zum erzeugen einer 3d-rekonstruktion eines objekts |
US10867436B2 (en) * | 2019-04-18 | 2020-12-15 | Zebra Medical Vision Ltd. | Systems and methods for reconstruction of 3D anatomical images from 2D anatomical images |
-
2021
- 2021-03-31 CN CN202110345518.9A patent/CN112802194B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104167020A (zh) * | 2014-08-19 | 2014-11-26 | 电子科技大学 | 基于约束Delaunay三角网的空间倒转曲面重建方法 |
CN104240300A (zh) * | 2014-08-29 | 2014-12-24 | 电子科技大学 | 基于分布式并行的大规模点云复杂空间曲面重构方法 |
CN107481274A (zh) * | 2017-08-11 | 2017-12-15 | 武汉理工大学 | 一种三维作物点云的鲁棒性重构方法 |
CN111882658A (zh) * | 2020-07-02 | 2020-11-03 | 电子科技大学 | 一种针对核电厂房内核设施的自动重构方法 |
CN112116553A (zh) * | 2020-07-23 | 2020-12-22 | 哈尔滨岛田大鹏工业股份有限公司 | 一种基于k-d树的无源三维点云模型缺陷识别方法 |
CN112381945A (zh) * | 2020-11-27 | 2021-02-19 | 中国科学院自动化研究所 | 三维模型过渡面的重建方法及系统 |
Non-Patent Citations (3)
Title |
---|
Georgios Th. Papadopoulos等.Human Action Recognition Using 3D Reconstruction Data.《IEEE Transactions on Circuits and Systems for Video Technology》.2016,第1807-1823页. * |
曹航.核设施扫描点云的处理与三维重构技术研究.《中国优秀硕士学位论文全文数据库 工程科技II辑》.2023,第C040-44页. * |
陶婧.基于深度学习的三维空间的人体行为图像扫描算法研究.《宁夏师范学院学报》.2021,第61-66页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112802194A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2024077812A1 (zh) | 基于点云语义分割与结构拟合的单体建筑三维重建方法 | |
Rabbani et al. | Efficient hough transform for automatic detection of cylinders in point clouds | |
Liu et al. | Cylinder detection in large-scale point cloud of pipeline plant | |
Sack et al. | A comparison of methods for line extraction from range data | |
CN107978017B (zh) | 基于框线提取的室内结构快速建模方法 | |
CN110175529B (zh) | 一种基于降噪自编码网络的三维人脸特征点定位方法 | |
CN106250881A (zh) | 一种基于三维点云数据的目标识别方法及系统 | |
CN102927921B (zh) | 基于光学相似三角形法的立木胸径测量方法 | |
CN112802194B (zh) | 一种基于点云数据的核设施高精度重构方法 | |
CN104851126B (zh) | 基于广义圆柱体的三维模型分割方法及装置 | |
Li et al. | Hybrid maps enhanced localization system for mobile manipulator in harsh manufacturing workshop | |
CN115239887A (zh) | 利用室内外点云高精度重构曼哈顿建筑轴线的方法及系统 | |
CN111882658B (zh) | 一种针对核电厂房内核设施的自动重构方法 | |
CN115546116A (zh) | 全覆盖式岩体不连续面提取与间距计算方法及系统 | |
CN112884886A (zh) | 一种自适应搜索半径的三维点云管道提取与建模方法 | |
CN106127727A (zh) | 一种家畜体表三维数据获取方法 | |
CN114119804A (zh) | 平面模型包围多边形生成方法、装置及家具轮廓识别方法 | |
CN112288859A (zh) | 一种基于卷积神经网络的三维人脸建模方法 | |
CN116518864A (zh) | 一种基于三维点云对比分析的工程结构全场变形检测方法 | |
Nardari et al. | Place recognition in forests with urquhart tessellations | |
Portugal et al. | Extracting Topological Information from Grid Maps for Robot Navigation. | |
CN116543134B (zh) | 数字孪生模型的构建方法、装置、计算机设备和介质 | |
Wang et al. | A segmentation method for point cloud based on local sample and statistic inference | |
Seo et al. | Characteristic analysis of data preprocessing for 3D point cloud classification based on a deep neural network: PointNet | |
Chen et al. | A new pose estimation method for non-cooperative spacecraft based on point cloud |
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 |