CN115131384B - 基于边缘保持的仿生机器人3d打印方法、装置及介质 - Google Patents
基于边缘保持的仿生机器人3d打印方法、装置及介质 Download PDFInfo
- Publication number
- CN115131384B CN115131384B CN202210768443.XA CN202210768443A CN115131384B CN 115131384 B CN115131384 B CN 115131384B CN 202210768443 A CN202210768443 A CN 202210768443A CN 115131384 B CN115131384 B CN 115131384B
- Authority
- CN
- China
- Prior art keywords
- points
- point cloud
- edge
- sampling
- geometric feature
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于边缘保持的仿生机器人3D打印方法、装置及介质,方法包括:获取仿生对象外观的原始点云数据;基于内在形状特征提取原始点云数据的初始几何特征点;对初始特征点进行降采样处理得到稀疏几何特征点;基于球形邻域边缘保持提取原始点云数据的初始边缘点;对初始边缘点进行降采样处理得到稀疏边缘点;聚合稀疏几何特征点和稀疏边缘点,得到最终采样点云;基于最终采样点云实现仿生机器人3D打印。本发明可实现以较少的点准确表征物体的表面结构;且本发明具有低算力、高鲁棒性等优势,对提高CAD逆向工程、点云重建、工业外观设计等领域有重要实用价值,对点云语义分割、追踪、配准等下游任务产生有益影响。
Description
技术领域
本发明涉及三维点云降采样技术领域,尤其涉及一种基于边缘保持的仿生机器人3D打印方法、装置及介质。
背景技术
仿生学是通过对各种生物系统所具有的功能原理和作用机理作为生物模型进行研究,实现新的技术设计的学科。仿生机器人将仿生学和机器人需求高度融合,被广泛应用到科学探险,救灾抢险、生命搜寻等多个领域。仿生机器人的设计包括宏观仿形与运动仿生两个阶段。在仿生设计阶段,需要逼真的模仿生物外形。常用的手段是利用扫描仪或三维重建技术重建生物的三维点云,随后使用3D打印技术得到仿生机器人的外壳。
三维点云是三维坐标系中表示物体表面特性的向量集合,这些向量通常包含X、Y、Z三维坐标,有些还包含反射强度、RGB信息、法向量等信息。随着消费级Kinect相机、激光雷达等低成本点云获取设备的大量上市,点云数据的获取变得十分简单,推动了点云处理技术在CAD逆向工程、无人驾驶、人机交互、3D打印、产品质量检查等领域的广泛应用。然而,点云的数据量一般较大,比如激光雷达Velodyne VLP 16每秒可以获得10万个点,三维扫描仪EinScan Pro每秒采集2万个点。直接将这些3D点云用于3D打印技术中,对设备提出了极大的挑战,带来了很多不必要的材料浪费。因此点云降采样是点云处理技术中不可或缺的重要环节。
传统的点云降采样方法有随机采样、格点采样、均匀采样、几何采样等。传统的点云降采样与具体任务无关。对于任何点云,FPS等均匀采样的结果都是固定的,在不同的任务中,可能会导致次优性能,比如点云在某一局部分布比较密集,如果采用传统的采样算法,在这些区域采样的概率会更高,而点云中分布较稀疏但比较重要的点(如边缘点)则可能会被忽略,从而导致点云的边缘点损失,进而影响3D打印的精度。
发明内容
本发明所要解决的技术问题是针对现有技术存在的问题,提供一种基于边缘保持的仿生机器人3D打印方法、装置及介质。
为解决上述技术问题,本发明提供一种基于边缘保持的仿生机器人3D打印方法,包括:获取仿生对象外观的原始点云数据;基于内在形状特征提取所述原始点云数据的初始几何特征点;对所述初始特征点进行降采样处理,得到稀疏几何特征点;基于球形邻域边缘保持提取所述原始点云数据的初始边缘点;对所述初始边缘点进行降采样处理,得到稀疏边缘点;聚合所述稀疏几何特征点和稀疏边缘点,得到最终采样点云;基于所述最终采样点云实现仿生机器人3D打印。
本发明的有益效果是:本发明基于内在形状特征提取几何特征点并进行降采样处理,基于球形邻域边缘保持提取边缘点并进行降采样处理,对经过降采样处理的几何特征点和边缘点进行聚合,实现最终采样点既包括几何特征点又包括边缘点,从而实现以较少的点准确表征物体的表面结构,进而可有效提高3D打印精度;且本发明具有低算力要求、高鲁棒性、能尽可能保留显著的结构点和边缘点等优势,对提高CAD逆向工程、点云重建、工业外观设计等领域有重要实用价值,对点云语义分割、追踪、配准等下游任务产生有益影响。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述基于内在形状特征提取所述原始点云数据的初始几何特征点,包括:对于所述原始点云数据中的每一个点,以当前点为球心,以第一预设值为半径绘制第一球形区域;计算所述第一球形区域内当前点与所有邻域点的散射矩阵,并对散射矩阵进行特征分解,确定当前点的特征值;按照特征值从大到小排序,选择特征值排在前K个点作为初始几何特征点,其中K为正整数。
采用上述进一步方案的有益效果是,通过计算点云中每个点与其球形区域内邻域点的散射矩阵,对散射矩阵进行特征分解获得每个点特征值,根据特征值进行排序筛选初始特征点,可有效排除点云在平面以及线上采样过多的点,并且可以检测出具有几何意义的点,从而实现对细微形状差异的有效区分。
进一步,所述对所述初始几何特征点进行降采样处理,得到稀疏几何特征点,包括:保留特征值满足以下预设条件的初始几何特征点,作为稀疏几何特征点,预设条件包括:
其中,λ1(p)、λ2(p)和λ3(p)分别为当前点p的三个特征值,且λ1(p)>λ2(p)>λ3(p);γ12=γ23=0.5;∧代表且的关系。
采用上述进一步方案的有益效果是,对初始几何特征点进行筛选,保留两个连续特征值之间的比率低于第一阈值的点,以避免检测到的几何特征点距离彼此过近。
进一步,所述基于球形邻域边缘保持提取所述原始点云数据的初始边缘点,包括:对于所述原始点云数据中的每一个点,以当前点为球心,以第二预设值为半径绘制第二球形区域,统计所述第二球形区域内当前点的邻域点数目,将邻域点数目小于阈值的当前点作为初始边缘点。
采用上述进一步方案的有益效果是,通过对点云中每个点球形区域内邻域点的数目进行统计,去掉邻域点数目过多的点,保留邻域点数目较少的点,实现快速准确地筛选边缘点。
进一步,对所述初始边缘点进行降采样处理,得到稀疏边缘点,包括:利用随机下采样方式对所述初始边缘点进行降采样,得到稀疏边缘点。
采用上述进一步方案的有益效果是,通过随机下采样方式可快速得到稀疏边缘点。
进一步,所述聚合所述稀疏几何特征点和稀疏边缘点之前,还包括:计算稀疏几何特征点与稀疏边缘点的距离,删除距离小于第一阈值的稀疏几何特征点。
采用上述进一步方案的有益效果是,计算几何特征点与边缘点的距离,删除距离小于第一阈值的稀疏几何特征点,仅保留距离大于第一阈值的几何特征点,避免由于某些几何特征点和边缘点距离过近,直接组合会造成采样点的浪费的情况。
进一步,所述基于所述最终采样点云实现仿生机器人3D打印之前,还包括:对所述最终采样点云的采样精度进行评定,具体包括:计算所述最终采样点云中的每一个点到真值点云中点的最小欧式距离;将所述最终采样点云中所有点到真值点云的最小欧式距离的平均值作为采样损失;所述平均值越大,则采样损失越多,反之,采样损失越少;其中,所述真值点云为对所述原始点云数据进行随机采样获取的采样结果。
采用上述进一步方案的有益效果是,通过计算最终采样点云中的每一个点到真值点云中点的最小欧式距离;将最终采样点云中所有点到真值点云的最小欧式距离的平均值作为采样损失的方式进行采样精度评定,评定结果可准确反应采样过程对几何结构的保留程度。
为解决上述技术问题,本发明提供一种基于边缘保持的仿生机器人3D打印装置,包括:数据获取模块,用于获取仿生对象外观的原始点云数据;几何特征点提取模块,用于基于内在形状特征提取所述原始点云数据的初始几何特征点;几何特征点降采样模块,用于对所述初始特征点进行降采样处理,得到稀疏几何特征点;边缘点提取模块,用于基于球形邻域边缘保持提取所述原始点云数据的初始边缘点;边缘点降采样模块,用于对所述初始边缘点进行降采样处理,得到稀疏边缘点;采样点聚合模块,用于聚合所述稀疏几何特征点和稀疏边缘点,得到最终采样点云;打印控制模块,用于基于所述最终采样点云实现仿生机器人3D打印。
为解决上述技术问题,本发明提供一种基于边缘保持的仿生机器人3D打印装置,包括存储器、处理器及存储在所述存储器上的并可在所述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上述技术方案所述的基于边缘保持的仿生机器人3D打印方法。
为解决上述技术问题,本发明提供一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使所述计算机执行根据上述技术方案所述的基于边缘保持的仿生机器人3D打印方法。
本发明附加的方面及其优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明实践了解到。
附图说明
图1为本发明一实施例提供的基于边缘保持的仿生机器人3D打印方法流程图;
图2为本发明实施例提供的降采样后的几何特征点分布情况示意图;
图3为本发明实施例提供的初始边缘点分布情况示意图;
图4为本发明另一实施例提供的基于边缘保持的仿生机器人3D打印方法流程图;
图5为本发明实施例提供的聚合后的最终采样点分布情况示意图;
图6为本发明实施例提供的点云采样及精度评定流程示意图;
图7为本发明实施例提供的采样点云和真值点云欧式距离可视化结果示意图;
图8为本发明实施例提供的基于边缘保持的仿生机器人3D打印装置结构框图。
具体实施方式
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述 的实施例仅仅是本公开的一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
如图1所示,本发明一实施例提供一种基于边缘保持的仿生机器人3D打印方法,包括:
S110,获取仿生对象外观的原始点云数据。
具体地,本发明实施例可通过消费级Kinect相机、激光雷达VelodyneVLP和三维扫描仪EinScan Pro等点云获取设备来获取仿生对象外观的原始点云数据。
S120,基于内在形状特征提取所述原始点云数据的初始几何特征点。
对于所述原始点云数据中的每一个点,以当前点为球心,以第一预设值为半径绘制第一球形区域;计算所述第一球形区域内当前点与所有邻域点的散射矩阵,并对散射矩阵进行特征分解,确定当前点的特征值λ1、λ2和λ3,且λ1>λ2>λ3;按照特征值从大到小排序(一般以最小值λ3为依据进行排序),选择特征值排在前K个点作为初始几何特征点,其中K为正整数。散射矩阵公式如下:
S130,对所述初始特征点进行降采样处理,得到稀疏几何特征点;
上述基于内在形状特征ISS采样得到的特征点,可能会过于密集的分布在某个几何特征较明显的区域。本发明实施例根据如下公式(2)对初始几何特征点进行筛选,保留两个连续特征值之间的比率低于第一阈值的点,以避免检测到的关键点距离彼此过近。
其中,λ1(p)、λ2(p)和λ3(p)分别为当前点p的三个特征值,且λ1(p)>λ2(p)>λ3(p);γ12=γ23=0.5;∧代表且的关系。降采样后的几何特征点如下图2所示,其中白色的点为利用显著性检测到的特征点,利用显著性检测到的特征点大多分布在几何特征丰富的地区:如边缘点、凸起点。
S140,基于球形邻域边缘保持提取所述原始点云数据的初始边缘点。
对于所述原始点云数据中的每一个点,以当前点为球心,以第二预设值为半径绘制第二球形区域,统计所述第二球形区域内当前点的邻域点数目,将邻域点数目小于阈值的当前点作为初始边缘点。其中,统计所述第二球形区域内当前点的邻域点数目,计算公式如下:
其中,M为第二球形区域内当前点的领域点数目,di为原始点云数据中第i个点距当前点的距离,n为所述原始点云数据中所有点的个数;当di<R时取1,反之取0;R为第二预设值,本发明实施例中R设置为0.01,[.]为艾佛森括号。统计第二球形区域内所有邻域点的数目,当第二球形区域内当前点的所有邻域点数目M小于阈值pk,pk设置为16,则将该当前点表示为边缘点。得到的初始边缘点分布情况如图3所示,白色的点为检测到的初始边缘点。
S150,对所述初始边缘点进行降采样处理,得到稀疏边缘点。
如图3所示,检测出的初始边缘点过于密集,本发明实施例对初始边缘点再进行下采样。具体利用随机下采样方式对所述初始边缘点进行降采样,得到稀疏边缘点。
S160,聚合所述稀疏几何特征点和稀疏边缘点,得到最终采样点云;
S170,基于所述最终采样点云实现仿生机器人3D打印。
本发明上述实施例基于内在形状特征提取几何特征点并进行降采样处理,基于球形邻域边缘保持提取边缘点并进行降采样处理,对经过降采样处理的几何特征点和边缘点进行聚合,实现最终采样点既包括几何特征点又包括边缘点,从而实现以较少的点准确表征物体的表面结构,进而可有效提高3D打印精度;;且本发明具有低算力要求、高鲁棒性、能尽可能保留显著的结构点和边缘点等优势,对提高CAD逆向工程、点云重建、工业外观设计等领域有重要实用价值,对点云语义分割、追踪、配准等下游任务产生有益影响。
如图4所示,本发明另一实施例提供一种基于边缘保持的仿生机器人3D打印方法,包括:
S110,获取仿生对象外观的原始点云数据。
本发明实施例可通过消费级Kinect相机、激光雷达Velodyne VLP和三维扫描仪EinScan Pro等点云获取设备来获取仿生对象外观的原始点云数据。
S120,基于内在形状特征提取所述原始点云数据的初始几何特征点.
具体地,对于所述原始点云数据中的每一个点,以当前点为球心,以第一预设值为半径绘制第一球形区域;计算所述第一球形区域内当前点与所有邻域点的散射矩阵,并对散射矩阵进行特征分解,确定当前点的特征值λ1、λ2和λ3,且λ1>λ2>λ3;按照特征值从大到小排序,选择特征值排在前K个点作为初始几何特征点,其中K为正整数。
S130,对所述初始特征点进行降采样处理,得到稀疏几何特征点。
具体地,保留两个连续特征值之间的比率低于第一阈值的点,以避免检测到的关键点距离彼此过近。
S140,基于球形邻域边缘保持提取所述原始点云数据的初始边缘点。
对于所述原始点云数据中的每一个点,以当前点为球心,以第二预设值为半径绘制第二球形区域,统计所述第二球形区域内当前点的邻域点数目,将邻域点数目小于阈值的当前点作为初始边缘点。
S150,对所述初始边缘点进行降采样处理,得到稀疏边缘点。
本发明实施例可利用随机下采样方式对所述初始边缘点进行降采样,得到稀疏边缘点。
S180,计算稀疏几何特征点与稀疏边缘点的距离,删除距离小于第一阈值的稀疏几何特征点。
S130和S150步骤检测出的某些几何特征点和边缘点距离可能过近,直接组合会造成采样点的浪费。本发明实施例可通过计算几何特征点与边缘点的距离,仅保留距离大于第一阈值的几何特征点。
S160,聚合所述稀疏几何特征点和稀疏边缘点,得到最终采样点云;
将边缘点和显著性采样得到的几何特征点组合在一起,得到最终的采样点云。如图5所示,图中所示的面片为3D扫描的点云,白色的点为聚合后的ISS特征点以及边缘点聚合的点。可以看出本发明实施例的采样结果可以较好的保存边缘点,同时显著性检测的特征点也可以在点数相同时,最大限度的保留结构信息。
S170,基于所述最终采样点云实现仿生机器人3D打印。
如图6所述,本发明实施例在执行完采样点聚合后,还可执行精度评定。该实施例中主要包括以下六部分:S1,使用内在形状特征(ISS)计算显著性,提取出初始几何特征点;S2,对初始几何特征点进行降采样处理,得到稀疏几何特征点;S3,基于球形邻域边缘保持提取初始边缘点,S4,使用随机降采样的方式进行降采样;S5,计算S2和S4中的点的距离,进一步剔除距离过近的点,并将剩余的点聚合在一起作为最终的采样点。将采样的结果在S6中做精度评定。
精度评定过程具体包括:计算所述最终采样点云中的每一个点到真值点云中点的最小欧式距离;将所述最终采样点云中所有点到真值点云的最小欧式距离的平均值作为采样损失;所述平均值越大,则采样损失越多,反之,采样损失越少;其中,所述真值点云为对所述原始点云数据进行随机采样获取的采样结果。
在一个具体实施例中,首先将扫描的点云,利用随机采样的方式采样到5万个点。由于该点云尺寸不大,5万个随机点可以近似涵盖外壳的精细结构以及边缘点。以上述5万个点组成的点云作为真值点云,计算利用本发明实施例的采样方法采样得到的点云中的每一个点x到真值点云S2中点的最小欧式距离d(x,S2),定义如下:
其中,x为利用本发明实施例的采样方法采样得到的点云中的一个点,S2代表真值点云,y为真值点云中的一个点。将利用本发明实施例的采样方法采样得到的点云S1中所有点到真值点云S2的最小欧式距离的平均值作为采样损失。该距离平均值越大,则采样损失越多,反之,采样损失越少。最后统计出平均距离小于0.02微米的点占采样点云点数的百分比。精度评定结果如下图7所示。
其中图7表示采样点云和真值点云欧式距离可视化结果,统计了该距离的平均值,以及距离小于阈值(本部分设置为:0.02)的百分比。
现有技术中,尚未有点云采样精度评定的可行方案。本发明实施例中,通过计算最终采样点云中的每一个点到真值点云中点的最小欧式距离;将最终采样点云中所有点到真值点云的最小欧式距离的平均值作为采样损失的方式进行采样精度评定,评定结果可准确反应采样过程对几何结构的保留程度。
本发明实施例用较低的算力,高效,鲁棒的提取出点云的结构点以及边缘,对提高CAD逆向工程、点云重建、工业外观设计等领域有重要实用价值,预期对点云语义分割、追踪、配准等下游任务产生有益影响。
如图8所示,本发明实施例提供一种基于边缘保持的仿生机器人3D打印装置,包括:数据获取模块、几何特征点提取模块,几何特征点降采样模块、边缘点提取模块、边缘点降采样模块、采样点聚合模块和打印控制模块。
数据获取模块,用于获取仿生对象外观的原始点云数据;几何特征点提取模块,用于基于内在形状特征提取所述原始点云数据的初始几何特征点;几何特征点降采样模块,用于对所述初始特征点进行降采样处理,得到稀疏几何特征点;边缘点提取模块,用于基于球形邻域边缘保持提取所述原始点云数据的初始边缘点;边缘点降采样模块,用于对所述初始边缘点进行降采样处理,得到稀疏边缘点;采样点聚合模块,用于聚合所述稀疏几何特征点和稀疏边缘点,得到最终采样点云;打印控制模块,用于基于所述最终采样点云实现仿生机器人3D打印。
本发明实施例提供一种基于边缘保持的仿生机器人3D打印装置,包括存储器、处理器及存储在所述存储器上的并可在所述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上述实施例提供的基于边缘保持的仿生机器人3D打印方法。
本发明实施例提供一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使所述计算机执行根据上述实施例提供的基于边缘保持的仿生机器人3D打印方法。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于边缘保持的仿生机器人3D打印方法,其特征在于,包括:
获取仿生对象外观的原始点云数据;
基于内在形状特征提取所述原始点云数据的初始几何特征点;
对所述初始几何特征点进行降采样处理,得到稀疏几何特征点;
基于球形邻域边缘保持提取所述原始点云数据的初始边缘点;
对所述初始边缘点进行降采样处理,得到稀疏边缘点;
聚合所述稀疏几何特征点和稀疏边缘点,得到最终采样点云;
基于所述最终采样点云实现仿生机器人3D打印。
2.根据权利要求1所述的方法,其特征在于,所述基于内在形状特征提取所述原始点云数据的初始几何特征点,包括:
对于所述原始点云数据中的每一个点,以当前点为球心,以第一预设值为半径绘制第一球形区域;
计算所述第一球形区域内当前点与所有邻域点的散射矩阵,并对散射矩阵进行特征分解,确定当前点的特征值;
按照特征值从大到小排序,选择特征值排在前K个点作为初始几何特征点,其中K为正整数。
4.根据权利要求1所述的方法,其特征在于,所述基于球形邻域边缘保持提取所述原始点云数据的初始边缘点,包括:对于所述原始点云数据中的每一个点,以当前点为球心,以第二预设值为半径绘制第二球形区域,统计所述第二球形区域内当前点的邻域点数目,将邻域点数目小于第一阈值的当前点作为初始边缘点。
5.根据权利要求1所述的方法,其特征在于,所述对所述初始边缘点进行降采样处理,得到稀疏边缘点,包括:利用随机下采样方式对所述初始边缘点进行降采样,得到稀疏边缘点。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述聚合所述稀疏几何特征点和稀疏边缘点之前,还包括:计算所述稀疏几何特征点与所述稀疏边缘点的距离,删除距离小于第二阈值的稀疏几何特征点。
7.根据权利要求1至5任一项所述的方法,其特征在于,所述基于所述最终采样点云实现仿生机器人3D打印之前,还包括:对所述最终采样点云的采样精度进行评定,具体包括:
计算所述最终采样点云中的每一个点到真值点云中点的最小欧式距离;
将所述最终采样点云中所有点到真值点云的最小欧式距离的平均值作为采样损失;所述平均值越大,则采样损失越多,反之,采样损失越少;
其中,所述真值点云为对所述原始点云数据进行随机采样获取的采样结果。
8.一种基于边缘保持的仿生机器人3D打印装置,其特征在于,包括:
数据获取模块,用于获取仿生对象外观的原始点云数据;
几何特征点提取模块,用于基于内在形状特征提取所述原始点云数据的初始几何特征点;
几何特征点降采样模块,用于对所述初始几何特征点进行降采样处理,得到稀疏几何特征点;
边缘点提取模块,用于基于球形邻域边缘保持提取所述原始点云数据的初始边缘点;
边缘点降采样模块,用于对所述初始边缘点进行降采样处理,得到稀疏边缘点;
采样点聚合模块,用于聚合所述稀疏几何特征点和稀疏边缘点,得到最终采样点云;
打印控制模块,用于基于所述最终采样点云实现仿生机器人3D打印。
9.一种基于边缘保持的仿生机器人3D打印装置,其特征在于,包括存储器、处理器及存储在所述存储器上的并可在所述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7任一项所述的基于边缘保持的仿生机器人3D打印方法。
10.一种计算机可读存储介质,包括指令,其特征在于,当所述指令在计算机上运行时,使所述计算机执行根据权利要求1至7任一项所述的基于边缘保持的仿生机器人3D打印方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210768443.XA CN115131384B (zh) | 2022-06-30 | 2022-06-30 | 基于边缘保持的仿生机器人3d打印方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210768443.XA CN115131384B (zh) | 2022-06-30 | 2022-06-30 | 基于边缘保持的仿生机器人3d打印方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115131384A CN115131384A (zh) | 2022-09-30 |
CN115131384B true CN115131384B (zh) | 2023-04-07 |
Family
ID=83382852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210768443.XA Active CN115131384B (zh) | 2022-06-30 | 2022-06-30 | 基于边缘保持的仿生机器人3d打印方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115131384B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115816834B (zh) * | 2023-02-20 | 2023-04-25 | 常熟理工学院 | 用于打印机打印质量实时监测的方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581473A (zh) * | 2022-03-14 | 2022-06-03 | 深圳市凌云视迅科技有限责任公司 | 一种适用于多种场景的点云降采样方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512665B (zh) * | 2015-12-11 | 2018-10-30 | 中国测绘科学研究院 | 一种机载激光雷达点云数据边缘提取方法 |
CN107220928A (zh) * | 2017-05-31 | 2017-09-29 | 中国工程物理研究院应用电子学研究所 | 一种牙齿ct图像像素数据转化至3d打印数据的方法 |
CN113012177A (zh) * | 2021-04-02 | 2021-06-22 | 上海交通大学 | 基于几何特征提取和边缘感知编码的三维点云分割方法 |
-
2022
- 2022-06-30 CN CN202210768443.XA patent/CN115131384B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581473A (zh) * | 2022-03-14 | 2022-06-03 | 深圳市凌云视迅科技有限责任公司 | 一种适用于多种场景的点云降采样方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115131384A (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gilani et al. | Learning from millions of 3D scans for large-scale 3D face recognition | |
Howard et al. | Mobilenets: Efficient convolutional neural networks for mobile vision applications | |
Li et al. | Multi-scale neighborhood feature extraction and aggregation for point cloud segmentation | |
CN109543548A (zh) | 一种人脸识别方法、装置及存储介质 | |
CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN111723721A (zh) | 基于rgb-d的三维目标检测方法、系统及装置 | |
CN102880862B (zh) | 一种人脸表情的识别方法及系统 | |
CN111753698A (zh) | 一种多模态三维点云分割系统和方法 | |
CN108764358A (zh) | 一种太赫兹图像识别方法、装置、设备及可读存储介质 | |
CN111652974A (zh) | 三维人脸模型的构建方法、装置、设备及存储介质 | |
CN109948457B (zh) | 基于卷积神经网络和cuda加速的实时目标识别方法 | |
CN112356019B (zh) | 一种用于灵巧手抓取的目标物体形体分析方法及装置 | |
CN112861919A (zh) | 一种基于改进YOLOv3-tiny的水下声纳图像目标检测方法 | |
CN111242122A (zh) | 一种轻量级深度神经网络旋转目标检测方法和系统 | |
CN110503113A (zh) | 一种基于低秩矩阵恢复的图像显著性目标检测方法 | |
WO2017070923A1 (zh) | 一种人脸识别方法和装置 | |
CN115131384B (zh) | 基于边缘保持的仿生机器人3d打印方法、装置及介质 | |
CN114724218A (zh) | 视频检测方法、装置、设备及介质 | |
CN112612011A (zh) | 基于kd-树空间搜索的dbscan生命探测雷达点迹凝聚方法和系统 | |
Angelopoulou et al. | Fast 2d/3d object representation with growing neural gas | |
Xiang et al. | Interactive natural image segmentation via spline regression | |
CN115797751A (zh) | 基于对比掩码图像建模的图像分析方法与系统 | |
CN109299702B (zh) | 一种基于深度时空图的人体行为识别方法及系统 | |
Ma et al. | Noise-against skeleton extraction framework and application on hand gesture recognition | |
CN111368865A (zh) | 遥感影像储油罐检测方法、装置、可读存储介质及设备 |
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 |