CN116468767A - 基于局部几何特征和隐式距离场的飞机表面重建方法 - Google Patents

Abstract

本发明提供一种基于局部几何特征和隐式距离场的飞机表面重建方法，包括基于点云中的每个点的高斯分布，在点云表面采样，得到点云表面附近的查询点集合；根据查询点周围的点云形状和局部几何结构确定查询点的关键几何特征；构建飞机表面的隐式距离场网络，以确定查询点到点云表面的有符号距离函数的值；更新查询点在三维空间中的位置，根据查询点在三维空间中更新后的位置训练飞机表面的隐式距离场网络；将点云中的每个点输入训练好的飞机表面的隐式距离场网络中，确定点云中每个点的有符号距离函数的值；根据点云中每个点的有符号距离函数的值重建飞机表面。本发明解决现有大型飞机表面重建算法中特征向量缺失和表面不准确的问题。

Description

基于局部几何特征和隐式距离场的飞机表面重建方法

技术领域

本发明属于三维点云曲面重建技术领域，尤其涉及一种基于局部几何特征和隐式距离场的飞机表面重建方法。

背景技术

在大型飞机试验中，通过逆向工程建立飞机外形、结构及工艺装备的数字化模型，以充分发挥数字化的优势，实现智能化、集成化的产品数据交换，利用数字化设计、虚拟装配等数字化手段，可以缩短大飞机改进改型的周期。由于采集到的大飞机点云模型是离散的，不足以模拟大飞机在飞行中遇到的复杂物理过程，因此对大飞机进行表面重建是大飞机数字化建模过程中最关键的环节之一。

大型飞机表面重建是指，利用数字化技术将大型飞机表面的实际曲面形状数字化成为计算机可处理的数值模型，以便于进行后续的设计、制造、维护等工作，主要应用于飞机的外形设计、空气动力学分析、结构分析、维修保养等领域。具体来说，通过利用三维扫描技术获取大型飞机的表面的点云数据，然后通过三维重建算法将点云数据转化为平滑连续的曲面模型，最终得到可用于计算机处理的数值模型。但目前的曲面重建方法不能较好地保留飞机表面的几何特征，影响后续的试验准确度和精度。

发明内容

本发明针对现有技术中的不足，提供一种基于局部几何特征和隐式距离场的飞机表面重建方法。

本发明提供一种基于局部几何特征和隐式距离场的飞机表面重建方法，包括：

获取飞机表面的点云；

基于点云中的每个点的高斯分布，在点云表面采样，得到点云表面附近的查询点集合；

根据查询点周围的点云形状和局部几何结构确定查询点的关键几何特征；

根据查询点和查询点在点云上的自适应局部几何特征向量构建飞机表面的隐式距离场网络，以确定查询点到点云表面的有符号距离函数的值；

根据查询点在飞机表面的隐式距离场网络中的有符号距离函数的值和梯度方向，更新查询点在三维空间中的位置；

根据查询点在三维空间中更新后的位置训练飞机表面的隐式距离场网络；

将点云中的每个点输入训练好的飞机表面的隐式距离场网络中，确定点云中每个点的有符号距离函数的值；

根据点云中每个点的有符号距离函数的值重建飞机表面。

进一步地，所述基于点云中的每个点的高斯分布，在点云表面采样，得到点云表面附近的查询点集合，包括：

对于点云中的目标点p，建立各向同性的高斯函数，得到点云中目标点p的高斯分布Guss(p,σ²)，其中σ²为用于控制采样的查询点至点云表面距离的参数；

在点云中目标点p的高斯分布中随机采样多个查询点，得到点云表面的查询点集合Q。

进一步地，所述根据查询点周围的点云形状和局部几何结构确定查询点的关键几何特征，包括：

将点云输入点卷积神经网络FKAconv中进行特征提取，得到点云中目标点的几何特征F_p；

寻找查询点集合Q中的目标查询点q在点云P上的局部邻域N，将目标查询点q与局部邻域N中的目标点a的特征向量F_p相减后输入多层感知机和ReLU激活函数中，得到目标查询点q和局部邻域N中的目标点a融合后的相对特征向量F_a,q；

采用自注意力机制，对于目标查询点q和相对特征向量F_a,q，通过线性层和softmax激活函数，将每个相对特征向量F_a,q映射到注意力系数上，并进行归一化，得到局部邻域N中目标点a相对于目标查询点q的自适应权重系数Y_a,q；根据自适应权重系数Y_a,q与相对特征向量F_a,q提取目标查询点q在点云上的自适应局部几何特征向量F_q。

进一步地，所述根据查询点和查询点在点云上的自适应局部几何特征向量构建飞机表面的隐式距离场网络，以确定查询点到点云表面的有符号距离函数的值，包括：

将查询点集合Q中的目标查询点q和自适应局部几何特征向量F_q输入飞机表面的隐式距离场网络f中训练，学习目标查询点q的有符号距离函数的值。

进一步地，所述根据查询点在飞机表面的隐式距离场网络中的有符号距离函数的值和梯度方向，更新查询点在三维空间中的位置，包括：

根据以下公式计算目标查询点q在飞机表面的隐式距离场网络f中的梯度

其中，和/>分别为三维空间中的x轴，y轴和z轴三个方向求偏导；f(F_q,q)为隐式距离场网络f以自适应局部几何特征向量F_q为输入，在目标查询点q时的隐式函数；

根据以下公式计算目标查询点q更新后的空间坐标q'：

其中，||·||为表示模长；表示目标查询点q的梯度方向，目标查询点q在点云表面外时距离为正，沿着梯度反方向移动；当目标查询点q在点云表面内时距离为负，沿着梯度正方向移动。

进一步地，所述根据查询点在三维空间中更新后的位置训练飞机表面的隐式距离场网络，包括：

采用平方误差函数最小化更新后的目标查询点q'的位置到目标查询点q在点云表面上的最近点t之间的距离d(q′,t)：

其中，I为查询点集合中查询点的总数。

进一步地，所述根据点云中每个点的有符号距离函数的值重建飞机表面，包括：

将点云中每个点的有符号距离函数的值输入至Marching Cubes算法以重建飞机表面，得到飞机网格模型。

进一步地，所述采用自注意力机制，对于目标查询点q和相对特征向量F_a,q，通过线性层和softmax激活函数，将每个相对特征向量F_a,q映射到注意力系数上，并进行归一化，得到局部邻域N中目标点a相对于目标查询点q的自适应权重系数Y_a,q；根据自适应权重系数Y_a,q与相对特征向量F_a,q提取目标查询点q在点云上的自适应局部几何特征向量F_q，包括：

根据以下公式计算局部邻域N中目标点a相对于目标查询点q的自适应权重系数Y_a,q：

其中，W_a,q为目标查询点q与局部邻域N中的目标点a之间的权重向量；a₁为全连接层的权重；b₁为全连接层的偏置；k为局部邻域N中点的总数；

根据以下公式计算目标查询点q在点云上的自适应局部几何特征向量F_q：

本发明提供一种基于局部几何特征和隐式距离场的飞机表面重建方法，包括获取飞机表面的点云；基于点云中的每个点的高斯分布，在点云表面采样，得到点云表面附近的查询点集合；根据查询点周围的点云形状和局部几何结构确定查询点的关键几何特征；根据查询点和查询点在点云上的自适应局部几何特征向量构建飞机表面的隐式距离场网络，以确定查询点到点云表面的有符号距离函数的值；根据查询点在飞机表面的隐式距离场网络中的有符号距离函数的值和梯度方向，更新查询点在三维空间中的位置，根据查询点在三维空间中更新后的位置训练飞机表面的隐式距离场网络；将点云中的每个点输入训练好的飞机表面的隐式距离场网络中，确定点云中每个点的有符号距离函数的值；根据点云中每个点的有符号距离函数的值重建飞机表面。

本发明根据点云表面分布和局部几何结构来自适应地提取飞机局部表面特征向量，并将此特征向量输入网络中进行学习，构建飞机表面的隐式距离场，预测点云表面的查询点的符号距离。最后使用训练好的网络来预测点云中每个点的有符号距离函数的值，进而使用传统算法重建出准确的、几何信息丰富的飞机表面，解决现有大型飞机表面重建算法中特征向量缺失、表面不准确的问题。

附图说明

为了更清楚地说明本发明的技术方案，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实施例，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于局部几何特征和隐式距离场的飞机表面重建方法的流程图；

图2为本发明实施例提供的基于自适应局部几何特征向量和隐式距离场对大飞机表面重建的效果图。

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、完整的描述，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，都属于本发明保护的范围。

如图1所示，本发明实施例提供一种基于局部几何特征和隐式距离场的飞机表面重建方法，包括：

步骤101，获取飞机表面的点云。

使用LeicaATS960绝对跟踪仪从多个站点采集激光点云数据，所有站点覆盖飞机蒙皮关键特征向量检测区域表面。使用点云拼接技术将所有站点的点云数据拼接为完整飞机表面点云数据。

步骤102，基于点云中的每个点的高斯分布，在点云表面采样，得到点云表面附近的查询点集合。

对于点云中的目标点p，建立各向同性的高斯函数，得到点云中目标点p的高斯分布Guss(p,σ²)。其中σ²为用于控制采样的查询点至点云表面距离的参数。示例性地，σ²为点云中的目标点p距离到目标点p在点云中第50个邻域点的距离的平方。

在点云中目标点p的高斯分布中随机采样多个查询点。示例性地随机采样20个查询点，得到点云表面的查询点集合Q。

步骤103，根据查询点周围的点云形状和局部几何结构确定查询点的关键几何特征。

将点云输入点卷积神经网络FKAconv中进行特征提取，得到点云中目标点的几何特征F_p。

寻找查询点集合Q中的目标查询点q在点云P上的局部邻域N，局部邻域N中的点的数量为64(即点云中到目标查询点q距离最近的64个点构成局部邻域N)，将目标查询点q与局部邻域N中的目标点a的特征向量F_p相减后输入多层感知机和ReLU激活函数中，得到目标查询点q和局部邻域N中的目标点a融合后的相对特征向量F_a,q。

采用自注意力机制，对于目标查询点q和相对特征向量F_a,q，通过线性层和softmax激活函数，将每个相对特征向量F_a,q映射到注意力系数上，并进行归一化，得到局部邻域N中目标点a相对于目标查询点q的自适应权重系数Y_a,q；(线性层包括全连接层和ReLU激活函数，F_a,q先通过线性层，得到目标查询点q与局部邻域N中目标点a之间的权重向量W_a,q；然后将权重向量W_a,q输入softmax激活函数进行归一化处理，得到目标查询点q与局部邻域N中目标点a之间的自适应权重系数Y_a,q(局部邻域N中有64个点，所以64个Y_a,q的和为一))；根据自适应权重系数Y_a,q与相对特征向量F_a,q提取目标查询点q在点云上的自适应局部几何特征向量F_q。

示例性地，根据以下公式计算局部邻域N中目标点a相对于目标查询点q的自适应权重系数Y_a,q：

其中，W_a,q为目标查询点q与局部邻域N中的目标点a之间的权重向量；a₁为全连接层的权重；b₁为全连接层的偏置；k为局部邻域N中点的总数；ReLu为激活函数，exp(·)以自然常数e为底的指数函数，e近似等于2.718281828。

根据以下公式计算目标查询点q在点云上的自适应局部几何特征向量F_q：

步骤104，根据查询点和查询点在点云上的自适应局部几何特征向量构建飞机表面的隐式距离场网络，以确定查询点到点云表面的有符号距离函数的值。

将查询点集合Q中的目标查询点q和自适应局部几何特征向量F_q输入飞机表面的隐式距离场网络f中训练，学习目标查询点q的有符号距离函数的值。飞机表面的隐式距离场网络f由带有残差块的全连接层网络和批标准化处理操作组成。

步骤105，根据查询点在飞机表面的隐式距离场网络中的有符号距离函数的值和梯度方向，更新查询点在三维空间中的位置。

根据以下公式计算目标查询点q在飞机表面的隐式距离场网络f中的梯度

其中，和/>分别为三维空间中的x轴，y轴和z轴三个方向求偏导；f(F_q,q)为隐式距离场网络f以自适应局部几何特征向量F_q为输入，在目标查询点q时的隐式函数。

根据以下公式计算目标查询点q更新后的空间坐标q'：

其中，||·||为表示模长；表示目标查询点q的梯度方向，目标查询点q在点云表面外时距离为正，沿着梯度反方向移动；当目标查询点q在点云表面内时距离为负，沿着梯度正方向移动。

步骤106，根据查询点在三维空间中更新后的位置训练飞机表面的隐式距离场网络。

采用平方误差函数最小化更新后的目标查询点q'的位置到目标查询点q在点云表面上的最近点t之间的距离d(q′,t)：

其中，I为查询点集合中查询点的总数。

步骤107，将点云中的每个点输入训练好的飞机表面的隐式距离场网络中，确定点云中每个点的有符号距离函数的值。

步骤108，根据点云中每个点的有符号距离函数的值重建飞机表面。

如图2所示，将点云中每个点的有符号距离函数的值输入至Marching Cubes算法以重建飞机表面，得到飞机网格模型。

本发明根据点云表面分布和局部几何结构来自适应地提取飞机局部表面特征向量，并将此特征向量输入网络中进行学习，构建飞机表面的隐式距离场，预测点云表面的查询点的符号距离。最后使用训练好的网络来预测点云中每个点的有符号距离函数的值，进而使用传统算法重建出准确的、几何信息丰富的飞机表面，解决现有大型飞机表面重建算法中特征向量缺失、表面不准确的问题。

以上结合具体实施方式和范例性实例对本发明进行了详细说明，不过这些说明并不能理解为对本发明的限制。本领域技术人员理解，在不偏离本发明精神和范围的情况下，可以对本发明技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本发明的范围内。本发明的保护范围以所附权利要求为准。

Claims (8)

1.一种基于局部几何特征和隐式距离场的飞机表面重建方法，其特征在于，包括：

获取飞机表面的点云；

基于点云中的每个点的高斯分布，在点云表面采样，得到点云表面附近的查询点集合；

根据查询点周围的点云形状和局部几何结构确定查询点的关键几何特征；

根据查询点和查询点在点云上的自适应局部几何特征向量构建飞机表面的隐式距离场网络，以确定查询点到点云表面的有符号距离函数的值；

根据查询点在飞机表面的隐式距离场网络中的有符号距离函数的值和梯度方向，更新查询点在三维空间中的位置；

根据查询点在三维空间中更新后的位置训练飞机表面的隐式距离场网络；

将点云中的每个点输入训练好的飞机表面的隐式距离场网络中，确定点云中每个点的有符号距离函数的值；

根据点云中每个点的有符号距离函数的值重建飞机表面。

2.根据权利要求1所述的飞机表面重建方法，其特征在于，所述基于点云中的每个点的高斯分布，在点云表面采样，得到点云表面附近的查询点集合，包括：

对于点云中的目标点p，建立各向同性的高斯函数，得到点云中目标点p的高斯分布Guss(p,σ²)，其中σ²为用于控制采样的查询点至点云表面距离的参数；

在点云中目标点p的高斯分布中随机采样多个查询点，得到点云表面的查询点集合Q。

3.根据权利要求1所述的飞机表面重建方法，其特征在于，所述根据查询点周围的点云形状和局部几何结构确定查询点的关键几何特征，包括：

将点云输入点卷积神经网络FKAconv中进行特征提取，得到点云中目标点的几何特征F_p；

寻找查询点集合Q中的目标查询点q在点云P上的局部邻域N，将目标查询点q与局部邻域N中的目标点a的特征向量F_p相减后输入多层感知机和ReLU激活函数中，得到目标查询点q和局部邻域N中的目标点a融合后的相对特征向量F_a,q；

采用自注意力机制，对于目标查询点q和相对特征向量F_a,q，通过线性层和softmax激活函数，将每个相对特征向量F_a,q映射到注意力系数上，并进行归一化，得到局部邻域N中目标点a相对于目标查询点q的自适应权重系数Y_a,q；根据自适应权重系数Y_a,q与相对特征向量F_a,q提取目标查询点q在点云上的自适应局部几何特征向量F_q。

4.根据权利要求1所述的飞机表面重建方法，其特征在于，所述根据查询点和查询点在点云上的自适应局部几何特征向量构建飞机表面的隐式距离场网络，以确定查询点到点云表面的有符号距离函数的值，包括：

将查询点集合Q中的目标查询点q和自适应局部几何特征向量F_q输入飞机表面的隐式距离场网络f中训练，学习目标查询点q的有符号距离函数的值。

5.根据权利要求1所述的飞机表面重建方法，其特征在于，所述根据查询点在飞机表面的隐式距离场网络中的有符号距离函数的值和梯度方向，更新查询点在三维空间中的位置，包括：

根据以下公式计算目标查询点q在飞机表面的隐式距离场网络f中的梯度

其中，和/>分别为三维空间中的x轴，y轴和z轴三个方向求偏导；f(F_q,q)为隐式距离场网络f以自适应局部几何特征向量F_q为输入，在目标查询点q时的隐式函数；

根据以下公式计算目标查询点q更新后的空间坐标q'：

其中，||·||表示模长；表示目标查询点q的梯度方向，目标查询点q在点云表面外时距离为正，沿着梯度反方向移动；当目标查询点q在点云表面内时距离为负，沿着梯度正方向移动。

6.根据权利要求5所述的飞机表面重建方法，其特征在于，所述根据查询点在三维空间中更新后的位置训练飞机表面的隐式距离场网络，包括：

采用平方误差函数最小化更新后的目标查询点q'的位置到目标查询点q在点云表面上的最近点t之间的距离d(q′,t)：

其中，I为查询点集合中查询点的总数。

7.根据权利要求1所述的飞机表面重建方法，其特征在于，所述根据点云中每个点的有符号距离函数的值重建飞机表面，包括：

将点云中每个点的有符号距离函数的值输入至Marching Cubes算法以重建飞机表面，得到飞机网格模型。

8.根据权利要求3所述的飞机表面重建方法，其特征在于，所述采用自注意力机制，对于目标查询点q和相对特征向量F_a,q，通过线性层和softmax激活函数，将每个相对特征向量F_a,q映射到注意力系数上，并进行归一化，得到局部邻域N中目标点a相对于目标查询点q的自适应权重系数Y_a,q；根据自适应权重系数Y_a,q与相对特征向量F_a,q提取目标查询点q在点云上的自适应局部几何特征向量F_q，包括：

根据以下公式计算局部邻域N中目标点a相对于目标查询点q的自适应权重系数Y_a,q：

其中，W_a,q为目标查询点q与局部邻域N中的目标点a之间的权重向量；a₁为全连接层的权重；b₁为全连接层的偏置；k为局部邻域N中点的总数；

根据以下公式计算目标查询点q在点云上的自适应局部几何特征向量F_q：