CN117011128B - 一种基于区域分解的三维模型自动配准方法及设备 - Google Patents
一种基于区域分解的三维模型自动配准方法及设备 Download PDFInfo
- Publication number
- CN117011128B CN117011128B CN202310965874.XA CN202310965874A CN117011128B CN 117011128 B CN117011128 B CN 117011128B CN 202310965874 A CN202310965874 A CN 202310965874A CN 117011128 B CN117011128 B CN 117011128B
- Authority
- CN
- China
- Prior art keywords
- region
- target
- grid
- source
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 230000009466 transformation Effects 0.000 claims description 15
- 238000013519 translation Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 abstract description 13
- 238000004458 analytical method Methods 0.000 abstract description 10
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000035945 sensitivity Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 18
- 230000014616 translation Effects 0.000 description 12
- 239000002184 metal Substances 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 238000011960 computer-aided design Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011089 mechanical engineering Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2004—Aligning objects, relative positioning of parts
Landscapes
- Engineering & Computer Science (AREA)
- Architecture (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供的基于区域分解的三维模型自动配准方法，解决了传统三维曲面模型刚性配准自动化程度及准确度低，无法实现精确匹配的问题。具体地，通过对曲面进行区域分解，实现了点的聚类，将点的匹配问题转化为区域之间的匹配，减少了潜在匹配组合的数量；通过基于几何分析的区域相似度评价方法，建立了相似区域的有效匹配关系，解决了传统配准方法的位置敏感性问题；采用基于匹配组合过滤的曲面匹配策略，解决了传统方法容易出现错误匹配的情况，有效的提高了曲面模型匹配的准确率，达到了高准确率、高精度的曲面模型匹配目的。本发明实施例还提供了相关的设备。
Description
技术领域
本发明涉及计算机辅助设计技术领域，尤其涉及一种基于区域分解的三维模型自动配准方法及相关设备。
背景技术
三维模型配准是计算机辅助设计中的一个关键技术，在机械工程、医学图像诊断、生物及考古领域都有重要应用，其目的是找到一个曲面模型和另一个曲面模型的最佳重叠变换。在机械工程领域，机械零件的质量检查、精确定位和误差分析都是通过将原始几何模型与测量模型进行比较来实现的，而曲面模型的匹配在测量-比较的过程中起着至关重要的作用。在机械产品的质量检测中，测量后的模型和原始几何模型的位置关系通常是未知的，而为了实现产品几何量的检测，需要将测量模型和原始几何模型进行对齐，如何实现三维模型之间的刚性配准一直是计算机辅助设计领域的难题。
目前，针对曲面模型的刚性配准方法主要采用迭代最近点(Iterative ClosestPoint，ICP)算法，迭代最近点(ICP)算法是点云配准中最常用的方法，其通过最小化源点与其对应目标点之间的欧几里得距离，将源模型迭代转换为目标模型。由于其高精度和简单性，ICP算法在过去受到了极大的关注，但它可能会因为模型之间的初始位置关系导致配准效率低下和配准失败。为了克服ICP算法的缺点，已经提出了许多改进的ICP算法，例如采用一种点对平面迭代方法，通过最小化源点与其在目标曲面中的投影点之间的均方误差，而该方法仍然效率低下。因此，虽然迭代最近点(ICP)算法及其改进方法可以产生精确的匹配结果，但它们对初始位置非常敏感，极易得到错误的匹配结果。基于几何特征的曲面模型匹配的基本思想是通过比较由不同旋转和平移不变量定义的局部特征的相似性来找到相应的点，包括旋转图像、曲率及其变体等。这类方法通过将高曲率形状和法线角度集成到2D直方图中得到局部曲面描述符，或者通过提取相对较少的表面曲率几何特征，以实现快速形状检索和曲面配准。基于几何特征的方法，也称为局部特征描述符，由于其独立于初始位置，正被应用于越来越多的应用中。然而，由于曲面形状的多样性，错误的配对可能广泛存在，这可能导致不正确的匹配结果。基于概率的方法是曲面配准中较常使用的第三种方法，由于匹配过程中针对单特征点寻找对应点时容易发生，因此匹配点簇而不是单个点被认为是更好的方法，并且建立了一些基于概率模型的估算方法以获得可靠的点对应关系。基于概率模型的配准方法中，高斯混合模型(GMM)被认为是最著名的基于概率的曲面配准方法，点云配准问题可以重新定义为测量用于表示点云的两个对应高斯混合之间的差异。
上述曲面模型配准方法中，基于迭代最近点算法能获取较为精确的配准结果，但对初始位置极为敏感，极易得到错误的匹配结果；基于几何特征的配准方法对曲面模型的几何输入较为敏感，不同的几何形状和输入会导致匹配结果不同；基于概率的曲面配准方法只适用于整体到整体的配准，对于局部到整体的匹配，极易出现错误的结果。因此，传统的曲面模型配准方法未能完全实现三维曲面模型之间的自动配准。
发明内容
本发明实施例提供了一种基于区域分解的三维模型自动配准方法及相关设备，用于有效的解决三维曲面模型的刚性配准问题，提升三维曲面模型的刚性配准的准确度。
第一方面，本发明实施例提供一种基于区域分解的三维模型自动配准方法，包括：
S1：获取源曲面网格模型SS和目标曲面网格模型ST；
S2：将源曲面网格模型SS和目标曲面网格模型ST分别分解为由多个连续的网格区域组成的模型，即SS＝{S1,S2,…,Sn}，ST＝{T1,T2,…,Tm}；
S3：根据源网格区域集合{S1,S2,…,Sn}和目标网格区域集合{T1,T2,…,Tm}的几何形状相似度建立源网格区域集合{S1,S2,…,Sn}和目标网格区域集合{T1,T2,…,Tm}之间的匹配对；
S4：确定包括源区域三元组和目标区域三元组的配对三元组，源区域三元组从源网格区域集合{S1,S2,…,Sn}中确定，目标区域三元组根据步骤S3确定的匹配对和源区域三元组确定；
S5：从配对三元组中筛选出满足预设条件的目标配对三元组，并根据目标配对三元组建立源曲面网格模型SS的点集与目标曲面网格模型ST的点集之间的第一对应关系；
S6：根据第一对应关系，对源曲面网格模型SS和目标曲面网格模型ST进行粗配准；
S7：根据最近点迭代算法对源曲面网格模型SS和目标曲面网格模型ST进行精配准。
本发明实施例提供的基于区域分解的三维模型自动配准方法，解决了传统三维曲面模型刚性配准自动化程度及准确度低，无法实现精确匹配的问题。具体地，通过对曲面进行区域分解，实现了点的聚类，将点的匹配问题转化为区域之间的匹配，减少了潜在匹配组合的数量；通过基于几何分析的区域相似度评价方法，建立了相似区域的有效匹配关系，解决了传统配准方法的位置敏感性问题；采用基于匹配组合过滤的曲面匹配策略，解决了传统方法容易出现错误匹配的情况，有效的提高了曲面模型匹配的准确率，达到了高准确率、高精度的曲面模型匹配目的。本发明实施例还提供了相关的设备。
结合第一方面，在本发明实施例的一种实现方式中，步骤S2具体包括：
S201：通过分层聚类方法将源曲面网格模型SS和目标曲面网格模型ST中的网格确定为稀疏网格区域或密集网格区域；
S202：将稀疏网格区域的归一化法向量映射到高斯球面，然后使用随机霍夫变换识别平面和球体的交点进而将稀疏网格区域进一步识别为圆柱区域或圆锥区域；
S203：计算密集网格区域的平均曲率场，然后对计算出的平均曲率场进行均值漂移运算，实现对密集网格区域的分解。
在该实现方式中，步骤S2主要是针对曲面模型进行曲面网格分解算法，主要目的是获取曲面网格模型的几何特征。即对源曲面网格模型SS和目标曲面网格模型ST进行预处理，将源曲面网格模型SS和目标曲面网格模型ST分解为由多个连续的网格区域组成的模型，SS＝{S1,S2,…,Sn}，ST＝{T1,T2,…,Tm}；
结合第一方面及其他实现方式，在本发明实施例的一种实现方式中，步骤S3具体包括：
S301：对目标网格区域集合{T1,T2,…,Tm}中的每一个区域Ti，计算区域Ti的几何中心Tci，统计几何中心Tci和对应区域边界节点的第一距离分布，并绘制相应的第一直方图；
在该实现方式中，几何中心可以通过以下公式进行计算：
假设网格区域RA的外边界为P＝{v1,v2,…,vn}，其中n是外边界节点的数量，网格区域RA的中心按下式进行计算：
其中，ηi是关于节点vi和vi+1的系数，一般设置为节点vi到vi+1的距离
||vi+1-vi||。
S302：对源网格区域集合{S1,S2,…,Sn}中的每一个区域Si，计算区域Si的几何中心Sci，统计几何中心Sci和对应区域边界节点的第二距离分布，并绘制相应的第二直方图；
S303：根据第一直方图和第二直方图的数据计算每一个区域Si与每一个区域Ti的相似度，建立源网格区域集合{S1,S2,…,Sn}和目标网格区域集合{T1,T2,…,Tm}之间的匹配对。
在该实现方式中，步骤S3主要是对分解后的网格区域配对，采用基于距离直方图的网格区域配对方法，主要目的是建立分解后的源网格区域集合{S1,S2,…,Sn}和目标网格区域集合{T1,T2,…,Tm}之间的配对。步骤S3实际上是对分解后的源网格区域{S1,S2,…,Sn}和目标网格区域{T1,T2,…,Tm}进行几何形状分析，通过计算源网格区域{S1,S2,…,Sn}和目标网格区域{T1,T2,…,Tm}的几何形状相似程度建立源网格区域{S1,S2,…,Sn}和目标网格区域{T1,T2,…,Tm}之间的匹配对。
结合第一方面及其他实现方式，在本发明实施例的一种实现方式中，步骤S303具体包括：
S3031：若区域Si的拓扑关系与区域Ti的拓扑关系不一致，则排除区域Si与区域Ti的匹配对；
S3032：若区域Si与区域Ti不满足距离判断公式，则排除区域Si与区域Ti的匹配对；
距离判断公式为：
其中，α为给定值，即给定的一个容差值，一般情况下设定为0.1。max(Dis(S))为区域Si的第一距离分布中的最大距离，min(Dis(S))为区域Si的第一距离分布中的最小距离，max(Dis(T))为区域Ti的第二距离分布中的最大距离，min(Dis(T))为区域Ti的第二距离分布中的最小距离；
S3033：根据第一直方图和第二直方图判断区域Si的距离分布的相似度，若相似度大于或等于第一给定阈值，则排除区域Si与区域Ti的匹配对，若相似度小于第一给定阈值，则建立区域Si与区域Ti的匹配对；
S3034：确定源网格区域集合{S1,S2,…,Sn}和目标网格区域集合{T1,T2,…,Tm}之间的所有匹配对。
在该实现方式中，对源网格区域集合{S1,S2,…,Sn}中的每一个区域Si，计算其几何中心Sci，并绘制几何中心Sci和区域边界节点的距离分布直方图，通过比较源网格区域和目标网格区域中的区域几何相似性来确定源网格区域集合{S1,S2,…,Sn}和目标网格区域集合{T1,T2,…,Tm}之间的所有匹配对，即确定Si所对应的相似目标区域集合。
结合第一方面及其他实现方式，在本发明实施例的一种实现方式中，步骤S3033具体包括：
S30331：根据第一直方图和第二直方图，通过概率函数计算同一距离区段内区域Si与区域Ti的相似度，概率函数为：
其中，D(f,g)为区域Si与区域Ti的相似度，第一直方图和第二直方图的距离分布预先被分为n个区间段，nd为在同一距离区段中区间段的数量，fi和gi是源区域和目标区域在同一区间段对应的分布概率值；
该实现方式实际上是，构建距离分布直方图(即第一直方图和第二直方图)，计算网格区域相似度。对于单个网格区域，将距离区间等分为n个相等的距离段，通过统计落入每个固定距离区间段的样本百分比，以此来构建中心和边界的距离分布直方图。其中，距离分布直方图的横轴表示距离，纵轴表示中心和边界点之间距离的分布概率。根据距离分布直方图，可以概率函数的L2范数来计算出两个网格区域的相似度。
S30332：若相似度大于或等于第一给定阈值，则排除区域Si与区域Ti的匹配对，若相似度小于第一给定阈值，则建立区域Si与区域Ti的匹配对。即根据得到的网格区域的相似度值，如果区域的相似度小于给定的阈值，则将两个区域建立配对关系，从而实现区域配对。
当所有区域配对完成后，可以确定源网格区域集合{S1,S2,…,Sn}和目标网格区域集合{T1,T2,…,Tm}之间的所有匹配对，即确定每一个区域Si所对应的相似目标区域集合。
结合第一方面及其他实现方式，在本发明实施例的一种实现方式中，步骤S4具体包括：
S401：根据源网格区域集合{S1,S2,…,Sn}和目标网格区域集合{T1,T2,…,Tm}之间的匹配对确定每一个区域Si所对应的相似目标区域集合Tsi＝{TS1,TS2,…,TSni}；
S402：将三个中心不在一条直线上的区域Si组成一个源区域三元组TrSi＝(Sc1,Sc2,Sc3)；
S403：根据每一个区域Si所对应的相似目标区域集合Tsi＝{TS1,TS2,…,TSni}确定源区域三元组TrSi对应的目标区域三元组TrTi。
步骤S4的主要目的是建立合适的三元组匹配对，即获得正确的区域配对三元组。单个源网格区域和目标网格区域可能存在多种匹配情况，包括单对单、单对多的情况，采用基于过滤及遍历的匹配对识别策略。对于源网格区域集合SS中的单个网格区域Si，与其相似的目标区域为Tsi＝{TS1,TS2,…,TSni}，其中Sni是相似目标区域的数量。将三个中心不在一条直线上的区域组成一个三元组TrSi＝(Sc1,Sc2,Sc3)，由此可以获得和此三元组TrSi配对的目标区域三元组，目标三元组的个数为Sn1×Sn2×Sn3。
结合第一方面及其他实现方式，在本发明实施例的一种实现方式中，步骤S5具体包括：
S501：排除不满足角度约束公式或距离约束公式的配对三元组，角度约束公式为：
距离约束公式为：
其中，J(Si)和J(Ti)分别表示源区域三元组TrSi和目标区域三元组TrTi中三个中心点之间的夹角角度，εang和εdis分别是给定的角度阈值和距离阈值；该步骤可以过滤大量具有错误配对关系的三元组。
S502：确定剩余的未排除的配对三元组为目标配对三元组，根据目标配对三元组建立源曲面网格模型SS的点集与目标曲面网格模型ST的点集之间的第一对应关系；步骤S6具体为根据第一对应关系进行粗配准，直到源曲面网格模型SS和目标曲面网格模型ST之间的平均偏差误差小于目标曲面网格模型ST中网格边的平均长度。本发明实施例中，通过角度和距离约束已经将大量的配对过滤了，最后对剩下的候选配对三元组进行匹配，直到匹配后的源曲面和目标曲面之间的偏差误差满足要求，这里的要求设定为平均偏差误差小于目标曲面中网格边的平均长度，这确保了源曲面和目标曲面有一个正确的粗匹配姿态。
在该实现方式中，步骤S4、步骤S5和S6实际上是基于配对后的模型进行粗配准。源网格区域{S1,S2,…,Sn}和目标网格区域{T1,T2,…,Tm}之间的匹配对存在一对多或多对多的匹配情况，因此该实现方式采用配对过滤的方法不断过滤错误的配对，直到寻找到满足给定距离阈值的三元配对组，从而实现源曲面网格模型SS和目标曲面网格模型ST的粗配准。
结合第一方面及其他实现方式，在本发明实施例的一种实现方式中，根据第一对应关系，对源曲面网格模型SS和目标曲面网格模型ST进行粗配准。该步骤S6中，第一对应关系实际上是源曲面网格模型SS点集与目标曲面网格模型ST点集的对应关系，可以采用基于四元数的点集到点集配准方法，根据该点集的对应关系计算点集变换的旋转矩阵和平移矩阵，然后通过旋转矩阵和平移矩阵将源曲面网格模型SS进行旋转和平移，实现源曲面网格模型SS和目标曲面网格模型ST的粗配准。
结合第一方面及其他实现方式，在本发明实施例的一种实现方式中，步骤S7具体包括：
S701：通过八叉树算法建立目标曲面网格模型ST对应的目标曲面模型空间八叉树结构；
S702：将源曲面网格模型SS的节点投影到目标曲面网格模型ST上，建立源曲面网格模型SS的节点与目标曲面网格模型ST的投影点的第二对应关系；
S703：根据第二对应关系，采用基于四元数的点集到点集配准方法，计算点集变换的旋转和平移矩阵，直到源曲面网格模型SS的节点与目标曲面网格模型ST的投影点的距离变换小于第二给定阈值为止。
在该实现方式中，步骤S7是基于改进最近迭代点算法的精确配准。传统的基于最近迭代点的配准算法对源和目标曲面网格模型的初始位置较为敏感，极容易得到错误的匹配结果，经过粗配准的源曲面网格模型SS和目标曲面网格模型ST已处于相对较为合理的位置，采用基于改进最近迭代点的配准算法可实现模型的精确配准。
第二方面，本发明实施例提供一种数据处理设备，数据处理设备包括一个以上处理器、存储器以及通信接口；存储器中存储有程序代码；处理器执行存储器中程序代码时实现上述第一方面及其实现方式的方法。
第三方面，本发明实施例提供一种计算机可读存储介质，当指令在计算机装置上运行时，使得计算机装置执行如上述第一方面及其实现方式的方法。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例提供的基于区域分解的三维模型自动配准方法，解决了传统三维曲面模型刚性配准自动化程度及准确度低，无法实现精确匹配的问题。具体地，通过对曲面进行区域分解，实现了点的聚类，将点的匹配问题转化为区域之间的匹配，减少了潜在匹配组合的数量；通过基于几何分析的区域相似度评价方法，建立了相似区域的有效匹配关系，解决了传统配准方法的位置敏感性问题；采用基于匹配组合过滤的曲面匹配策略，解决了传统方法容易出现错误匹配的情况，有效的提高了曲面模型匹配的准确率，达到了高准确率、高精度的曲面模型匹配目的。本发明实施例还提供了相关的设备。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的一种基于区域分解的三维模型自动配准方法的示意图；
图2为本申请实施例提供的示例中源曲面网格模型SS和目标曲面网格模型ST的示意图；
图3a为本申请实施例提供的不同网格密度下的区域分解图之一；
图3b为本申请实施例提供的不同网格密度下的区域分解图之二；
图3c为本申请实施例提供的不同网格密度下的区域分解图之三；
图4为本申请实施例提供的不同区域的距离分布统计直方图；
图5为本申请实施例中区域配对三元组过滤下的距离及角度约束示意图；
图6a为本申请实施例提供的示例中源曲面网格模型SS和目标曲面网格模型ST的三维模型配准结果示意图；
图6b为本申请实施例提供的示例中源曲面网格模型SS和目标曲面网格模型ST的三维模型配准结果的几何误差分布图；
图7a为本申请实施例提供的一种基于区域分解的三维模型自动配准方法对钣金零件一进行配准的配准前示意图；
图7b为本申请实施例提供的一种基于区域分解的三维模型自动配准方法对钣金零件一进行配准的配准后示意图；
图8a为本申请实施例提供的一种基于区域分解的三维模型自动配准方法对钣金零件二进行配准的配准前示意图；
图8b为本申请实施例提供的一种基于区域分解的三维模型自动配准方法对钣金零件二进行配准的配准后示意图；
图9为本申请实施例提供的数据处理设备的示意图。
具体实施方式
本发明实施例提供了一种基于区域分解的三维模型自动配准方法及相关设备，用于有效的解决三维曲面模型的刚性配准问题，提升三维曲面模型的刚性配准的准确度。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，图1为本申请实施例提供的一种基于区域分解的三维模型自动配准方法的示意图，该方法配准过程包括：模型区域分解、区域相似度计算、区域配对、配对区域三元组过滤、模型粗配准及精确配准，该方法包括以下步骤：
S1：获取源曲面网格模型SS和目标曲面网格模型ST；
在本申请实施例中，配准目标一般是将源曲面网格模型SS尽可能地平移旋转到与目标曲面网格模型ST重合的位置。配准算法中，一般也是计算出源曲面网格模型SS的变换T(即旋转R和平移t)使得两个模型的重合度尽可能高。这里，源曲面网格模型SS可能经过多次变换，本申请实施例实际上通过两个大方向上的变换来进行，首先进行粗配准(CoarseRegistration)，然后进行精配准(Fine Registration)，分两步来实现配准。
图2为本申请实施例提供的示例中源曲面网格模型SS和目标曲面网格模型ST的示意图。由图2可见，本申请示例中，左侧网格较为稀疏的曲面为目标曲面网格模型ST，右侧网格较为密集的曲面为源曲面网格模型SS。
S2：将源曲面网格模型SS和目标曲面网格模型ST分别分解为由多个连续的网格区域组成的模型，即SS＝{S1,S2,…,Sn}，ST＝{T1,T2,…,Tm}；
在本申请实施例中，可以采用通用的网格分解算法来进行分解，也可以采用本申请实施例提供的以下步骤进行分解：
S201：通过分层聚类方法将源曲面网格模型SS和目标曲面网格模型ST中的网格确定为稀疏网格区域或密集网格区域；
本申请实施例通过图3a、图3b和图3c来解释该步骤。图3a为本申请实施例提供的不同网格密度下的区域分解图之一，图3b为本申请实施例提供的不同网格密度下的区域分解图之二，图3c为本申请实施例提供的不同网格密度下的区域分解图之三。由图3a、图3b和图3c可见，同一模型不同密度网格的区域分解结果各不相同。图3a是具有稀疏网格的模型区域分解结果，通过分层聚类方法分解为用不同颜色表示的17个区域；图3b是采用较为密集的四边形网格模型进行网格分解后得到的结果，根据不同颜色的区分总共分解为14块网格区域；图3c是密集三角形网格模型的区域分解结果，总共分为15块网格区域。从图3a、图3b和图3c中可以看出，不同网格疏密程度的同意形状模型会导致不同的区域分解结果，本发明采用基于过滤的策略将会排除差异的区域，避免网格差异导致错误的匹配结果。
S202：将稀疏网格区域的归一化法向量映射到高斯球面，然后使用随机霍夫变换识别平面和球体的交点进而将稀疏网格区域进一步识别为圆柱区域或圆锥区域；
S203：计算密集网格区域的平均曲率场，然后对计算出的平均曲率场进行均值漂移运算，实现对密集网格区域的分解。
S3：根据源网格区域集合{S1,S2,…,Sn}和目标网格区域集合{T1,T2,…,Tm}的几何形状相似度建立源网格区域集合{S1,S2,…,Sn}和目标网格区域集合{T1,T2,…,Tm}之间的匹配对；
在本申请实施例中，可以采用任意能够计算区域之间的相似度的算法来实现本步骤，也可以采用以下步骤实现：
S301：对目标网格区域集合{T1,T2,…,Tm}中的每一个区域Ti，计算区域Ti的几何中心Tci，统计几何中心Tci和对应区域边界节点的第一距离分布，并绘制相应的第一直方图；
在一些实施例中，也可以不绘制第一直方图，而直接采用第一距离分布的数据。几何中心可以通过以下公式进行计算：
假设网格区域RA的外边界为P＝{v1,v2,…,vn}，其中n是外边界节点的数量，网格区域RA的中心按下式进行计算：
其中，ηi是关于节点vi和vi+1的系数，一般设置为节点vi到vi+1的距离
||vi+1-vi||。
计算得到几何中心Tci后，可以统计几何中心Tci和对应区域边界节点的第一距离分布。
S302：对源网格区域集合{S1,S2,…,Sn}中的每一个区域Si，计算区域Si的几何中心Sci，统计几何中心Sci和对应区域边界节点的第二距离分布，并绘制相应的第二直方图；
在本申请实施例中，计算几何中心Sci的方式与上述计算几何中心Tci的方式类似，此处不再赘述。
计算得到几何中心Sci后，可以统计几何中心Tci和对应区域边界节点的第一距离分布。
可以理解的是，步骤S301和步骤S302可以同时进行，也可以分开两步进行，进行的顺序不做限定。
S303：根据第一直方图和第二直方图的数据计算每一个区域Si与每一个区域Ti的相似度，建立源网格区域集合{S1,S2,…,Sn}和目标网格区域集合{T1,T2,…,Tm}之间的匹配对。
图4为本申请实施例提供的不同区域的距离分布统计直方图。将相关区域的直方图结合起来可以得到类似图4的直方图。图4为区域A、区域B和区域C的距离直方图结合得到的统计直方图，可以看出，区域B与区域A和区域C具有不同的拓扑结构，因此区域B不能作为区域A和区域C的相似区域。而区域A和区域C的距离范围都在[9.6，11.4]的区间内，根据相似度计算得到相似度为4.26，因此区域A和区域C具有相同的拓扑结构和相似的形状，确定区域A和区域C是一对相似区域。
在本申请实施例中，步骤S303具体可以包括：
S3031：若区域Si的拓扑关系与区域Ti的拓扑关系不一致，则排除区域Si与区域Ti的匹配对；
申请人认为，一个区域由一个外部边界和多个内部边界组成，因此相似的区域应该具有相同数量的边界，即拓扑关系一致。若两个区域的拓扑关系不一致，则说明这两个区域存在较大差异，不能配对。
S3032：若区域Si与区域Ti不满足距离判断公式，则排除区域Si与区域Ti的匹配对；
距离判断公式为：
其中，α为给定值，max(Dis(S))为区域Si的第一距离分布中的最大距离，min(Dis(S))为区域Si的第一距离分布中的最小距离，max(Dis(T))为区域Ti的第二距离分布中的最大距离，min(Dis(T))为区域Ti的第二距离分布中的最小距离；
在本申请实施例中，由于采用了基于距离的相似区域判断准则，因此相似区域的距离应该在相同的区间内。若两个区域之间的最大最小距离区间不一致，说明这两个区域不相似，不能配对。
S3033：根据第一直方图和第二直方图判断区域Si的距离分布的相似度，若相似度大于或等于第一给定阈值，则排除区域Si与区域Ti的匹配对，若相似度小于第一给定阈值，则建立区域Si与区域Ti的匹配对；
在本申请实施例中，步骤3033可以包括以下步骤：
S30331：根据第一直方图和第二直方图，通过概率函数计算同一距离区段内区域Si与区域Ti的相似度，概率函数为：
其中，D(f,g)为区域Si与区域Ti的相似度，第一直方图和第二直方图的距离分布预先被分为n个区间段，nd为在同一距离区段中区间段的数量，fi和gi是源区域和目标区域在同一区间段对应的分布概率值；
S30332：若相似度大于或等于第一给定阈值，则排除区域Si与区域Ti的匹配对，若相似度小于第一给定阈值，则建立区域Si与区域Ti的匹配对。
S3034：确定源网格区域集合{S1,S2,…,Sn}和目标网格区域集合{T1,T2,…,Tm}之间的所有匹配对。
在本申请实施例的示例中，源网格区域共有8个区域存在目标相似区域。
S4：确定包括源区域三元组和目标区域三元组的配对三元组，源区域三元组从源网格区域集合{S1,S2,…,Sn}中确定，目标区域三元组根据步骤S3确定的匹配对和源区域三元组确定；
在本申请实施例中，步骤S4可以包括以下步骤：
S401：根据源网格区域集合{S1,S2,…,Sn}和目标网格区域集合{T1,T2,…,Tm}之间的匹配对确定每一个区域Si所对应的相似目标区域集合Tsi＝{TS1,TS2,…,TSni}；
S402：将三个中心不在一条直线上的区域Si组成一个源区域三元组TrSi＝(Sc1,Sc2,Sc3)；
S403：根据每一个区域Si所对应的相似目标区域集合Tsi＝{TS1,TS2,…,TSni}确定源区域三元组TrSi对应的目标区域三元组TrTi。
在本申请实施例中，经过区域相似性分析后，源网格区域共有8个区域存在目标相似区域，因此可以构造56个中心不在一条直线上的区域三元组TrSi＝(Sc1,Sc2,Sc3)，根据三元组内区域对应的相似区域可以获得目标三元组的个数为118组，因此最终形成了118组候选配对三元组。
S5：从配对三元组中筛选出满足预设条件的目标配对三元组，并根据目标配对三元组建立源曲面网格模型SS的点集与目标曲面网格模型ST的点集之间的第一对应关系；
在本申请实施例中，步骤S5可以包括以下步骤：
S501：排除不满足角度约束公式或距离约束公式的配对三元组，角度约束公式为：
距离约束公式为：
其中，J(Si)和J(Ti)分别表示源区域三元组TrSi和目标区域三元组TrTi中三个中心点之间的夹角角度，εang和εdis分别是给定的角度阈值和距离阈值；
图5为本申请实施例中区域配对三元组过滤下的距离及角度约束示意图。过滤准则主要采用角度和距离约束，如图5所示为三元组TrSi＝(S1,S2,S3)构造的角度和距离约束，通过区域中心间的角度和距离约束可以排除大量错误的配对三元组。
S502：确定剩余的未排除的配对三元组为目标配对三元组，根据目标配对三元组建立源曲面网格模型SS的点集与目标曲面网格模型ST的点集之间的第一对应关系；例如，源区域三元组TrS1和目标区域三元组TrT2为剩余的未排除的配对三元组(即目标配对三元组)，则可以确定源区域三元组TrS1和目标区域三元组TrT2的对应关系。
S6：根据第一对应关系，对源曲面网格模型SS和目标曲面网格模型ST进行粗配准；
粗配准的方法可以采用通用的配准方法，根据点集的对应关系，即根据第一关系(源曲面网格模型SS点集与目标曲面网格模型ST点集的对应关系)，计算点集变换的旋转矩阵和平移矩阵，然后通过旋转矩阵和平移矩阵将源曲面网格模型SS进行旋转和平移，实现源曲面网格模型SS和目标曲面网格模型ST的粗配准。
可以理解的是，一次旋转和平移可能不足以将源曲面网格模型SS变换到合适的位置，因此需要多次迭代平移来完全实现粗配准。因此，步骤S6具体为根据第一对应关系进行粗配准，直到源曲面网格模型SS和目标曲面网格模型ST之间的平均偏差误差小于目标曲面网格模型ST中网格边的平均长度。这里的要求设定为平均偏差误差小于目标曲面中网格边的平均长度，这确保了源曲面和目标曲面有一个正确的匹配姿态。
S7：根据最近点迭代算法对源曲面网格模型SS和目标曲面网格模型ST进行精配准。
在本申请实施例中，步骤S7可以包括以下步骤：
S701：通过八叉树算法建立目标曲面网格模型ST对应的目标曲面模型空间八叉树结构；
可以理解的是，八叉树算法是一种常用的算法，本申请实施例不再赘述。
S702：将源曲面网格模型SS的节点投影到目标曲面网格模型ST上，建立源曲面网格模型SS的节点与目标曲面网格模型ST的投影点的第二对应关系；
S703：根据第二对应关系，采用基于四元数的点集到点集配准方法，计算点集变换的旋转和平移矩阵，直到源曲面网格模型SS的节点与目标曲面网格模型ST的投影点的距离变换小于第二给定阈值为止。
图6a为本申请实施例提供的示例中源曲面网格模型SS和目标曲面网格模型ST的三维模型配准结果示意图；由图6a可见，源曲面网格模型SS和目标曲面网格模型ST已经基本上匹配效果较好，并且可以输出合并模型以供使用。
图6b为本申请实施例提供的示例中源曲面网格模型SS和目标曲面网格模型ST的三维模型配准结果的几何误差分布图；图6b中右侧为几何误差数值图例，由图6b可以看出，重合部分大部分的几何误差值在0.2到-0.1之间，因此采用本申请实施例提供的基于区域分解的三维模型自动配准方法可以对模型实现较好的配准，配准效果好。
图7a为本申请实施例提供的一种基于区域分解的三维模型自动配准方法对钣金零件一进行配准的配准前示意图；图7b为本申请实施例提供的一种基于区域分解的三维模型自动配准方法对钣金零件一进行配准的配准后示意图。在图7a和图7b的示例中，本申请实施例的配准方法包括以下步骤：
S1：输入如图7a所示的源曲面网格模型SS和目标曲面网格模型ST，源曲面网格和目标曲面网格含有大量的细分网格，传统的配准方法难以实现模型的自动配准；
S2：模型区域分解：对输入的源模型和目标模型实现基于分层聚类的区域分解，通过分层聚类方法将源曲面网格模型分解为56个区域，目标曲面网格模型分解为个46个区域。
S3：区域相似分析：对分解后的网格区域建立距离直方图，计算距离直方图的相似度，根据相似度得到配对区域。
S4：区域配对：单个源网格区域和目标网格区域可能存在多种匹配情况，包括单对单、单对多的情况，本实例如图7a所示模型经过区域相似性分析后，源网格区域共有12个区域存在目标相似区域，因此可以构造220个中心不在一条直线上的区域三元组TrSi＝(Sc1,Sc2,Sc3)，根据三元组内区域对应的相似区域最终形成了278组候选配对三元组。
S5：配对区域三元组过滤：过滤大量具有错误配对关系的三元组，过滤准则主要采用角度和距离约束，通过区域中心间的角度和距离约束可以排除大量错误的配对三元组。
S6：模型粗配准：对剩下的候选配对三元组所对应的三个区域中心点进行匹配，直到匹配后的源曲面和目标曲面之间的偏差误差满足要求，这里的要求设定为平均偏差误差小于目标曲面中网格边的平均长度，这确保了源曲面和目标曲面有一个正确的匹配姿态。
S7：模型精配准：基于最近迭代点算法的精确配准，主要目的是在粗匹配的基础上获得精确的配准结果，图7b为本实例模型最终的精确匹配结果。
图8a为本申请实施例提供的一种基于区域分解的三维模型自动配准方法对钣金零件二进行配准的配准前示意图；图8b为本申请实施例提供的一种基于区域分解的三维模型自动配准方法对钣金零件二进行配准的配准后示意图；
在图8a和图8b的示例中，本申请实施例的配准方法包括以下步骤：
S1：输入如图8a所示的源曲面网格模型SS和目标曲面网格模型ST，源曲面网格和目标曲面网格的初始位置相差较大，采用传统的基于最近迭代点算法难以实现模型间的精确配准；
S2：模型区域分解：对输入的源模型和目标模型实现基于分层聚类的区域分解，由于源曲面网格和目标曲面网格较为相似，源曲面网格模型和目标曲面网格模型都分别分解为15个区域。
S3：区域相似分析：对分解后的网格区域建立距离直方图，计算距离直方图的相似度，根据相似度得到配对区域。
S4：区域配对：本实例如图8a所示模型经过区域相似性分析后，源网格区域共有7个区域存在目标相似区域，因此可以构造35个中心不在一条直线上的区域三元组TrSi＝(Sc1,Sc2,Sc3)，根据三元组内区域对应的相似区域最终形成了65组候选配对三元组。
S5：配对区域三元组过滤：采用角度和距离约束，通过区域中心间的角度和距离约束可以排除大量错误的配对三元组，剩下33组候选配对组。
S6：模型粗配准：对剩下的候选配对三元组所对应的三个区域中心点进行匹配，直到匹配后的源曲面和目标曲面之间的偏差误差满足要求，确保源曲面和目标曲面有一个正确的匹配姿态。
S7：模型精配准：基于最近迭代点算法的精确配准，图8b为本实例模型最终的精确匹配结果。
图9为本申请实施例提供的数据处理设备的示意图。该数据处理设备900包括存储器902、处理器901以及存储在存储器902中并可在处理器901上运行的计算机程序903，处理器901执行计算机程序903时实现如图1对应的各个实施例的方法。
本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，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，所揭露的系统，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，所述单元的划分，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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述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。
所述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所述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，RandomAccess 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，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于区域分解的三维模型自动配准方法，其特征在于，包括：
S1：获取源曲面网格模型SS和目标曲面网格模型ST；
S2：将所述源曲面网格模型SS和所述目标曲面网格模型ST分别分解为由多个连续的网格区域组成的模型，即SS＝{S1,S2,…,Sn}，ST＝{T1,T2,…,Tm}；
S3：根据源网格区域集合{S1,S2,…,Sn}和目标网格区域集合{T1,T2,…,Tm}的几何形状相似度建立所述源网格区域集合{S1,S2,…,Sn}和所述目标网格区域集合{T1,T2,…,Tm}之间的匹配对；
S4：确定包括源区域三元组和目标区域三元组的配对三元组，所述源区域三元组从所述源网格区域集合{S1,S2,…,Sn}中确定，所述目标区域三元组根据步骤S3确定的所述匹配对和所述源区域三元组确定；
S5：从所述配对三元组中筛选出满足预设条件的目标配对三元组，并根据所述目标配对三元组建立所述源曲面网格模型SS的点集与所述目标曲面网格模型ST的点集之间的第一对应关系；
S6：根据所述第一对应关系，对所述源曲面网格模型SS和所述目标曲面网格模型ST进行粗配准；
S7：根据最近点迭代算法对所述源曲面网格模型SS和所述目标曲面网格模型ST进行精配准；
所述步骤S4具体包括：
S401：根据所述源网格区域集合{S1,S2,…,Sn}和所述目标网格区域集合{T1,T2,…,Tm}之间的匹配对确定每一个区域Si所对应的相似目标区域集合Tsi＝{TS1,TS2,…,TSni}；
S402：将三个中心不在一条直线上的所述区域Si组成一个所述源区域三元组TrSi＝(Sc1,Sc2,Sc3)；
S403：根据每一个所述区域Si所对应的所述相似目标区域集合Tsi＝{TS1,TS2,…,TSni}确定所述源区域三元组TrSi对应的所述目标区域三元组TrTi。
2.根据权利要求1所述的方法，其特征在于，所述步骤S2具体包括：
S201：通过分层聚类方法将所述源曲面网格模型SS和所述目标曲面网格模型ST中的网格确定为稀疏网格区域或密集网格区域；
S202：将所述稀疏网格区域的归一化法向量映射到高斯球面，然后使用随机霍夫变换识别平面和球体的交点进而将所述稀疏网格区域进一步识别为圆柱区域或圆锥区域；
S203：计算所述密集网格区域的平均曲率场，然后对计算出的所述平均曲率场进行均值漂移运算，实现对所述密集网格区域的分解。
3.根据权利要求1所述的方法，其特征在于，所述步骤S3具体包括：
S301：对所述目标网格区域集合{T1,T2,…,Tm}中的每一个区域Ti，计算区域Ti的几何中心Tci，统计所述几何中心Tci和对应区域边界节点的第一距离分布，并绘制相应的第一直方图；
S302：对所述源网格区域集合{S1,S2,…,Sn}中的每一个区域Si，计算区域Si的几何中心Sci，统计所述几何中心Sci和对应区域边界节点的第二距离分布，并绘制相应的第二直方图；
S303：根据所述第一直方图和所述第二直方图的数据计算每一个所述区域Si与每一个所述区域Ti的相似度，建立所述源网格区域集合{S1,S2,…,Sn}和所述目标网格区域集合{T1,T2,…,Tm}之间的匹配对。
4.根据权利要求3所述的方法，其特征在于，所述步骤S303具体包括：
S3031：若所述区域Si的拓扑关系与所述区域Ti的拓扑关系不一致，则排除所述区域Si与所述区域Ti的匹配对；
S3032：若所述区域Si与所述区域Ti不满足距离判断公式，则排除所述区域Si与所述区域Ti的匹配对；
所述距离判断公式为：
其中，α为给定值，max(Dis(S))为所述区域Si的所述第一距离分布中的最大距离，min(Dis(S))为所述区域Si的所述第一距离分布中的最小距离，max(Dis(T))为所述区域Ti的所述第二距离分布中的最大距离，min(Dis(T))为所述区域Ti的所述第二距离分布中的最小距离；
S3033：根据所述第一直方图和所述第二直方图判断所述区域Si的距离分布的相似度，若所述相似度大于或等于第一给定阈值，则排除所述区域Si与所述区域Ti的匹配对，若所述相似度小于所述第一给定阈值，则建立所述区域Si与所述区域Ti的匹配对；
S3034：确定所述源网格区域集合{S1,S2,…,Sn}和所述目标网格区域集合{T1,T2,…,Tm}之间的所有匹配对。
5.根据权利要求4所述的方法，其特征在于，所述步骤S3033具体包括：
S30331：根据所述第一直方图和所述第二直方图，通过概率函数计算同一距离区段内所述区域Si与所述区域Ti的相似度，所述概率函数为：
其中，D(f,g)为所述区域Si与所述区域Ti的相似度，所述第一直方图和所述第二直方图的距离分布预先被分为n个区间段，nd为在所述同一距离区段中所述区间段的数量，fi和gi是源区域和目标区域在同一所述区间段对应的分布概率值；
S30332：若所述相似度大于或等于所述第一给定阈值，则排除所述区域Si与所述区域Ti的匹配对，若所述相似度小于所述第一给定阈值，则建立所述区域Si与所述区域Ti的匹配对。
6.根据权利要求1所述的方法，其特征在于，所述步骤S5具体包括：
S501：排除不满足角度约束公式或距离约束公式的所述配对三元组，所述角度约束公式为：
所述距离约束公式为：
其中，J(Si)和J(Ti)分别表示所述源区域三元组TrSi和所述目标区域三元组TrTi中三个中心点之间的夹角角度，εang和εdis分别是给定的角度阈值和距离阈值；
S502：确定剩余的未排除的所述配对三元组为所述目标配对三元组，根据所述目标配对三元组建立所述源曲面网格模型SS的点集与所述目标曲面网格模型ST的点集之间的第一对应关系；
步骤S6具体为根据所述第一对应关系进行粗配准，直到所述源曲面网格模型SS和所述目标曲面网格模型ST之间的平均偏差误差小于所述目标曲面网格模型ST中网格边的平均长度。
7.根据权利要求1所述的方法，其特征在于，所述步骤S7具体包括：
S701：通过八叉树算法建立所述目标曲面网格模型ST对应的目标曲面模型空间八叉树结构；
S702：将所述源曲面网格模型SS的节点投影到所述目标曲面网格模型ST上，建立所述源曲面网格模型SS的节点与所述目标曲面网格模型ST的投影点的第二对应关系；
S703：根据所述第二对应关系，采用基于四元数的点集到点集配准方法，计算点集变换的旋转和平移矩阵，直到所述源曲面网格模型SS的节点与所述目标曲面网格模型ST的投影点的距离变换小于第二给定阈值为止。
8.一种数据处理设备，其特征在于，所述数据处理设备包括一个以上处理器、存储器以及通信接口；
所述存储器中存储有程序代码；
所述处理器执行所述存储器中所述程序代码时实现权利要求1至7任意一项所述的方法。
9.一种计算机可读存储介质，其特征在于，当指令在计算机装置上运行时，使得所述计算机装置执行如权利要求1至7任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310965874.XA CN117011128B (zh) | 2023-08-02 | 2023-08-02 | 一种基于区域分解的三维模型自动配准方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310965874.XA CN117011128B (zh) | 2023-08-02 | 2023-08-02 | 一种基于区域分解的三维模型自动配准方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117011128A CN117011128A (zh) | 2023-11-07 |
| CN117011128B true CN117011128B (zh) | 2024-02-13 |
Family
ID=88570530
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310965874.XA Active CN117011128B (zh) | 2023-08-02 | 2023-08-02 | 一种基于区域分解的三维模型自动配准方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117011128B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106023298A (zh) * | 2016-06-22 | 2016-10-12 | 山东理工大学 | 基于局部泊松曲面重建的点云刚性配准方法 |
| CN109697729A (zh) * | 2018-12-26 | 2019-04-30 | 中国科学院大学 | 基于平面多边形匹配的3d岩体点云配准方法 |
| CN111815686A (zh) * | 2019-04-12 | 2020-10-23 | 四川大学 | 基于几何特征由粗到细点云配准方法 |
| US11037346B1 (en) * | 2020-04-29 | 2021-06-15 | Nanjing University Of Aeronautics And Astronautics | Multi-station scanning global point cloud registration method based on graph optimization |
| CN113987610A (zh) * | 2021-10-26 | 2022-01-28 | 上海百琪迈科技(集团)有限公司 | 基于网格映射的不同分辨率服装曲面网格的匹配方法 |
| CN114359042A (zh) * | 2021-11-30 | 2022-04-15 | 深圳市纵维立方科技有限公司 | 点云拼接方法和装置、三维扫描仪及电子设备 |
-
2023
- 2023-08-02 CN CN202310965874.XA patent/CN117011128B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106023298A (zh) * | 2016-06-22 | 2016-10-12 | 山东理工大学 | 基于局部泊松曲面重建的点云刚性配准方法 |
| CN109697729A (zh) * | 2018-12-26 | 2019-04-30 | 中国科学院大学 | 基于平面多边形匹配的3d岩体点云配准方法 |
| CN111815686A (zh) * | 2019-04-12 | 2020-10-23 | 四川大学 | 基于几何特征由粗到细点云配准方法 |
| US11037346B1 (en) * | 2020-04-29 | 2021-06-15 | Nanjing University Of Aeronautics And Astronautics | Multi-station scanning global point cloud registration method based on graph optimization |
| CN113987610A (zh) * | 2021-10-26 | 2022-01-28 | 上海百琪迈科技(集团)有限公司 | 基于网格映射的不同分辨率服装曲面网格的匹配方法 |
| CN114359042A (zh) * | 2021-11-30 | 2022-04-15 | 深圳市纵维立方科技有限公司 | 点云拼接方法和装置、三维扫描仪及电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| "提高三维激光扫描点云数据配准精度研究";于明旭;《测绘与空间地理信息》;第43卷(第5期);47-55 * |
| " An Iterative Closest Points Algorithm for Registration of 3D Laser Scanner Point Clouds with Geometric Features";He Y等;《Sensors》;1862 * |
| "地面三维激光扫描点云数据自动配准算法及建模研究";刘继庚;《中国优秀硕士学位论文全文数据库 基础科学辑》(第5期);A008-97 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117011128A (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109859245B (zh) | 视频目标的多目标跟踪方法、装置及存储介质 | |
| Tazir et al. | CICP: Cluster Iterative Closest Point for sparse–dense point cloud registration | |
| Liu et al. | Automatic segmentation of unorganized noisy point clouds based on the Gaussian map | |
| CN111524168B (zh) | 点云数据的配准方法、系统、装置及计算机存储介质 | |
| Mousavi et al. | A two-step descriptor-based keypoint filtering algorithm for robust image matching | |
| CN110599506B (zh) | 一种复杂异形曲面机器人三维测量的点云分割方法 | |
| Liu et al. | 3D Point cloud analysis | |
| CN105809678A (zh) | 一种短基线条件下两视图间线段特征全局匹配方法 | |
| Ma et al. | A mixture model for robust point matching under multi-layer motion | |
| Lu et al. | Automatic point cloud registration algorithm based on the feature histogram of local surface | |
| CN114463396B (zh) | 一种利用平面形状和拓扑图投票的点云配准方法 | |
| Jeon et al. | Measuring and explaining the inter-cluster reliability of multidimensional projections | |
| CN115661255A (zh) | 一种激光slam回环检测与校正方法 | |
| CN110310322A (zh) | 一种10微米级高精度器件装配表面检测方法 | |
| CN117011128B (zh) | 一种基于区域分解的三维模型自动配准方法及设备 | |
| Ji et al. | Point cloud segmentation for complex microsurfaces based on feature line fitting | |
| CN107194994A (zh) | 一种无标定曲面点云数据重建圆柱面的方法及装置 | |
| Hillenbrand et al. | An experimental study of four variants of pose clustering from dense range data | |
| Sa et al. | Depth grid-based local description for 3D point clouds | |
| SANDOVAL et al. | Robust sphere detection in unorganized 3D point clouds using an efficient Hough voting scheme based on sliding voxels | |
| Takaishi et al. | Free-form feature classification for finite element meshing based on shape descriptors and machine learning | |
| Abushilah et al. | Performance Evaluation of Some Clustering Algorithms under Different Validity Indices. | |
| CN111462123B (zh) | 一种基于谱聚类的点云数据分割方法 | |
| Seibt et al. | Dense feature matching based on homographic decomposition | |
| Krueger | Model based object classification and localisation in multiocular images |
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 |