CN113963138A - 三维激光点云特征点线完整准确提取方法 - Google Patents

三维激光点云特征点线完整准确提取方法 Download PDF

Info

Publication number
CN113963138A
CN113963138A CN202111250971.8A CN202111250971A CN113963138A CN 113963138 A CN113963138 A CN 113963138A CN 202111250971 A CN202111250971 A CN 202111250971A CN 113963138 A CN113963138 A CN 113963138A
Authority
CN
China
Prior art keywords
point
curvature
points
characteristic
extreme
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.)
Pending
Application number
CN202111250971.8A
Other languages
English (en)
Inventor
王彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202111250971.8A priority Critical patent/CN113963138A/zh
Publication of CN113963138A publication Critical patent/CN113963138A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics

Abstract

本申请提出一种改进的三维激光点云模型的特征点线提取方法，采用局部二次曲面拟合的曲率极值点备选特征点提取方法，将高斯曲率、平均曲率与法向量相链接，对曲率特征点提取进行了分段式改进，得到了更加快速的备选点特征提取效果；采用一种主分量分析的邻域投影判断方法对备选特征点集进行处理，剔除备选特征点集中的散乱点；采用改进的折线生长法对特征点集进行折线生长，筛选关联关系较大的特征点；通过k次贝兹线方法对生成的折线生长点集进行线拟合。本申请可以完整的提取出点云模型的特征点线，局部特征细节不容易受噪声影响，鲁棒性好，点云特征点线提取清晰准确且效率较高。

Description

三维激光点云特征点线完整准确提取方法
技术领域
本申请涉及一种三维点云特征点线提取方法，特别涉及一种三维激光点云特征点线完整准确提取方法，属于点云特征点线提取技术领域。
背景技术
随着三维激光点云技术的发展和计算机处理能力的提高，点云数据扫描精度和质量也得到逐步提升，三维激光扫描仪器无论是在价格上还是在便携性上都有了较大突破，逐步推进了三维激光点云数据在各行各业的广泛应用，无论是在设备医疗、工业应用、航空测量、建筑模型构筑方面，还是在损毁文物复原、数字多媒体等方面，三维激光点云都起到了非常重要的作用，同时各行各业也对点云数据的几何处理方法提出了更高的要求。三维点云的特征提取技术是点云数据应用的关键技术之一，在点云的各种几何处理如点云分片、点云简化、点云配准、点云拼接、点云重建等多个方面起着较为重要的作用。
三维激光点云技术尤其在工业制造领域功绩卓著，除开能够对各种铸件进行精确的质量检测以外，通过对精度要求极高的精细铸件进行三维扫描和几何化处理，在保留特征的前提下进行网格简化，可以实现非接触测量、真实视觉渲染、立体模型3D重构、逆向工程等，愈来愈收到来自各行各界的重视。
将三维激光点云数据特征定义为可以体现出模型表面几何特征以及表面凹凸结构的特征点、特征线和特征面，特征通过对物体表面几何结构的掌握对点云配准、简化、分块以及三维重建等众多过程进行约束和指导，尤其对模型的精确重构起着极其重要的作用。随着三维激光扫描技术和建模技术的提高，三维激光点云模型的几何特征提取已成为计算机模式识别、计算机图形学、逆向工程及数字图像处理等应用领域的关键技术之一，因此，点云的特征提取越来越受到重视。
点云的特征点定义为三维激光点云里可以将模型的各种几何形态和表面的凹凸特征表现出来的点集，例如不同两个边的交界线上的点，要么就是模型的拐点，还比如各个曲面与曲面、曲面与曲线、曲线与曲线直接的交点，都可以称作特征点，可以根据这些点的排布规则建立起点云三维重建的重要参数和约束标准。
现有技术缺少可靠的三维点云特征点线提取方法，本申请的难点和待解决的问题主要集中在以下方面：
第一，现有技术通过计算曲率或是法向量的散乱点云的特征点提取方法较大的缺陷在于需要计算散乱点云中每个点的曲率值或法向量，从而必须进行多次点云的局部二次曲面拟合，进一步计算出所有点的平均曲率，根据平均曲率的变化定位到曲率极值点，整个过程比较繁琐，而且计算量大，耗费时间多，效率低，三维点云的特征提取方法都具有较高的空间复杂度，导致其在许多生产生活领域的应用较少；
第二，现有技术通过基于曲率的特征提取方法，得到散乱无序的备选特征点集，需要将这些点集进行特征点聚合为特征曲线,由于特征点集不能很好的表现出三维激光点云模型的几何特征和形状特征，所以需要将特征点集按照一定的拓扑关系聚类成特征线，用以表示模型的模型轮廓线、凹边、凸边、边界线的几何特征，现有技术的折线生长法是随机的从备选特征点集中选取某个点作为初始生长点，然后将当前生长点及所有邻域点都投影到由协方差矩阵确定的主轴向量上，取投影最远的两个远端点作为新的生长点，这样的折线生长法，确定的生长点有可能偏离原特征点集的正确的生长方向，且特征线可能不够光顺，方法实现效率低下；
第三，现有技术提出一种多尺度点云特征点提取方法，通过调整该点的邻域半径作为离散尺度参数，根据邻域半径的大小不断的判断针对不同半径的某一点成为特征点的概率，这种方法能够较好识别出含有噪声的散乱点云的特征点，但较高的计算量导致其可用性较低。现有技术提出一种空间三角网格曲面的边界提取方法，通过判断一个点的邻接点是否都能通过三角网格的边组成闭合曲线来获取边界点，并在判断边界点的同时完成对边界点的排序，获得边界曲线，该方法的优点是提取较为准确，缺点是计算量较大，较为耗费时间，不适应于散乱的不规则的点云，应用性不够广泛。现有技术还提出一种网格划分特征检索方法来进行应用于工业反求，但是特征筛选度较低，应用性不强，方法较为复杂；
第四，现有技术对特征点提取的曲率极值方法，需要对点云的每个点进行局部二次曲面拟合求取曲率值，才可以检索到曲率极值点，计算效率很低，很难得到清晰正确的特征线提取结果，容易出现毛刺和特征线的断裂缺口，在局部不够流畅光滑；现有技术折线生长的点特征聚类方法，关联系数较小的点作为生长点，可能出现的折线重复生长，局部特征细节随着噪声扰乱的加剧，提取的特征线的光滑度愈来愈低，特征线褶皱逐渐增多，局部特征线提取不够精确，稍微有棱角和粗糙有丢失重要的特征线，不能保持特征线的完整性，抗噪声的鲁棒性差，三维点云特征点线提取不够完整准确且效率较低。
三维激光点云技术发展逐渐深入，三维点云的特征提取等问题也显示出愈来愈深刻的重要性和广泛的应用前景。特征点线提取技术是三维激光点云特征提取技术的重要组成部分，从散乱点云中快速准确的生成特征线，对与实现几何模型外观和结构的精确重建和表达具有重要作用，可以应用于曲面重建、点云分割、对称性检测、点云配准与点云的注册等众多方面。本申请从三维激光点云的数据组成特征出发，围绕三维激光点云的点特征和线特征提取技术进行改良和创新，对相应的提取方法进行改进，最终实现能够准确提取出不同的三维激光点云的清晰明确的特征曲线。
发明内容
本申请对三维激光点云特征线提取方法进行分步的改进和优化，第一是对特征点提取的曲率极值方法进行改进，首先检索点云高斯曲率极值点作为初始检索点集，以高斯曲率极值点为初始检索点，沿着最大主曲率和最小主曲率的方向检索出点云的曲率极值大值点和极小值点，该特征点提取方法链接了高斯曲率、平均曲率和法向量对点云进行非遍历型特征点检测，不需要对点云的每个点进行局部二次曲面拟合求取曲率值，就可以检索到曲率极值点，大幅提高了计算效率；第二是对折线生长的点特征聚类方法进行改进，通过主成分分析的方法，链接自关联关系和邻域最远距离两个参数对折线生长点进行有效的判断，避免了关联系数较小的点作为生长点，其次采用角度临界值，进一步进行生长点的筛选，避免了可能出现的折线重复生长。本申请改进的方法能完整准确的提取出点云模型的特征点和特征线，局部特征细节不容易受到噪声的影响，具有巨大的实际意义和广泛的应用前景。
为实现以上技术特征，本申请所采用的技术方案如下：
三维激光点云特征点线完整准确提取方法，采用一种局部二次曲面曲率拟合链接法向量的特征提取方法，基于点云模型曲率的变化提取特征点并逐步聚类为特征线，首先采用拟合局部曲面方程，根据二次曲面拟合结果估算点云曲率和法向量，利用改进的平均曲率极值链接法向量的判断方法初步提取备选特征点，通过光顺投影法筛选备选特征点，通过改进的折线生长特征线生成方法提取点云的特征线，准确的估算曲率，以较少的时间提取出清晰明确的特征线；
在三维激光点云的特征点提取方面，基于特征点的几何特性，采用高斯曲率和平均曲率的基本特质，对曲率极值法进行改进，首先将三维激光点云中的所有数据点分块栅格化，在已分块处理后的点云区域里根据某一个点的k邻域局部曲面拟合并检索求取高斯曲率极值点，把这个点暂时作为备选曲率极值备选点，然后随着主曲率的方向，定位次高斯曲率极值点邻域其余主方向上的极值点，提取最终的点云特征点；曲率拟合链接法向量的特征点提取过程包括搜索初始特征点和检索备选特征点；
在三维激光点云的特征线提取方面，从几个方面改进折线生长方法，将特征点k邻域的自关联系数、邻域最长距离和折线生长点判断角度临界值相链接作为折线生长点的判断参数，通过k次贝兹曲线方法对生成的折线生长点集进行曲线拟合，提取点云的特征线。
三维激光点云特征点线完整准确提取方法，进一步的，曲率拟合链接法向量的特征点提取法：采用高斯曲率K的正负表示局部曲面上某点的性质，当K＞0，则该点为椭圆点，当K＝0，则该点为抛物点，当K＜0，该点为双曲面点，高斯曲率K和平均曲率L反映曲面表面的凹凸情形，高斯曲率和平均曲率的取值，将曲面分为8种情形，k1和k2分别为最大主曲率和最小主曲率，当高斯曲率K不为0时，可求取局部的高斯曲率极值点，并把这个高斯极值点作为下一步曲率极值点，即特征点的检索点，当某一点是高斯曲率极值点时，根据平均曲率的取值，沿着该点的主曲率方向检索到相应的曲率极大值或是极小值，从而获得三维点云的特征点；在高斯曲率K＝0的情形，其中L＝0局部曲面类型为平面，不存在任何曲率极值点，L＞0和L＜0两种点的局部曲面类型不存在高斯曲率极值点，可求得法向量的特征点代替高斯曲率极值点作为检索点。
三维激光点云特征点线完整准确提取方法，进一步的，对于备选特征点的提取，本申请提出一种新的曲率检索方法，首先将三维激光点云中的所有数据点分块栅格化，在分块的点云区域里求取高斯曲率极值点，直至检索所有的栅格，另外增加高斯曲率K和主方向作为额外的特征点的新的判断参数，将三维激光点云模型表面的三个重要几何特征高斯曲率K、平均曲率L和法向量
Figure BDA0003322508090000041
相链接，求取点云的备选特征点,方法核心是：首先通过k邻域检索，找出高斯曲率极值点，作为备选曲率极值备选点，若不存在高斯曲率极值点，则求取这个区域的法向量角度变化较大的点作为备选曲率极值备选点，然后沿着主曲率的方向，按照判断方法，定位次高斯曲率极值点邻域其余主方向上的极值点，沿着主方向进行特征点检索，不用求出点云中所有点的曲率和法向量。
三维激光点云特征点线完整准确提取方法，进一步的，搜索初始特征点：
第一步：首先在点云中随机选取一点E，对E点进行k邻域检索，得到E点外的k个邻近点,将E点在内加上所有检索到的点通过最小二乘局部二次曲面拟合，得到E的k邻域的拟合曲面T0(v,u)，以E定位第一个检索点检索T0(v,u)上的高斯曲率的极大值点或极小值点，当在T0(v,u)上检索到极值点A1，重新检索A1的k邻域，重新局部二次曲面拟合并查寻高斯曲率的极值点A2，然后以A2为起始点再次检索，逐步迭代；
第二步：重复进行第一步，每次都已前一个极值点为中心重新检索k邻域并重新查找新的极值点，这个极值指的是极大值和极小值，需要分两步依次检索，其中如果发生没有高斯曲率的极大值或极小值，改用法向量进行检索，法向量的备选特征点检索是将法向量夹角大于临界值的点作为检索点来代替高斯曲率极值点，直至将整个点云数据全部检索一遍，检索出A1、A2、…、Ak、…所有的以高斯曲率为判断标准的极值点；
第三步：将前面第一步和第二步所检索出的曲率极值点组成一个备选特征点集合，以这个备选特征点集合为初始点再次进行基于平均曲率的曲率极值检索。
三维激光点云特征点线完整准确提取方法，进一步的，检索备选特征点：三维激光点云数据点在所拟合的局部曲面上，都有两个主曲率方向，曲率最大方向L1和曲率最小方向L2，假设点E是点云上的高斯曲率极值点，即A1、A2、…、Ak、…中的一个点，高斯曲率是曲面的两个主曲率的乘积，假设某点在曲面上的两个主曲率分别为K1、K2，即K＝K1×K2为某点在曲面上的高斯曲率,根据L＝(K1+K2)/2计算出L(B)，根据L(B)的数值判断特征点；
(1)步骤一：如果平均曲率L(B)＞0，无论该点E是高斯曲率极大值还是极小值，则在最大主曲率方向一定存在着一个点使得曲率值极大，首先检查此次检测点的点云片里的点，将偏移量较大的点去除，留下的点继续进行下一轮处理；
具体方法为：求出点E的最大主曲率方向，将点E分别与分块区域内的所有点连接，计算这些连接线与点E的最小主曲率方向的夹角b，并与给定的夹角临界值b0进行比较，当b＜b0，则保存，反之则排除；然后将保存的点按照夹角b的大小的进行升序排列，作为求取极值点的备选点集，从点集中取出第一个点B1，即与最小主曲率方向夹角最小的点，在最大曲率方向前后找到两个点Bf和Bt和，这两个点必须是与B1相邻接的，判断如果在最大主曲率方向，B1的曲率大于等于Bf的曲率并且小于等于Bt的曲率，K2(B1)≥K2(Bf)并且K2(B1)≤K2(Bt)，把点B1确定为曲率极值点，否则就排除极值点的可能，一直按照该方法，按照从小到大的顺序，处理刚排序好的所有的备选点，最终获取三维点云的小分块栅格里的所有的沿着最大主曲率方向的极大值点，将这些点按照顺序存储进链表，从这个链表里取出最后一个点Bmax，重新做一个新的向量沿着点Bmax最小主曲率方向，这个向量指向下一个继续检索的点云数据分块栅格，以Bmax为初始点，以Bmax的最小主曲率方向为标准方向，检索这个新的栅格内的所有点与Bmax连接成的直线与最小主曲率的夹角，当夹角大于给定临界值时，将该点删除，将保留的点同样按照夹角角度的升序排列，将这些升序排列的点检索曲率的极值点，将极值点确定为备选特征点保留，继续按照该点的最小主曲率的反方向作为标准方向，重复进行曲率的极值点的检索；
(2)步骤二：如果L(B)＜0，则无论该点B是高斯曲率极大值还是极小值，则在最小主曲率方向一定存在一个点使得曲率值极小，这个极小值的检索方法与上面步骤一类似，但是要先求该点B的栅格内的点沿最大曲率方向的夹角进行升序排列，然后按照最小主曲率方向的相邻点的曲率进行对比，如果该点的曲率小于它最小主曲率方向的相邻两点的曲率，则该点为曲率极小值点，记为备选特征点，以同样的曲率极值筛选过程进行检索筛选；
(3)步骤三：如果点B的平均曲率L(B)＝0，则对前两个步骤进行重复检索；
(4)步骤四：对整个点云数据进行极值点检索之后，得到点云的备选特征点集C。
三维激光点云特征点线完整准确提取方法，进一步的，经过曲率拟合链接法向量的备选特征点集的提取，得到备选特征点的集合C，本申请通过对折线生长的方向不断的适应性改进，得到有一定几何关系的特征点序列，最后将点云的顺序特征点首尾相接形成连续的特征线；
折线生长法：首先根据点云模型的全局形状特征设定折线线段的最大长度为临界值tmax，临界值越大，形成的特征线相对愈加粗糙，反之则愈加光滑，已知光顺的特征点的集合C，从中随机选取一个点q∈C,检索点q的以折线长度域值tmax为半径的所有邻点
Figure BDA0003322508090000061
对所有邻点区域
Figure BDA0003322508090000062
进行主分量分析，获得邻域M(q)内的特征值
Figure BDA0003322508090000063
以及相对应的特征向量，建立tmax为半径内的过点q并且以其最大特征值向量为方向的直线，将点q的邻域MC(q)里的点投影到这条直线上，将投影得到的点集记为wi，然后计算所有投影点与点q的距离，选择其投影点距离点q最大的点qk作为生长点并将其保存到集合V中，在直线相反的方向，用同样的方法找到距离q点最远的点，将其作为生长点计入点集合V中。
三维激光点云特征点线完整准确提取方法，进一步的，改进的折线生长法：根据将散乱点聚类的原理，选取具有较高的特征关联性的点作为初始生长点，能得到更好的线聚类效果，所以，首先在所有的备选特征点集中选取出一个关联性高的点，即确定一个半径的临界值tmax，对备选特征点集C中的所有的点进行主分量分析，计算出每个点在其tmax邻域内的关联系数，假设其中一点qi，M(qi)＝{qj∈G||qj-qi|＜＝tmax}，计算其在tmax邻域内的协方差矩阵N，求出N的特征值为
Figure BDA0003322508090000064
其特征向量为
Figure BDA0003322508090000065
根据下式计算出该点的关联系数：
Figure BDA0003322508090000066
计算出备选特征点集中每个特征点所对应的在其tmax邻域内关联系数a，a的取值范围为a∈[1/3,1]，当a的大小为趋近于1时，该点局部的邻近点集合趋近于线性分布，则更趋向于折线生长，所以给关联系数a设定一个临界值a0，根据不同的点云几何形状特征，将a0的范围设置在0.5-0.7，将所有备选特征点按照其a的大小进行降序排列，取关联系数值最大的点Q作为初始生长点，进行初始生长点的筛选，避免选取关联系数太小的非特征的散乱点作为初始点进行折线生长的情形，避免传统方法容易产生折线生长偏离的情形；另一方面对进行降序排列的所有备选特征点的a值进行比较，当ai＞a0时，将点计入序列点集C0，如果ai＜a0，则排除关联系数较小的小于临界值a0点，经过这一步，用关联系数对备选特征点集进行限制的方法，得到关联系数都大于临界值a0并且降序排列的点集序列C0，这种关联系数的降序筛选对于后续生长点的选取具有很好的指向作用，提高点的生长效率。
三维激光点云特征点线完整准确提取方法，进一步的，在生长点以及生长方向的确定方面，本申请是确定初始生长点，即关联系数最大的点Q作为初始生长点，而点Q以半径tmax为邻域内的所有备选特征点都已进行关联系数a0的筛选，点Q的tmax邻域的协方差矩阵已经求取出来，其特征值和特征向量都已计算出来，选取其最大特征值
Figure BDA0003322508090000071
所对应的特征向量
Figure BDA0003322508090000072
的方向作为生长的主方向，对特征向量
Figure BDA0003322508090000073
进行单位化记为u0。
三维激光点云特征点线完整准确提取方法，进一步的，确定折线生长的方向之后判断下一个生长点，设定一个角度的临界值参数b0，将已经过关联系数a0筛选的tmax邻域内的点投影到由初始点Q和生长方向u0所确定的直线上，选取投影点距离点Q最远的点记为Qmax1，判断Q与Qmax1所在直线的方向与生长方向u0的夹角是否小于角度的临界值参数b0，如果小于则认定该点Qmax1为新的生长点，否则选取投影点距离点Q次之的点Qmax2，同样进行Q与Qmax2所在直线的方向与生长方向u0的夹角对比，直到找夹角小于临界值u0并且投影点距离点Q相对最远的点，作为新的生长点Q1，并将该点加入折线生长点集C1，将Q1作为初始生长点继续按照上面的方法进行新的折线生长，直到在生长点的tmax邻域内找不到别的点，或是生长点的tmax邻域内的点与生长点的连接直线方向和生长方向的夹角全部大于临界值b0，则折线生长终止，Q正方向的折线生长结束之后，从Q正方向的相反方向再次进行折线生长，全部按照同样的方法。
三维激光点云特征点线完整准确提取方法，进一步的，为降低计算复杂度，同时避免可能出现的折线重复生长，将已经进行过折线生长的点的tmax区域内的其它所有的点进行删除，对整个备选特征点集做折线生长，则会产生多个折线生长点集C1、C2…，对应于多条特征线，将每个特征点集中的点作为控制点，假设特征点集中有k个点，则通过k次贝兹曲线进行曲线拟合。
与现有技术相比，本申请的创新点和优势在于：
第一，本申请提出一种改进的三维激光点云模型的特征点线提取方法，在备选特征点的提取方面，运用局部二次曲面拟合的改进的曲率极值点的备选特征点提取方法，将高斯曲率、平均曲率与法向量相链接，对传统的曲率特征点提取进行了分段式改进，得到了更加快速的备选点特征提取效果；采用一种主分量分析的邻域投影判断方法对备选特征点集进行处理，剔除备选特征点集中的散乱点；采用改进的折线生长法对特征点集进行折线生长，将自关联关系、邻域最长距离关系和折线生长点角度临界值相链接作为折线生长点的判断方法，筛选关联关系较大的特征点；最后通过k次贝兹线方法对生成的折线生长点集进行线拟合。实验结果表明，本申请改进的特征线提取方法可以较为完整的提取出点云模型的特征点和特征线，在不同的噪声干扰下，局部特征细节不容易受到噪声的影响，线特征的全局表示具有相对完整性，抗噪声的鲁棒性好，三维点云特征点线提取清晰准确且效率较高；
第二，本申请对三维激光点云特征线提取方法进行分步的改进和优化，并对特征线提取效果进行了对比，第一是对特征点提取的曲率极值方法进行改进，首先检索点云高斯曲率极值点作为初始检索点集，以高斯曲率极值点为初始检索点，沿着最大主曲率和最小主曲率的方向检索出点云的曲率极值大值点和极小值点，该特征点提取方法链接了高斯曲率、平均曲率和法向量对点云进行非遍历型特征点检测，不需要对点云的每个点进行局部二次曲面拟合求取曲率值，就可以检索到曲率极值点，大幅提高了计算效率；第二是对折线生长的点特征聚类方法进行改进，通过主成分分析的方法，链接自关联关系和邻域最远距离两个参数对折线生长点进行有效的判断，避免了关联系数较小的点作为生长点，其次采用角度临界值，进一步进行生长点的筛选，避免了可能出现的折线重复生长。经过对多组三维点云的线特征实验结果分析证明，本申请改进的方法能完整准确的提取出点云模型的特征点和特征线，局部特征细节不容易受到噪声的影响，具有巨大的实际意义和广泛的应用前景；
第三，本申请的创新之处在于，一方面改进了传统的基于曲率的特征点提取方法，运用了高斯曲率、平均曲率和法向量的几何性质，将三者相链接，提高了曲率极值法的特征点提取的效率，整个过程简单流畅，而且计算量相对小，耗费时间少，效率高，三维点云的特征提取方法空间复杂度大幅减小；另一方面的创新在于，改进了传统的折线生长的点特征聚类方法，通过主分量分析的方法，将特征点邻域的关联关系、邻域内点与初始点连线方向以及折线生长主方向相链接对折线生长点进行有效的判断，提高了点特征折线生长聚类的准确性，确定的生长点不会偏离原特征点集的正确的生长方向，且特征线光顺，提取出了较为完整和整齐的特征线，对于点云模型的细节鲁棒性有大幅提高。
第四，模型的曲率极值点不一定是高斯曲率极值点，而模型的高斯曲率极值点一定是曲率极值点，针对传统的曲率极值法提取特征点的方法，对于备选特征点的提取，本申请提出一种新的曲率检索方法，沿着主方向进行特征点检索，不用求出点云中所有点的曲率和法向量，因此检索效率较高；本申请提出改进的折线生长法进行特征曲线的提取，通过对折线生长的方向不断的适应性改进，得到有一定几何关系的特征点序列，最后将点云的顺序特征点首尾相接形成连续的特征线，这种关联系数的降序筛选对于后续生长点的选取具有很好的指向作用，为了降低计算复杂度，同时避免可能出现的折线重复生长，将已经进行过折线生长的点的tmax区域内的其它所有的点进行删除，对整个备选特征点集做折线生长，提高点的生长效率。
附图说明
图1是本申请点的局部曲面类型的分类图。
图2是本申请初始特征极值点的搜索示意图。
图3是检索备选特征点曲率极值点的判定示意图。
图4是多个点云模型的特征线提取实验对比图。
图5是实验一特征线提取的位置误差对比图。
图6是实验一三组点云模型特征线提取的时间量化对比图。
图7是实验二噪声点云的特征曲线提取结果对比图。
具体实施方法
下面结合附图，对本申请提供的三维激光点云特征点线完整准确提取方法的技术方案进行进一步的描述，使本领域的技术人员能够更好的理解本申请并能够予以实施。
三维激光点云的特征提取是点云数据应用的关键技术之一，在点云的各种几何处理如点云简化、分块、配准、拼接和重建等多方面起着重要的作用。为了进一步满足点云模型的应用需求，对三维点云的几何性质分类，对点云模型表面特征进行识别和提取，提出一种三维激光点云特征点线完整准确提取方法。
由于三维点云的特征提取方法都具有较高的空间复杂度，导致其在许多生产生活领域的应用较少，对此，本申请提出一种局部二次曲面曲率拟合链接法向量的特征提取方法，基于点云模型曲率的变化提取特征点并逐步聚类为特征线，首先采用拟合局部曲面方程，根据二次曲面拟合结果估算点云曲率和法向量，利用改进的平均曲率极值链接法向量的判断方法初步提取备选特征点，通过光顺投影法筛选备选特征点，通过改进的折线生长特征线生成方法提取点云的特征线，该方法与现有技术的方法相比,能够准确的估算曲率，以较少的时间提取出清晰明确的特征线。
在三维激光点云的特征点提取方面，基于特征点的几何特性，采用高斯曲率和平均曲率的基本特质，对曲率极值法进行改进，首先将三维激光点云中的所有数据点分块栅格化，在已分块处理后的点云区域里根据某一个点的k邻域局部曲面拟合并检索求取高斯曲率极值点，把这个点暂时作为备选曲率极值备选点，然后随着主曲率的方向，定位次高斯曲率极值点邻域其余主方向上的极值点，提取最终的点云特征点；
在三维激光点云的特征线提取方面，从几个方面改进折线生长方法，将特征点k邻域的自关联系数、邻域最长距离和折线生长点判断角度临界值相链接作为折线生长点的判断参数，通过k次贝兹曲线方法对生成的折线生长点集进行曲线拟合，提取点云的特征线。
一、曲率拟合链接法向量的特征点提取法
通过计算曲率或是法向量的散乱点云的特征点提取方法较大的缺陷在于需要计算散乱点云中每个点的曲率值或法向量，从而必须进行多次点云的局部二次曲面拟合，进一步计算出所有点的平均曲率，根据平均曲率的变化定位到曲率极值点，整个过程比较繁琐，而且计算量大，耗费时间多，效率低，所以本申请在传统的曲率极值法的基础上，提出了改进的曲率极值提取方法。
采用高斯曲率K的正负表示局部曲面上某点的性质，当K＞0，则该点为椭圆点，当K＝0，则该点为抛物点，当K＜0，该点为双曲面点，高斯曲率K和平均曲率L反映曲面表面的凹凸情形，高斯曲率和平均曲率的取值，将曲面分为8种情形，如图1所示，k1和k2分别为最大主曲率和最小主曲率，当高斯曲率K不为0时，是图1中的1，3，5，6，8五种点的局部曲面类型，这种情形下可求取局部的高斯曲率极值点，并把这个高斯极值点作为下一步曲率极值点，即特征点的检索点，当某一点是高斯曲率极值点时，根据平均曲率的取值，沿着该点的主曲率方向检索到相应的曲率极大值或是极小值，从而获得三维点云的特征点，图1中还存在高斯曲率K＝0的情形，即2，4，7三种点的局部曲面类型，其中L＝0局部曲面类型为平面，不存在任何曲率极值点，L＞0和L＜0两种点的局部曲面类型不存在高斯曲率极值点，可求得法向量的特征点代替高斯曲率极值点作为检索点。
模型的曲率极值点不一定是高斯曲率极值点，而模型的高斯曲率极值点一定是曲率极值点，针对传统的曲率极值法提取特征点的方法，对于备选特征点的提取，本申请提出一种新的曲率检索方法，首先将三维激光点云中的所有数据点分块栅格化，在分块的点云区域里求取高斯曲率极值点，直至检索所有的栅格，另外增加高斯曲率K和主方向作为额外的特征点的新的判断参数，将三维激光点云模型表面的三个重要几何特征高斯曲率K、平均曲率L和法向量
Figure BDA0003322508090000101
相链接，求取点云的备选特征点,方法核心是：首先通过k邻域检索，找出高斯曲率极值点，作为备选曲率极值备选点，若不存在高斯曲率极值点，则求取这个区域的法向量角度变化较大的点作为备选曲率极值备选点，然后沿着主曲率的方向，按照判断方法，定位次高斯曲率极值点邻域其余主方向上的极值点，这个方法的优点是沿着主方向进行特征点检索，不用求出点云中所有点的曲率和法向量，因此检索效率较高。
曲率拟合链接法向量的特征点提取过程包括：
(一)搜索初始特征点
第一步：如图2所示，首先在点云中随机选取一点E，对E点进行k邻域检索，得到E点外的k个邻近点,将E点在内加上所有检索到的点通过最小二乘局部二次曲面拟合，得到E的k邻域的拟合曲面T0(v,u)，以E定位第一个检索点检索T0(v,u)上的高斯曲率的极大值点或极小值点，当在T0(v,u)上检索到极值点A1，重新检索A1的k邻域，重新局部二次曲面拟合并查寻高斯曲率的极值点A2，然后以A2为起始点再次检索，逐步迭代；
第二步：重复进行第一步，每次都已前一个极值点为中心重新检索k邻域并重新查找新的极值点，这个极值指的是极大值和极小值，需要分两步依次检索，其中如果发生没有高斯曲率的极大值或极小值，比如K＝0时，改用法向量进行检索，法向量的备选特征点检索是将法向量夹角大于临界值的点作为检索点来代替高斯曲率极值点，直至将整个点云数据全部检索一遍，检索出A1、A2、…、Ak、…所有的以高斯曲率为判断标准的极值点；
第三步：将前面第一步和第二步所检索出的曲率极值点组成一个备选特征点集合，以这个备选特征点集合为初始点再次进行基于平均曲率的曲率极值检索；
这个以高斯曲率为参数检索极值点的方法，整个检索不断循环的过程中，查询到的极值点和迭代起始点A1、A2、…、Ak、…可能是三维激光点云上的数据点，同样也可能是局部拟合的二次曲面上的点，这个过程避免了全部三维点云的逐次拟合，能够提高检索的效率，将检索到的备选特征点集作为初始点，再次根据平均曲率的取值进行备选特征点的检索。
(二)检索备选特征点
三维激光点云数据点在所拟合的局部曲面上，都有两个主曲率方向，曲率最大方向L1和曲率最小方向L2，假设点E是点云上的高斯曲率极值点，即A1、A2、…、Ak、…中的一个点，高斯曲率是曲面的两个主曲率的乘积，假设某点在曲面上的两个主曲率分别为K1、K2，即K＝K1×K2为某点在曲面上的高斯曲率,根据L＝(K1+K2)/2计算出L(B)，根据L(B)的数值判断特征点；
(1)步骤一：如果平均曲率L(B)＞0，无论该点E是高斯曲率极大值还是极小值，则在最大主曲率方向一定存在着一个点使得曲率值极大，为提高极值点的检索效率，首先检查此次检测点的点云片里的点，将偏移量较大的点去除，留下的点继续进行下一轮处理；
具体方法为：求出点E的最大主曲率方向，将点E分别与分块区域内的所有点连接，计算这些连接线与点E的最小主曲率方向的夹角b，并与给定的夹角临界值b0进行比较，当b＜b0，则保存，反之则排除；然后将保存的点按照夹角b的大小的进行升序排列，作为求取极值点的备选点集，从点集中取出第一个点B1，即与最小主曲率方向夹角最小的点，在最大曲率方向前后找到两个点Bf和Bt和，这两个点必须是与B1相邻接的，如图3，判断如果在最大主曲率方向，B1的曲率大于等于Bf的曲率并且小于等于Bt的曲率，K2(B1)≥K2(Bf)并且K2(B1)≤K2(Bt)，把点B1确定为曲率极值点，否则就排除极值点的可能，一直按照该方法，按照从小到大的顺序，处理刚排序好的所有的备选点，最终获取三维点云的小分块栅格里的所有的沿着最大主曲率方向的极大值点，将这些点按照顺序存储进链表，从这个链表里取出最后一个点Bmax，重新做一个新的向量沿着点Bmax最小主曲率方向，这个向量指向下一个继续检索的点云数据分块栅格，以Bmax为初始点，以Bmax的最小主曲率方向为标准方向，检索这个新的栅格内的所有点与Bmax连接成的直线与最小主曲率的夹角，当夹角大于给定临界值时，将该点删除，将保留的点同样按照夹角角度的升序排列，将这些升序排列的点检索曲率的极值点，将极值点确定为备选特征点保留，继续按照该点的最小主曲率的反方向作为标准方向，重复进行曲率的极值点的检索。
(2)步骤二：如果L(B)＜0，则无论该点B是高斯曲率极大值还是极小值，则在最小主曲率方向一定存在一个点使得曲率值极小，这个极小值的检索方法与上面步骤一类似，但是要先求该点B的栅格内的点沿最大曲率方向的夹角进行升序排列，然后按照最小主曲率方向的相邻点的曲率进行对比，如果该点的曲率小于它最小主曲率方向的相邻两点的曲率，则该点为曲率极小值点，记为备选特征点，以同样的曲率极值筛选过程进行检索筛选；
(3)步骤三：如果点B的平均曲率L(B)＝0，则对前两个步骤进行重复检索；
(4)步骤四：对整个点云数据进行极值点检索之后，得到点云的备选特征点集C。
二、改进的点云特征曲线提取法
通过基于曲率的特征提取方法，可以得到散乱无序的备选特征点集，需要将这些点集进行特征点聚合为特征曲线,由于特征点集不能很好的表现出三维激光点云模型的几何特征和形状特征，所以需要将特征点集按照一定的拓扑关系聚类成特征线，用以表示模型的模型轮廓线、凹边、凸边、边界线的几何特征，现有技术的折线生长法是随机的从备选特征点集中选取某个点作为初始生长点，然后将当前生长点及所有邻域点都投影到由协方差矩阵确定的主轴向量上，取投影最远的两个远端点作为新的生长点，这样的折线生长法，确定的生长点有可能偏离原特征点集的正确的生长方向，且特征线可能不够光顺，因此本申请提出改进的折线生长法进行特征曲线的提取。
经过曲率拟合链接法向量的备选特征点集的提取，得到备选特征点的集合C，本申请通过对折线生长的方向不断的适应性改进，得到有一定几何关系的特征点序列，最后将点云的顺序特征点首尾相接形成连续的特征线。
折线生长法：因为特征线需要由小段的特征线段逐步相连，所以，首先根据点云模型的全局形状特征设定折线线段的最大长度为临界值tmax，临界值越大，形成的特征线相对愈加粗糙，反之则愈加光滑，已知光顺的特征点的集合C，从中随机选取一个点q∈C,检索点q的以折线长度域值tmax为半径的所有邻点
Figure BDA0003322508090000131
对所有邻点区域
Figure BDA0003322508090000132
进行主分量分析，获得邻域M(q)内的特征值
Figure BDA0003322508090000133
以及相对应的特征向量，建立tmax为半径内的过点q并且以其最大特征值向量为方向的直线，将点q的邻域MC(q)里的点投影到这条直线上，将投影得到的点集记为wi，然后计算所有投影点与点q的距离，选择其投影点距离点q最大的点qk作为生长点并将其保存到集合V中，在直线相反的方向，用同样的方法找到距离q点最远的点，将其作为生长点计入点集合V中。
改进的折线生长法：现有技术的折线生长法，在确定第一个种子生长点时是随机选取的，但根据将散乱点聚类的原理可以判断出，选取具有较高的特征关联性的点作为初始生长点，能够得到更好的线聚类效果，所以，首先在所有的备选特征点集中选取出一个关联性高的点，即确定一个半径的临界值tmax，对备选特征点集C中的所有的点进行主分量分析，计算出每个点在其tmax邻域内的关联系数，假设其中一点qi，M(qi)＝{qj∈G||qj-qi||＜＝tmax}，计算其在tmax邻域内的协方差矩阵N，求出N的特征值为
Figure BDA0003322508090000134
其特征向量为
Figure BDA0003322508090000135
根据下式计算出该点的关联系数：
Figure BDA0003322508090000136
计算出备选特征点集中每个特征点所对应的在其tmax邻域内关联系数a，a的取值范围为a∈[1/3,1]，当a的大小为趋近于1时，该点局部的邻近点集合趋近于线性分布，则更趋向于折线生长，所以给关联系数a设定一个临界值a0，根据不同的点云几何形状特征，将a0的范围设置在0.5-0.7，将所有备选特征点按照其a的大小进行降序排列，取关联系数值最大的点Q作为初始生长点，进行初始生长点的筛选，避免选取关联系数太小的非特征的散乱点作为初始点进行折线生长的情形，避免传统方法容易产生折线生长偏离的情形，较大程度上促进了折线生长起始点及生长方向的准确性，另一方面对进行降序排列的所有备选特征点的a值进行比较，当ai＞a0时，将点计入序列点集C0，如果ai＜a0，则排除关联系数较小的小于临界值a0点，经过这一步，用关联系数对备选特征点集进行限制的方法，得到关联系数都大于临界值a0并且降序排列的点集序列C0，这种关联系数的降序筛选对于后续生长点的选取具有很好的指向作用，提高点的生长效率。
在生长点以及生长方向的确定方面，现有技术的折线生长法是根据特征值
Figure BDA0003322508090000141
的大小选取最大的特征值对应的特征向量并计算其对应的单位特征向量作为生长方向的直线，本申请是确定初始生长点，即关联系数最大的点Q作为初始生长点，而点Q以半径tmax为邻域内的所有备选特征点都已进行关联系数a0的筛选，点Q的tmax邻域的协方差矩阵已经求取出来，其特征值和特征向量都已计算出来，选取其最大特征值
Figure BDA0003322508090000142
所对应的特征向量
Figure BDA0003322508090000143
的方向作为生长的主方向，对特征向量
Figure BDA0003322508090000144
进行单位化记为u0；
确定折线生长的方向之后判断下一个生长点，设定一个角度的临界值参数b0，将已经过关联系数a0筛选的tmax邻域内的点投影到由初始点Q和生长方向u0所确定的直线上，选取投影点距离点Q最远的点记为Qmax1，判断Q与Qmax1所在直线的方向与生长方向u0的夹角是否小于角度的临界值参数b0，如果小于则认定该点Qmax1为新的生长点，否则选取投影点距离点Q次之的点Qmax2，同样进行Q与Qmax2所在直线的方向与生长方向u0的夹角对比，直到找夹角小于临界值u0并且投影点距离点Q相对最远的点，作为新的生长点Q1，并将该点加入折线生长点集C1，将Q1作为初始生长点继续按照上面的方法进行新的折线生长，直到在生长点的tmax邻域内找不到别的点，或是生长点的tmax邻域内的点与生长点的连接直线方向和生长方向的夹角全部大于临界值b0，则折线生长终止，Q正方向的折线生长结束之后，从Q正方向的相反方向再次进行折线生长，全部按照同样的方法。本申请的角度临界值取30度。
虽然在新的生长点的判断过程中，用该点与初始生长点的连接直线方向与生长方向的夹角进行新的生长点的约束，但为了降低计算复杂度，同时避免可能出现的折线重复生长，将已经进行过折线生长的点的tmax区域内的其它所有的点进行删除。对整个备选特征点集做折线生长，则会产生多个折线生长点集C1、C2…，对应于多条特征线，将每个特征点集中的点作为控制点，假设特征点集中有k个点，则通过k次贝兹曲线进行曲线拟合。
三、点云模型的特征线提取实验及结果
(一)初始点云特征线提取实验一及结果
在点云特征提取的方法实现过程中，k邻域的临界值取k＝20，关联系数的临界值取a0＝0.6，折线生长的角度临界值取a0＝35度,实验总共有三组三维激光点云数据，铸件A点云的数据点数量为58596，铸件B点云的数据点数量为43531，车灯局部点云的数据点数量为16641。图4是本申请的特征线提取方法的特征线提取结果，与现有技术的曲率特征提取和折线生长法的特征提取效果进行对比。图4(a1)是一个铸件A的点云数据模型，该模型的特征是点云表面点分布较为规律，而且上方圆柱体特征点处曲率变化较为明显，但是其底座曲面变化较为平缓。图4(b1)运用现有技术的曲率特征的特征线提取方法提取出铸件A的特征线，图4(c1)运用本申请的改进的特征线提取方法提取出铸件A的特征线。由图可以看出，对于两种特征线提取方法，铸件A上方圆柱体两个平面的边缘提取效果都相对较好，而本申请方法底座的两个不同高度曲面之间的棱边特征线更加光滑。图4(a2)是车灯的一个局部点云数据模型，该模型的特征是点云表面不够光滑，但是点云模型几何分布较为简单。图4(b2)是运用现有技术的曲率特征提取和折线生长法对车灯局部点云模型的特征线提取结果，图4(c2)是运用本申请的特征线提取方法对车灯局部点云进行特征曲线提取提，两者对比，图4(b2)和图4(c2)都具有比较清晰光滑的特征线提取效果，提取出的特征线相对于铸件B曲线的光滑度相对较高，这取决于车灯局部点云更为简单的数据点分布和几何特征。图4(a3)铸件B是一个工业铸件的三维激光点云数据模型，该模型的特征是点云分布相对集中，模型比较理想化，没有过多的点云噪声，图4(b3)是运用现有技术的曲率特征提取和折线生长法对工业铸件B进行特征曲线提取，图4(c3)是运用本申请的特征线提取方法对工业铸件B进行特征曲线提取。由图4(b3)和图4(c3)可以看出，两种特征线提取方法都能够提取出点云的大致特征轮廓线，本申请方法的全局特征曲线更加流畅光滑。总而言之，对比现有技术的特征线提取方法和本申请的改进的特征线提取方法，都有较为清晰的正确的特征线提取结果，而且没有出现毛刺和特征线的断裂缺口，本申请方法在局部明显更加流畅光滑。
通过人工标定三维点云特征线，获得三组点云的特征线提取的像素位置误差。由图5可知，采用本申请的特征线提取改进方法和和未经改进的特征线提取方法，对三组三维点云的进行特征提取，对两种方法的特征线提取结果进行像素位置误差的计算，改进后位置误差明显变小。
图6是三组三维点云的特征线提取的时间量化对比，由图6可以看出，本申请的高斯曲率链接平均曲率的极值判断法的特征点检索时间远远低于改进前的曲率极值的特征点检索方法。采用本申请的特征线提取方法在不降低特征线提取效果的基础上，大幅减少了特征线提取时间，提高了特征线提取的效率。
(二)方法对噪声的鲁棒性实验二及结果
即使通过预处理对三维激光点云进行去噪处理，处理后的点云模型仍可能包含较多的噪声，因此能否在噪声存在的情形下很好的提取出三维激光点云模型的线特征，是评判特征提取方法的鲁棒性和有效性的重要标准。为检测本申请的特征提取方法的鲁棒性和有效性，对三维激光点云数据进行人工掺杂噪声处理，对点云模型分别取噪声度g为0.4％、1.1％。
图7是将不同等级的噪声加入点云模型铸件C后，原始折线生长与本申请方法的特征线提取结果。其中(a1)、(b1)、(c1)是无扰乱噪声情形下的两种方法的特征曲线生成结果，特征线比较整齐、平滑，(a2)、(b2)、(c2)为0.4％噪声的点云数据，用原始的特征线提取法和本申请方法的特征线提取结果，(b3)是1.1％噪声下的，原始特征线提取方法的特征线提取结果，(c3)是本申请方法的特征线提取结果。图7可以看出，随着噪声扰乱的加剧，对于两种特征线提取方法，提取的特征线的光滑度愈来愈低，特征线褶皱逐渐增多，局部特征线提取不够精确，稍微有棱角和粗糙，但本申请方法没有丢失重要的特征线，能够保持特征线的完整性，而且特征线全局走向没有变化，提取的特征线仍然能够较大程度的保持提取的完整性，具有较好抗噪声的鲁棒性。

Claims (10)

1.三维激光点云特征点线完整准确提取方法，其特征在于，采用一种局部二次曲面曲率拟合链接法向量的特征提取方法，基于点云模型曲率的变化提取特征点并逐步聚类为特征线，首先采用拟合局部曲面方程，根据二次曲面拟合结果估算点云曲率和法向量，利用改进的平均曲率极值链接法向量的判断方法初步提取备选特征点，通过光顺投影法筛选备选特征点，通过改进的折线生长特征线生成方法提取点云的特征线，准确的估算曲率，以较少的时间提取出清晰明确的特征线；
在三维激光点云的特征点提取方面，基于特征点的几何特性，采用高斯曲率和平均曲率的基本特质，对曲率极值法进行改进，首先将三维激光点云中的所有数据点分块栅格化，在已分块处理后的点云区域里根据某一个点的k邻域局部曲面拟合并检索求取高斯曲率极值点，把这个点暂时作为备选曲率极值备选点，然后随着主曲率的方向，定位次高斯曲率极值点邻域其余主方向上的极值点，提取最终的点云特征点；曲率拟合链接法向量的特征点提取过程包括搜索初始特征点和检索备选特征点；
在三维激光点云的特征线提取方面，从几个方面改进折线生长方法，将特征点k邻域的自关联系数、邻域最长距离和折线生长点判断角度临界值相链接作为折线生长点的判断参数，通过k次贝兹曲线方法对生成的折线生长点集进行曲线拟合，提取点云的特征线。
2.根据权利要求1所述的三维激光点云特征点线完整准确提取方法，其特征在于，曲率拟合链接法向量的特征点提取法：采用高斯曲率K的正负表示局部曲面上某点的性质，当K＞0，则该点为椭圆点，当K＝0，则该点为抛物点，当K＜0，该点为双曲面点，高斯曲率K和平均曲率L反映曲面表面的凹凸情形，高斯曲率和平均曲率的取值，将曲面分为8种情形，k1和k2分别为最大主曲率和最小主曲率，当高斯曲率K不为0时，可求取局部的高斯曲率极值点，并把这个高斯极值点作为下一步曲率极值点，即特征点的检索点，当某一点是高斯曲率极值点时，根据平均曲率的取值，沿着该点的主曲率方向检索到相应的曲率极大值或是极小值，从而获得三维点云的特征点；在高斯曲率K＝0的情形，其中L＝0局部曲面类型为平面，不存在任何曲率极值点，L＞0和L＜0两种点的局部曲面类型不存在高斯曲率极值点，可求得法向量的特征点代替高斯曲率极值点作为检索点。
3.根据权利要求1所述的三维激光点云特征点线完整准确提取方法，其特征在于，对于备选特征点的提取，本申请提出一种新的曲率检索方法，首先将三维激光点云中的所有数据点分块栅格化，在分块的点云区域里求取高斯曲率极值点，直至检索所有的栅格，另外增加高斯曲率K和主方向作为额外的特征点的新的判断参数，将三维激光点云模型表面的三个重要几何特征高斯曲率K、平均曲率L和法向量
Figure FDA0003322508080000011
相链接，求取点云的备选特征点,方法核心是：首先通过k邻域检索，找出高斯曲率极值点，作为备选曲率极值备选点，若不存在高斯曲率极值点，则求取这个区域的法向量角度变化较大的点作为备选曲率极值备选点，然后沿着主曲率的方向，按照判断方法，定位次高斯曲率极值点邻域其余主方向上的极值点，沿着主方向进行特征点检索，不用求出点云中所有点的曲率和法向量。
4.根据权利要求1所述的三维激光点云特征点线完整准确提取方法，其特征在于，搜索初始特征点：
第一步：首先在点云中随机选取一点E，对E点进行k邻域检索，得到E点外的k个邻近点,将E点在内加上所有检索到的点通过最小二乘局部二次曲面拟合，得到E的k邻域的拟合曲面T0(v,u)，以E定位第一个检索点检索T0(v,u)上的高斯曲率的极大值点或极小值点，当在T0(v,u)上检索到极值点A1，重新检索A1的k邻域，重新局部二次曲面拟合并查寻高斯曲率的极值点A2，然后以A2为起始点再次检索，逐步迭代；
第二步：重复进行第一步，每次都已前一个极值点为中心重新检索k邻域并重新查找新的极值点，这个极值指的是极大值和极小值，需要分两步依次检索，其中如果发生没有高斯曲率的极大值或极小值，改用法向量进行检索，法向量的备选特征点检索是将法向量夹角大于临界值的点作为检索点来代替高斯曲率极值点，直至将整个点云数据全部检索一遍，检索出A1、A2、…、Ak、…所有的以高斯曲率为判断标准的极值点；
第三步：将前面第一步和第二步所检索出的曲率极值点组成一个备选特征点集合，以这个备选特征点集合为初始点再次进行基于平均曲率的曲率极值检索。
5.根据权利要求1所述的三维激光点云特征点线完整准确提取方法，其特征在于，检索备选特征点：三维激光点云数据点在所拟合的局部曲面上，都有两个主曲率方向，曲率最大方向L1和曲率最小方向L2，假设点E是点云上的高斯曲率极值点，即A1、A2、…、Ak、…中的一个点，高斯曲率是曲面的两个主曲率的乘积，假设某点在曲面上的两个主曲率分别为K1、K2，即K＝K1×K2为某点在曲面上的高斯曲率,根据L＝(K1+K2)/2计算出L(B)，根据L(B)的数值判断特征点；
(1)步骤一：如果平均曲率L(B)＞0，无论该点E是高斯曲率极大值还是极小值，则在最大主曲率方向一定存在着一个点使得曲率值极大，首先检查此次检测点的点云片里的点，将偏移量较大的点去除，留下的点继续进行下一轮处理；
具体方法为：求出点E的最大主曲率方向，将点E分别与分块区域内的所有点连接，计算这些连接线与点E的最小主曲率方向的夹角b，并与给定的夹角临界值b0进行比较，当b＜b0，则保存，反之则排除；然后将保存的点按照夹角b的大小的进行升序排列，作为求取极值点的备选点集，从点集中取出第一个点B1，即与最小主曲率方向夹角最小的点，在最大曲率方向前后找到两个点Bf和Bt和，这两个点必须是与B1相邻接的，判断如果在最大主曲率方向，B1的曲率大于等于Bf的曲率并且小于等于Bt的曲率，K2(B1)≥K2(Bf)并且K2(B1)≤K2(Bt)，把点B1确定为曲率极值点，否则就排除极值点的可能，一直按照该方法，按照从小到大的顺序，处理刚排序好的所有的备选点，最终获取三维点云的小分块栅格里的所有的沿着最大主曲率方向的极大值点，将这些点按照顺序存储进链表，从这个链表里取出最后一个点Bmax，重新做一个新的向量沿着点Bmax最小主曲率方向，这个向量指向下一个继续检索的点云数据分块栅格，以Bmax为初始点，以Bmax的最小主曲率方向为标准方向，检索这个新的栅格内的所有点与Bmax连接成的直线与最小主曲率的夹角，当夹角大于给定临界值时，将该点删除，将保留的点同样按照夹角角度的升序排列，将这些升序排列的点检索曲率的极值点，将极值点确定为备选特征点保留，继续按照该点的最小主曲率的反方向作为标准方向，重复进行曲率的极值点的检索；
(2)步骤二：如果L(B)＜0，则无论该点B是高斯曲率极大值还是极小值，则在最小主曲率方向一定存在一个点使得曲率值极小，这个极小值的检索方法与上面步骤一类似，但是要先求该点B的栅格内的点沿最大曲率方向的夹角进行升序排列，然后按照最小主曲率方向的相邻点的曲率进行对比，如果该点的曲率小于它最小主曲率方向的相邻两点的曲率，则该点为曲率极小值点，记为备选特征点，以同样的曲率极值筛选过程进行检索筛选；
(3)步骤三：如果点B的平均曲率L(B)＝0，则对前两个步骤进行重复检索；
(4)步骤四：对整个点云数据进行极值点检索之后，得到点云的备选特征点集C。
6.根据权利要求1所述的三维激光点云特征点线完整准确提取方法，其特征在于，经过曲率拟合链接法向量的备选特征点集的提取，得到备选特征点的集合C，本申请通过对折线生长的方向不断的适应性改进，得到有一定几何关系的特征点序列，最后将点云的顺序特征点首尾相接形成连续的特征线；
折线生长法：首先根据点云模型的全局形状特征设定折线线段的最大长度为临界值tmax，临界值越大，形成的特征线相对愈加粗糙，反之则愈加光滑，已知光顺的特征点的集合C，从中随机选取一个点q∈C,检索点q的以折线长度域值tmax为半径的所有邻点
Figure FDA0003322508080000032
对所有邻点区域
Figure FDA0003322508080000033
进行主分量分析，获得邻域M(q)内的特征值
Figure FDA0003322508080000031
以及相对应的特征向量，建立tmax为半径内的过点q并且以其最大特征值向量为方向的直线，将点q的邻域MC(q)里的点投影到这条直线上，将投影得到的点集记为wi，然后计算所有投影点与点q的距离，选择其投影点距离点q最大的点qk作为生长点并将其保存到集合V中，在直线相反的方向，用同样的方法找到距离q点最远的点，将其作为生长点计入点集合V中。
7.根据权利要求1所述的三维激光点云特征点线完整准确提取方法，其特征在于，改进的折线生长法：根据将散乱点聚类的原理，选取具有较高的特征关联性的点作为初始生长点，能得到更好的线聚类效果，所以，首先在所有的备选特征点集中选取出一个关联性高的点，即确定一个半径的临界值tmax，对备选特征点集C中的所有的点进行主分量分析，计算出每个点在其tmax邻域内的关联系数，假设其中一点qi，M(qi)＝{qj∈G||qj-qi||＜＝tmax}，计算其在tmax邻域内的协方差矩阵N，求出N的特征值为
Figure FDA0003322508080000041
其特征向量为
Figure FDA0003322508080000042
根据下式计算出该点的关联系数：
Figure FDA0003322508080000043
计算出备选特征点集中每个特征点所对应的在其tmax邻域内关联系数a，a的取值范围为a∈[1/3,1]，当a的大小为趋近于1时，该点局部的邻近点集合趋近于线性分布，则更趋向于折线生长，所以给关联系数a设定一个临界值a0，根据不同的点云几何形状特征，将a0的范围设置在0.5-0.7，将所有备选特征点按照其a的大小进行降序排列，取关联系数值最大的点Q作为初始生长点，进行初始生长点的筛选，避免选取关联系数太小的非特征的散乱点作为初始点进行折线生长的情形，避免传统方法容易产生折线生长偏离的情形；另一方面对进行降序排列的所有备选特征点的a值进行比较，当ai＞a0时，将点计入序列点集C0，如果ai＜a0，则排除关联系数较小的小于临界值a0点，经过这一步，用关联系数对备选特征点集进行限制的方法，得到关联系数都大于临界值a0并且降序排列的点集序列C0，这种关联系数的降序筛选对于后续生长点的选取具有很好的指向作用，提高点的生长效率。
8.根据权利要求1所述的三维激光点云特征点线完整准确提取方法，其特征在于，在生长点以及生长方向的确定方面，本申请是确定初始生长点，即关联系数最大的点Q作为初始生长点，而点Q以半径tmax为邻域内的所有备选特征点都已进行关联系数a0的筛选，点Q的tmax邻域的协方差矩阵已经求取出来，其特征值和特征向量都已计算出来，选取其最大特征值
Figure FDA0003322508080000044
所对应的特征向量
Figure FDA0003322508080000045
的方向作为生长的主方向，对特征向量
Figure FDA0003322508080000046
进行单位化记为u0。
9.根据权利要求8所述的三维激光点云特征点线完整准确提取方法，其特征在于，确定折线生长的方向之后判断下一个生长点，设定一个角度的临界值参数b0，将已经过关联系数a0筛选的tmax邻域内的点投影到由初始点Q和生长方向u0所确定的直线上，选取投影点距离点Q最远的点记为Qmax1，判断Q与Qmax1所在直线的方向与生长方向u0的夹角是否小于角度的临界值参数b0，如果小于则认定该点Qmax1为新的生长点，否则选取投影点距离点Q次之的点Qmax2，同样进行Q与Qmax2所在直线的方向与生长方向u0的夹角对比，直到找夹角小于临界值u0并且投影点距离点Q相对最远的点，作为新的生长点Q1，并将该点加入折线生长点集C1，将Q1作为初始生长点继续按照上面的方法进行新的折线生长，直到在生长点的tmax邻域内找不到别的点，或是生长点的tmax邻域内的点与生长点的连接直线方向和生长方向的夹角全部大于临界值b0，则折线生长终止，Q正方向的折线生长结束之后，从Q正方向的相反方向再次进行折线生长，全部按照同样的方法。
10.根据权利要求9所述的三维激光点云特征点线完整准确提取方法，其特征在于，为降低计算复杂度，同时避免可能出现的折线重复生长，将已经进行过折线生长的点的tmax区域内的其它所有的点进行删除，对整个备选特征点集做折线生长，则会产生多个折线生长点集C1、C2…，对应于多条特征线，将每个特征点集中的点作为控制点，假设特征点集中有k个点，则通过k次贝兹曲线进行曲线拟合。
CN202111250971.8A 2021-10-26 2021-10-26 三维激光点云特征点线完整准确提取方法 Pending CN113963138A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111250971.8A CN113963138A (zh) 2021-10-26 2021-10-26 三维激光点云特征点线完整准确提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111250971.8A CN113963138A (zh) 2021-10-26 2021-10-26 三维激光点云特征点线完整准确提取方法

Publications (1)

Publication Number Publication Date
CN113963138A true CN113963138A (zh) 2022-01-21

Family

ID=79467261

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111250971.8A Pending CN113963138A (zh) 2021-10-26 2021-10-26 三维激光点云特征点线完整准确提取方法

Country Status (1)

Country Link
CN (1) CN113963138A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953400A (zh) * 2023-03-13 2023-04-11 安格利(成都)仪器设备有限公司 基于三维点云物体表面的腐蚀坑自动检测方法
CN116524109A (zh) * 2022-12-30 2023-08-01 中铁大桥科学研究院有限公司 一种基于WebGL的三维桥梁可视化方法及相关设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116524109A (zh) * 2022-12-30 2023-08-01 中铁大桥科学研究院有限公司 一种基于WebGL的三维桥梁可视化方法及相关设备
CN116524109B (zh) * 2022-12-30 2024-02-02 中铁大桥科学研究院有限公司 一种基于WebGL的三维桥梁可视化方法及相关设备
CN115953400A (zh) * 2023-03-13 2023-04-11 安格利(成都)仪器设备有限公司 基于三维点云物体表面的腐蚀坑自动检测方法

Similar Documents

Publication Publication Date Title
CN107886529B (zh) 一种用于三维重建的点云配准方法
CN109740227B (zh) 基于特征识别的微型复杂零件建模方法
Staib et al. Boundary finding with parametrically deformable models
Shi et al. The iterative closest point registration algorithm based on the normal distribution transformation
CN110222642B (zh) 一种基于全局图聚类的平面建筑构件点云轮廓提取方法
CN108038906B (zh) 一种基于图像的三维四边形网格模型重建方法
CN111986115A (zh) 激光点云噪声和冗余数据的精准剔除方法
US20070188490A1 (en) Apparatus, method and program for segmentation of mesh model data into analytic surfaces based on robust curvature estimation and region growing
CN113963138A (zh) 三维激光点云特征点线完整准确提取方法
CN109903319B (zh) 一种基于多分辨率的快速迭代最近点配准算法
CN111652855B (zh) 一种基于存活概率的点云精简方法
Guillaume et al. Curvature tensor based triangle mesh segmentation with boundary rectification
Biasotti et al. SHREC'18 track: Recognition of geometric patterns over 3D models
JP2007241996A (ja) 解析曲面セグメンテーション装置、方法、プログラム及び記録媒体
CN109034131A (zh) 一种半自动人脸关键点标注方法及存储介质
CN114510772B (zh) 基于斜扫数据建筑面轮廓的快速生成方法
CN110807781A (zh) 一种保留细节与边界特征的点云精简方法
CN115294125B (zh) 基于图形识别的肿瘤ct图像处理方法
CN111783722B (zh) 一种激光点云的车道线提取方法和电子设备
CN111754447A (zh) 基于多状态上下文隐马尔科夫模型的红外和可见光图像融合方法
CN111008989B (zh) 一种基于多值体元的机载多光谱lidar三维分割方法
CN115861247A (zh) 一种高分辨率遥感影像轮廓多级正则化方法、系统及应用
CN109035311B (zh) 一种弯骨骨折自动配准及内固定钢板预弯建模方法
CN112767429B (zh) 一种地面-雪面点云快速分割方法
CN117274339A (zh) 一种基于改进的iss-3dsc特征结合icp的点云配准方法

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